生成AIAI_News

Qwenが音声・動画エージェントを拡張、Grok音声認識とA2A連携も前進

2026年9月18日のAIニュースまとめ 生成AI
この記事は約5分で読めます。

対象日:2026年9月18日(日本時間)

2026年9月18日は、AIが扱う情報の種類と、エージェント同士が協働する範囲が広がった一日でした。Qwenはテキスト、画像、音声、動画をまとめて扱い、内容の理解だけでなくツールを使った作業完了までを目指すモデルを発表。SpaceXAIは、会議や通話など実環境の音声認識を改善した新モデルを公開しました。

開発基盤では、Microsoft Foundryがエージェント間通信の標準規格A2Aに正式対応しました。一方、Anthropicは、開発中のモデルを社内に近い立場から検証する「埋め込み型評価」をAccentureと始めます。高性能化と同時に、連携先の認証、モデル評価の独立性、人による確認を設計へ組み込むことが重要になっています。

1. Qwen、音声・動画から作業を進めるQwen3.8-Omni-Flashを発表

AlibabaのQwenチームは、テキスト、画像、音声、動画を入力できるQwen3.8-Omni-Flashを発表しました。100万トークンの文脈、ツール呼び出し、Web検索、最大8チャンネルの音声入力に対応し、出力はテキストです。29評価の平均が前世代比25%超向上し、音声入力コストは98%超下がったと同社は報告しています。数値は公開直後の自社評価です。

2. SpaceXAI、Grok Voice Transcribe 2.0を公開

SpaceXAIは、音声文字起こしモデルGrok Voice Transcribe 2.0を公開しました。バッチ処理とストリーミング、話者分離、単語単位の時刻、最大100個の重要語指定などに対応します。料金は録音済み音声が1時間0.10ドル、ストリーミングが0.20ドルです。短い19言語の音声では誤り率が20.6%から6.8%へ低下したと同社は報告しています。

3. Microsoft Foundry、A2A v1.0でエージェント間連携に正式対応

Microsoftは、Foundryのエージェントを外部から呼び出すA2A Endpointと、別のA2A対応エージェントを呼ぶA2A Toolについて、A2Aプロトコルv1.0対応を一般提供しました。エージェントカードで機能を公開し、Microsoft Entra IDで呼び出し元を認証できます。現時点の受信側はテキストのみで、ストリーミング応答には未対応です。

4. AnthropicとAccenture、開発現場に入る独立評価を開始へ

Anthropicは、AccentureのAI専門部門Facultyと、開発中のフロンティアAIを社内に近い権限で継続評価する提携を発表しました。モデル評価、レッドチーム、整合性評価、安全策の検証を行い、両社は5年間でそれぞれ10億ドル以上の能力整備を見込みます。運用基準や報告方法は未確定で、当面はAnthropicが評価費用を負担します。

今日のまとめ

今回のニュースは、「多くの情報を理解するAI」から「複数のツールや他のエージェントと連携して仕事を進めるAI」への変化を示しています。Qwen3.8-Omni-Flashは音声・動画を含む作業を一つの文脈で扱い、Microsoft Foundryは専門の異なるエージェントを標準規格でつなげられるようにしました。音声入力では、Grok Voice Transcribe 2.0が実環境を想定した認識精度と低価格を打ち出しています。

ポイントは、機能が増えるほど、確認すべき範囲も広がることです。モデルの自社評価は利用環境で再確認し、エージェント間の通信では認証と権限を明確にします。Anthropicの埋め込み型評価も、外部の視点を開発現場へ入れる試みですが、資金提供や報告基準を含む独立性の設計はこれからです。最終判断を人が担い、途中経過と実行結果を検証できる形で導入することが大切です。

なお、SpaceXAIの公式ニュースは9月18日付ですが、開発者向けリリースノートには9月17日からモデルを利用できると記載されています。また、Qwenの発表ページは9月18日付で、Alibaba Cloudの一部地域向け新モデル一覧には9月17日付の提供記録があります。優先調査先のOpenAI、Google、Meta、NVIDIA、Hugging Face、Mistralでは、9月18日付と確認できる重複のない主要発表を追加で確認できなかったため、件数を増やしていません。

参照元一覧

タイトルとURLをコピーしました