音声AIからロボットAPIまで、6社が相次ぎ新モデル公開

Rimeは2026年11月2〜3日にかけて、音声をテキストに変換してから再び音声化するのではなく、ユーザーの声を直接分析する音声対音声のAIモデル「Prism」を公開した。応答開始は約0.57秒で、会話の途中で外部ツールを呼び出せるほか、企業の実際の通話データで微調整できる。現状は英語のみに対応し、APIとSDKで提供され、カスタマーサポートや電話業務の自動化を想定する。

同じ時期にPokeBotは、自然言語の指示で対応ロボットを操作できるAPI「RoboAPI」を発表した。基盤には独自のワールドアクションモデル「Poke-Aurora」を用い、タスクごとのデータ収集や追加学習を必要としない。技術プレビューとして無償提供され、米国・中国・シンガポールの外部研究施設でも実験が行われたという。

Hume AIは、音声をテキスト化せずにユーザーが指定した質問へ確率で答える「Audio Decision API」を発表した。10種類の音声評価ベンチマークで平均82%、遅延0.23秒を記録したとしている。デモとAPIアクセス申請の受け付けが始まっている。

Canvaはデザイン向けの初の視覚言語モデル「Brush」を明らかにした。既存デザインを自然言語の指示で編集しつつ、編集可能な構造を保つ。既存のデザインエージェントと比べて編集は最大69%高速、タスクあたりのコストは46%削減され、一部のCanva Pro購読者が利用できる。同社はこの取り組みを2026年10月29日付の投稿で発表している。

Nace AIは270億パラメータのマルチモーダル意思決定モデル「Drex Max v1」の重みを公開した。最大262,144トークンのコンテキストに対応し、Apple Silicon搭載Mac向けのMLX版も用意される。4ビット量子化モデルは24GB以上のメモリを搭載した端末で動作する。

Unslothは、パソコン上のローカルAIモデルがWebページを開き、ボタンを押し、フォームに入力し、PDFを読むことを可能にする「Browser Use」を公開した。ログインやフォーム送信、購入、ファイルのダウンロードといった主要な操作にはユーザーの承認が必要で、macOS、Windows、Linuxに対応する。一連の発表はaitimes.comが伝えた。