AI Trackerマルチモーダルのニュースを、
開発者向けに。
各 AI プロバイダーのマルチモーダルに関する最新ニュース。リリース、価格改定、提供終了を、あなたへの影響とともに要約します。
Artificial Analysis：Qwen-Audio-3.1-TTS-Plusは米国英語の音声合成で首位、英国英語と総合ではHeyGen Voiceが首位
Artificial Analysisによると、同社のControlled Voice Arenaでは、すべてのテキスト読み上げモデルを同じ8種類のクローン音声（米国英語4種類、英国英語4種類）で評価しています。Qwen-Audio-3.1-TTS-Plusは米国英語ランキングで首位となり、英国英語ではHeyGen Voiceの成績がより高く、総合ランキングでも首位です。OpenAI、日常的なウェットラボ科学タスクのベンチマーク「BioBasicsBench」を発表
OpenAIは、酵素設計に注力するバイオテクノロジー企業Ligoと共同で作成した、日常的なウェットラボ作業100件のベンチマーク「BioBasicsBench」を発表しました。タスクでは、タンパク質手法、イメージングとサイトメトリー、定量とアッセイ、核酸手法、分子クローニングにわたる、未加工の実験データ（ゲル画像、コロニープレート、顕微鏡画像、シーケンスファイル、機器の出力データ、実験台での作業を撮影した動画）を使用します。科学者が自身の実験に基づいてタスクを作成し、専門家が作成した部分点付きの採点基準で回答を評価します。Cursor、エージェントとのリアルタイム音声通話に対応
Cursorによると、エージェントとリアルタイムの音声通話で話せるようになりました。変更内容を声で伝えたり、エージェントの作業状況を尋ねたり、作業の進行に合わせて更新情報を聞いたりできます。音声チャットはAgents Window、IDE、Web、Cursor for iOSで利用できます。Artificial Analysis、ライフサイエンス分野の視覚推論を評価するVIALS-AAを公開 Gemini 4 Carbonが64%で首位
Artificial Analysisは、Handshake AIのVIALSベンチマークを対象とするリーダーボード「VIALS-AA」を公開しました。VIALSには8領域にわたる161のタスクがあり、モデルは科学的な資料（ゲルブロット、フローサイトメトリーのプロット、プラスミドマップ、系統樹など）を読み取り、具体的な結論を導く必要があります。
OpenAI brings GPT-Image-2.6 Flare and Sunburst to the API and Codex
OpenAI released Images 2.6 on November 4 in ChatGPT, Codex and the API, available globally in ChatGPT and Codex on all subscription tiers. In the API it comes as two models, GPT-Image-2.6 Flare and Sunburst. OpenAI says both generate images 50% faster than before. Flare, at low quality, can produce an image in as little as six seconds and improves layout for posters and product imagery. At medium or high quality, Sunburst gives higher-quality images and keeps details more consistent from one edit to the next. ChatGPT Images 2.6 adds GIF output and reference images. OpenAI says people now create 4 billion images per week across ChatGPT, Codex and the API.World Labs、世界モデル「Atlas」のリアルタイムデモ「Frameboy」を公開
World Labsは、生成された世界をリアルタイムに探索できるデモ「Frameboy」を公開しました。2か月前に同社が発表した、カメラ制御機能を備える自己回帰型の世界モデル「Atlas」を高度に最適化したバージョンで動作し、クラウドGPUから最大15フレーム/秒で映像を配信します。World Labsは、Atlasのカメラ制御はピクセル単位で正確だと説明しています。これは同社の主張です。Artificial Analysis、オープンウェイトのテキスト画像生成モデルでFLUX 3 Image Kleinを2位にランク付け
Artificial Analysisによると、Black Forest Labsが10月15日にリリースした56億パラメーターのオープンウェイト画像モデルFLUX 3 Image Kleinは、同社のAA-Image-T2I v2.1ランキングでオープンウェイトモデル中2位となり、1位のQwen-Image-2.1と僅差で並んでいる。AA-Image-Editing v2.1では、オープンウェイトモデル中3位にランクインした。これらはArtificial Analysis独自のランキング。Gemini Omni 1.2 FlashがVercelのAI Gatewayで利用可能に
Vercelによると、Google DeepMindの動画モデルGemini Omni 1.2 Flashが、モデルID google/gemini-omni-1.2-flash でAI Gateway上で利用可能になりました。Vercelの案内では、ネイティブ音声付きの3～15秒の動画、最大6枚の参照画像を使った編集、合計30秒までの延長、横向きまたは縦向きで360p～4Kの解像度に対応しています。Arena、Gemini Omni 1.2 Flashをテキストから動画生成と画像から動画生成で1位にランク付け
