対象期間：2026年9月28日〜10月5日（一部、直前週の重要ニュースを補足として含みます）
今週の要点3行
- Microsoftがストリーミング音声認識「MAI-Transcribe-2-Streaming」と音声合成「MAI-Voice-2.1」を発表。音声の「聞く・話す」両方で大手の価格・速度競争が一段と激しくなりました。
- ElevenLabsの企業評価額が220億ドルに。投資家は「会話するAIエージェント」を本命市場と見ています。
- 「話しながら同時に聞く」全二重（フルデュプレックス）型の対話AIが、音声だけでなく映像にも広がり始めました（Tavus Griffin-Lite）。
主要ニュース
1. Microsoft、リアルタイム文字起こし「MAI-Transcribe-2-Streaming」を発表（10月1日）
何が起きたか：Microsoft AIが初のストリーミング型音声認識モデルを公開しました。60言語に対応し、話している途中で言語が切り替わっても自動で検出します。最初の暫定文字が出るまで約100ミリ秒強。Microsoftの発表によると、第三者評価サイトArtificial Analysisのストリーミング部門で、確定結果・暫定結果の両方で精度1位（9月28日時点のランキング）。年内の導入価格は音声1時間あたり0.54ドルです。
例えると：会議で話した端から字幕が出てくる「超高速な速記者」。しかも途中で英語から日本語に切り替わっても、ついてきてくれます。
なぜ重要か：これまで「速いけど不正確」「正確だけど遅い」というトレードオフがありました。両方を高い水準で満たし、しかも安い。コールセンターやライブ字幕、音声エージェントのコストを下げる可能性があります。
出典：Microsoft AI公式ブログ（2026-10-01） https://microsoft.ai/news/our-first-streaming-transcription-model/
2. Microsoft、音声合成「MAI-Voice-2.1」「MAI-Voice-2.1-Flash」も同時発表（10月1日）
何が起きたか：23言語・26ロケールに対応した音声合成モデルです。1つの声のまま複数の言語を話せ（例：英語から中国語へ）、音声クローンにも対応します。価格は100万文字あたり22ドル。高速版のFlashは15ドルで、「45秒分の音声を端から端まで150ミリ秒で生成」「推論が55%速く、約60%安い」とされています（いずれもメーカーの主張で、第三者による検証はまだありません）。
例えると：同じ人が、声色を変えずに何か国語でもナレーションしてくれる吹き替え声優。
なぜ重要か：Microsoftが文字起こしと音声合成を一社でそろえ、Azureに加えOpenRouterでも提供します。ElevenLabsやCartesiaなどの専業ベンダーとの価格競争が強まりそうです。
出典：同上／Digital Applied「AI Model Releases: October 2026」 https://www.digitalapplied.com/blog/ai-model-releases-october-2026-tracker
3. ElevenLabs、評価額220億ドルに（9月30日）
何が起きたか：音声AI大手のElevenLabsが、株式の売却（テンダーオファー）で評価額220億ドルになったと発表しました。Wellington、T. Rowe Priceが主導し、規模は3億ドル。2月時点の評価額から倍増したと報じられています。成長の原動力は、企業向けの会話型エージェント需要です。
例えると：「AIの声屋さん」が、創業数年で、大手上場企業並みの値札がついたようなものです。
なぜ重要か：音声AIへの投資は、「読み上げ」から「電話やチャットで顧客対応するエージェント」へと軸足が移っています。この流れを裏付けるニュースです。
出典：ElevenLabs公式ブログ（2026-09-30） https://elevenlabs.io/blog/tender-22bn
4. Tavus、全二重の映像対話モデル「Griffin-Lite」を公開（10月1日ごろ）
何が起きたか：Tavusが、相手の表情や相づちにリアルタイムで反応する「映像→映像」の全二重モデルを研究プレビューとして公開しました。完全版のGriffinは後日リリース予定です。NVIDIAの全二重映像ベンチマークで1位とされ、生成スコアは3.83/5（人間の参照値は3.92）と報じられています（数値はSNS上の報道ベース）。
例えると：ビデオ通話の相手役AIが、こちらが話し終わるのを待たずに、うなずいたり、遮られたら止まったりする、より「人間っぽい」会話相手になる感覚です。
