新モデルおよびマルチモーダルツールのリリース

ベンダーは新しいマルチモーダル、音声、ブラウザ、3Dモデルおよびツールをリリースしました。
Key insights
xAIがリアルタイム音声エージェント用のGrok Voice Agent APIを発表
xAIは、双方向リアルタイム音声入出力、自動言語検出と切り替え、外部ツール呼び出し、リアルタイム検索と推論、感情制御された音声パラメータ、および複数の音声オプションを提供するGrok Voice Agent APIを1分あたり0.05ドルで発表しました。このAPIはOpenAIのリアルタイム仕様と互換性があり、音声ベンチマークにおいて競争力を持つとされています。
BU-30Bオープンモデルがブラウザ操作に最適化
BU-30B-A3B-Previewは、Qwen3-VL-30B-A3B-Instructに基づいたブラウザ制御およびDOM理解に特化したオープンモデルです。32kトークンをサポートし、効率のために約3Bのアクティブパラメータで実行され、単一GPU展開での正確なウェブ自動化、クリック、抽出を可能にすることを目指しています。
新しいマルチモーダルおよび3Dツールがコンテンツ生成を拡大
複数のベンダーが視覚および3Dタスク向けのモデルをリリースしました。ナノバナナプロ(Gemini画像チェックポイント)は、より優れた知識の視覚化が評価されています。EgoXは第三者のビデオを第一者の視点に再構築します。Microsoft TRELLIS.2はPBRワークフローを使用してフォトリアリスティックな3Dを生成します。Seedance 1.5 Proは生成されたビデオの音声と映像のリップシンクおよび対話の整合性を改善します。
Mistral OCR 3とClaudeブラウザプラグインが企業ワークフローをターゲット
Mistral OCR 3は、フォーム、テーブル、手書き文書を含む高精度の文書解析を提供し、Markdown/構造化JSONを出力します。価格は1,000ページあたり2ドルで、バッチ割引があります。AnthropicのClaude Chromeプラグインは有料ユーザー向けに展開され、サイドバータスク、マルチタブワークフロー、Claude Code統合を可能にし、ブラウザ内でのコードテストやコンソール読み取りをサポートします。