Arenaによると、GoogleのGemini Omni 1.2 Flashは、Text-to-VideoとImage-to-Videoの両リーダーボードで初登場1位、Video Editで3位となりました。Gemini Omni 1.2 FlashがOpenRouterで利用可能に
OpenRouterによると、Googleの動画モデルGemini Omni 1.2 Flashが同プラットフォームで利用可能になりました。15秒のクリップ、360pから4Kまでの解像度、ネイティブ音声に対応し、1秒あたりの料金はOmni 1.1より約30%安いとしています。OpenRouterは、Googleに直接アクセスする場合と同じ料金で、1つのAPIで動画とチャットの両方を利用できると説明しています。Ant Ling、560BのマルチモーダルモデルLing-3.2-flashを発表。3つのベンチマークでOpus 5を上回ると主張
Ant LingはLing-3.2-flashを発表し、総パラメータ数560B、アクティブパラメータ数25Bのネイティブ・マルチモーダルモデルと説明しています。同社によると、複雑な視覚理解、長期にわたるマルチモーダルエージェント、3Dの理解と操作、医療分野の知能に優れています。Gemini Omni 1.2 Flashは未発表だが、複数のアカウントとOpenRouterのカタログに掲載
Googleは、Omni 1.1 Flashの後継となる動画生成モデル、Gemini Omni 1.2 Flashを発表していません。OpenRouterのモデルカタログにも11月5日、コンテキスト長131,072トークンと記載されたgoogle/gemini-omni-1.2-flashの項目が追加されました。複数のアカウントがこのモデルを確認したと報告しています。Google、15秒動画に対応し価格を30％引き下げたGemini Omni 1.2 Flashを発表
Googleによると、Gemini Omni 1.2 FlashはGemini APIとGoogle Cloudで一般提供を開始し、Gemini Omniが一般提供されるのは今回が初めてです。最大15秒の動画をネイティブに生成・編集でき（Omni 1.1の10秒から延長）、長さは3秒から15秒まで1秒単位で設定できます。
OpenAI's GPT-Live outbound telephony API is generally available
Justin Uberti, an OpenAI engineer, said on X on November 4 that the GPT-Live outbound telephony API has been promoted to general availability. Developers can now have a GPT-Live voice agent place phone calls through any SIP trunk provider, such as Telnyx or Twilio.OpenRouterのカタログで、OpenAI: GPT-5 Image Miniの提供終了日が12月1日と記載
OpenRouterのモデルカタログに、「OpenAI: GPT-5 Image Mini」（openai/gpt-5-image-mini）の提供終了日として2026年12月1日が表示されるようになった。同モデルは2025年10月16日から掲載されており、コンテキスト長は400,000トークン。以前、この項目に提供終了日の記載はなかった。これはカタログ上の項目にすぎず、その日付以降にモデルがどうなるのか、またその理由については記載されていない。xAI、「grok-imagine-image-quality」と「grok-imagine-image-pro」の提供を終了し、より安価なモデルで代替
xAIのAPIリリースノートによると、grok-imagine-image-qualityとgrok-imagine-image-proへのリクエストは、現在はgrok-imagine-image-2.0-lowで処理されます。これはqualityをlowに設定したgrok-imagine-image-2.0で、画像1枚あたりの料金がより安くなっています。xAIによれば、リクエストの変更は不要です。OpenRouter、100万トークンのコンテキストを備えた無料の非公開モデル「Crouton Alpha」を追加
OpenRouterは、新たな非公開モデル「Crouton Alpha」を発表しました。同社はこれを「エージェントが一日中繰り返す作業を拡張するために構築された、高効率な推論モデル」と説明しています。開発元は明らかにされていません。ai-cliであらゆるコーディングエージェントに画像・動画・音声生成機能を提供
VercelのChris Tateが、エージェントがあらゆるモデルで画像・動画・音声を生成できるコマンドラインツール「ai-cli」（npm i -g ai-cli）を発表しました。投稿では、Claude Code、Codex、OpenCode、Vercelのfxハーネスでの動作例と、Opus、Flux、GPT、Gemini、DeepSeek、GLM、Grokなどのモデルが紹介されています。OpenAI、GPT-6 Astraが機器の筐体と回路基板を設計できると発表、エンジニアリング分野のパートナーを募集
OpenAIは、モデルが機械・電気エンジニアリングをどのように支援するかを説明している。CADモデル、製造図面、シミュレーション、PCB設計などが含まれる。これらはOpenAI自身による主張だ。Perplexity、9Bと0.6Bのオープンウェイト視覚言語埋め込みモデル「pplx-embed-v2-context」を公開
Perplexityは、2つのオープンウェイト視覚言語埋め込みモデル（9Bと0.6B）「pplx-embed-v2-context」をHugging Faceで公開した。論文はturbopufferと共同で執筆した。どちらも文書ごとに1つのint8ベクトルを返すか、文書全体を参照できるチャンクごとに1つのベクトルを返す。また、チャンク分割せず文書ごとに1つの埋め込みを生成する、非コンテキストモードでも動作する。