なぜ重要か：音声の世界で進んでいた「同時に聞いて話す」技術が、顔や映像を含むアバターにまで広がってきました。
出典：Tavus公式 https://www.tavus.io/griffin ／ Digital Applied（同上）
5. 音声AIのModulateが2,500万ドルを調達（9月28日）
何が起きたか：音声モデルと音声解析スイートを手がけるModulateが、2,500万ドルを調達しました（TechCrunch報道）。なお9月中旬には、アイスランドの音響シミュレーション基盤Trebleも1,800万ドルを調達しています。
例えると：大手が「エンジン」を作る一方で、「音の安全チェック」や「音響の試験場」といった周辺の専門店にもお金が集まっている状況です。
なぜ重要か：音声エージェントが普及すると、通話内容の解析、不正や迷惑行為の検知、テスト環境といった周辺ツールの需要も伸びます。エコシステムの層が厚くなっているサインです。
出典：TechCrunch（2026-09-28） https://techcrunch.com/2026/09/28/modulate-raises-25m-for-its-voice-models-and-analysis-suite/ ／ Treble：TechCrunch（2026-09-16） https://techcrunch.com/2026/09/16/iceland-based-treble-raises-18-million-for-its-voice-simulation-platform/
6. 【前週の補足】Google「Gemini 3.8 Flash TTS」が一般提供に（9月22〜23日）
何が起きたか：Googleの次世代音声合成Gemini 3.8 Flash TTS／Flash-Lite TTSが、Gemini APIで一般提供（GA）になりました。Hume AIのVoice Design Benchmarkで総合1位（71.4）とされています。Google Cloudでは、ボイスデザインやボイス複製の機能もプレビュー提供中です。
例えると：「落ち着いた中年男性で、少し笑いながら」と文章で注文すると、その通りの声を作ってくれるオーダーメイドの声工房。
なぜ重要か：プロンプトで声を設計する「ボイスデザイン」が、各社の主要な競争軸になりつつあります。
出典：Google公式ブログ（2026-09-23） https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-text-to-speech/ ／ Gemini APIリリースノート https://ai.google.dev/gemini-api/docs/changelog
今週のトレンド考察
- 大手による「聞く＋話す」のフルスタック化：Microsoft（Transcribe＋Voice）、Cartesia（Sonic-3.6＋Ink-2、8月）、Google（Gemini TTS）と、文字起こしと音声合成を一社でそろえる動きがはっきりしてきました。音声エージェントを作る開発者にとっては、ベンダーを1社にまとめやすくなります。
- 価格破壊：文字起こしが1時間0.54ドル、合成が100万文字15ドルといった水準が、大手から提示されています。今後は「精度」よりも「遅延」と「価格」が選定の決め手になりそうです（推測）。
- 全二重化とマルチモーダル化：NVIDIA Nemotron VoiceChatのような全二重の音声対話モデルに続き、Tavusが映像にまで広げました。「ターン制の会話」から「同時進行の会話」への移行が進んでいます。
- 資金は「エージェント」と「周辺インフラ」に：ElevenLabsの評価額上昇、Modulate（および9月中旬のTreble）の調達を見ると、投資テーマは会話エージェント本体と、それを支える解析・評価・安全性ツールです。
※音声クローン技術の普及に伴い、なりすまし対策や同意取得の重要性は今後も高まります。今週は大きな規制ニュースは確認できませんでした。
来週の注目点
- MAI-Transcribe-2-Streamingの第三者による日本語精度評価が出てくるか。
- Tavus Griffin（完全版）の公開時期。
- ElevenLabsの新モデルや製品の発表（大型の資金調達後は、製品発表が続く傾向があるため。推測）。
- OpenAI GPT-Live系やGoogle Gemini Liveなど、リアルタイム音声対話APIの価格改定や新機能。
本記事の数値の多くは各社の発表に基づきます。第三者による検証が済んでいないものはその旨を記載しています。