OpenAIが「GPT-Live」発表 — 同時に聞いて話す音声AIの新世代

OpenAIは7月8日、新しい音声モデル「GPT-Live」を発表した。最大の特徴は、フルデュプレックス（全二重）アーキテクチャにより、話しながら聞くことができる点だ。従来の音声アシスタントが「話す→聞く」を順番に行っていたのに対し、GPT-Liveは人間の会話のように同時に処理を行う。これにより、相槌や割り込み、リアルタイム翻訳が自然に行えるようになる。

複雑な質問については、バックグラウンドでGPT-5.5に処理を委譲する仕組みを採用しており、応答品質が大幅に向上しているという。GPT-Live-1は現在ChatGPTの有料ユーザーが利用可能で、無料ユーザーにはミニ版が提供される。APIアクセスは近日中に提供される予定だ。

この技術は、音声ベースのAIインターフェースが「コマンド入力」から「自然な対話」へと移行する転換点と言える。リアルタイム通訳やカスタマーサポート、ハンズフリー利用シーンでの実用性が一気に高まりそうだ。

xAI×Cursor共同開発「Grok 4.5」— 圧倒的低コストでGPT-5.5に対抗

Elon Musk率いるxAI（SpaceXAI）は、AIコーディングスタートアップのCursorと共同で「Grok 4.5」を発表した。同モデルは、NVIDIA GB300 GPUを数万基使用して訓練されており、コーディング・法律・金融タスクに特化している。

The Decoderの報道によると、Grok 4.5はコーディングベンチマークでFable 5やGPT-5.5に及ばないものの、Opus 4.8の4.2分の1のトークン数で済み、入力100万トークンあたり2ドルという低価格を実現している。競合モデルの数分の一のコストで運用できるため、実務利用ではベンチマークの差をコスト面で補って余りある状況だ。

Bloombergの報道によれば、これはSpaceXAIがCursorを600億ドル規模で買収合意して以来、初の共同開発モデルとなる。EUでの提供は7月中旬を予定している。フロンティアモデル市場において、「最高性能」ではなく「最適なコストパフォーマンス」が差別化要因になる潮流が明確になってきている。

Google PhotosがAI「Video Remix」ツール追加 — 動画編集のハードルを下げる

GoogleはGoogle Photosに新しいAI動画編集機能「Video Remix」を追加した。TechCrunchの報道によると、同機能は暗い映像にシネマティックなライティングを適用したり、背景を別のものに差し替えたり、アーティスティックなスタイルを動画に適用したりすることができる。

写真編集ですでにAI機能を提供してきたGoogleにとって、動画領域への拡張は自然なステップだ。一般ユーザーが専門ソフトなしで本格的な動画編集を行える環境が整いつつある。

ゲームデータがAGIの鍵？ — Bezos出資のGeneral Intuitionが描く構想

スタートアップのGeneral Intuitionは、「ゲームデータがAGI（汎用人工知能）実現の鍵になる」という賭けに出ている。TechCrunchの報道によると、同社の主張はこうだ。ChatGPTやClaudeのような大規模言語モデルはテキスト処理に優れるが、物体が空間内をどう移動するかという物理的理解が不得意である。このギャップを埋めるのがゲームデータだという。

Jeff Bezosが出資する同社の仮説は、ゲーム内で生成される膨大な空間データが、現実世界の物理法則の理解に寄与するというものだ。LLMの「言葉はわかるが、空間がわからない」という弱点を補完するアプローチとして、注目に値する。

MicrosoftがAIエージェント向け可視化言語「Flint」をオープンソース公開

Microsoftは、AIエージェントがデータ可視化を生成するための中間言語「Flint」をオープンソースで公開した。Hacker Newsで35ポイントを獲得し、注目を集めている。

AIエージェントにチャートを生成させる際、従来の可視化言語はAIにとって低レベルすぎるという課題があった。シンプルな仕様は信頼性が高いがチャートの品質が低く、複雑な仕様は良いチャートを作れるがエージェントが扱いきれないというジレンマだ。

Flintは、セマンティック型ベースのシンプルな仕様から、レイアウト最適化エンジンを通じて見栄えの良いチャートを自動生成する。MCPサーバーも提供されており、お気に入りのエージェントアプリに直接組み込める。「AIに最後の一マイルの可視化を任せる」という設計思想は、エージェント実運用における実用的なアプローチと言える。