ElevenLabs
ElevenLabs
日本語を含む音声合成、文字起こし、音声エージェントを提供するサービス。Creativeの画面では画像と動画も生成できます。
画像生成動画生成音声エージェント
- 日本での利用
- 利用可能
- 日本語入力
- 対応
- 出力
- 対応
- 日本語 UI
- 一部対応
- 無料プラン
- 無料プランあり
- 最終確認
#音声
AIFIND · アイファインド
いま使えるAIが、見つかる。
AIを知る、比べる、使いこなす。公式資料で確認した情報と出典から、目的に合うAIを探せます。
AIニュースを読む →最近確認されたAI
AIを探す →Dify
Dify
モデル、資料検索とツールを組み合わせ、AIアプリやAgentのワークフローを作るプラットフォーム。WebアプリまたはAPIとして公開でき、生成機能は接続するモデルに依存します。
エージェントAPI
- 日本での利用
- 利用可能
- 日本語入力
- 一部対応
- 出力
- 一部対応
- 日本語 UI
- 対応
- 無料プラン
- 無料プランあり
- 最終確認
Notion
Notion AI
Notionの文章、会議メモや接続した資料を基に、検索、調査、文書作成と作業を進めるAI。継続利用はBusinessまたはEnterprise、FreeとPlusはAIの試用です。
文章作成画像生成音声検索
- 日本での利用
- 利用可能
- 日本語入力
- 対応
- 出力
- 対応
- 日本語 UI
- 対応
- 無料プラン
- 無料トライアルのみ
- 最終確認
Runway
Runway
テキストや画像を基に動画を生成・編集する制作ツール。画像、音楽や音声の生成と、制作を組み立てるAgentにも対応します。
画像生成画像理解動画生成音声
- 日本での利用
- 利用可能
- 日本語入力
- 一部対応
- 出力
- 一部対応
- 日本語 UI
- 非対応
- 無料プラン
- 無料プランあり
- 最終確認
GitHub
GitHub Copilot
GitHubや対応する開発環境で、コードの説明、提案、変更作業を支援するAI。Web、モバイル、デスクトップアプリとSDKの利用条件を公式資料で確認できます。
画像理解コーディング検索エージェント
- 日本での利用
- 利用可能
- 日本語入力
- 一部対応
- 出力
- 一部対応
- 日本語 UI
- 一部対応
- 無料プラン
- 無料プランあり
- 最終確認
Cursor
Cursor
コードベースを読み、コードの作成、編集とレビューを支援するAI開発ツール。Agentによる作業と画像生成に対応し、提案した差分を利用者が確認します。
画像生成画像理解コーディング検索
- 日本での利用
- 利用可能
- 日本語入力
- 一部対応
- 出力
- 一部対応
- 日本語 UI
- 一部対応
- 無料プラン
- 無料プランあり
- 最終確認
AIを比べる →
開発支援に Cursor と GitHub Copilot をどう選ぶ？
公式資料で確認できる条件を整理しました。実測結果や性能順位は掲載していません。
Cursor / GitHub Copilot
公式情報の整理（実測していません）
参照版の公開日： /
公開：
文章の下書きに ChatGPT と Claude をどう選ぶ？
公式資料で確認できる条件を整理しました。実測結果や性能順位は掲載していません。
ChatGPT / Claude
公式情報の整理（実測していません）
参照版の公開日： /
公開：
用途から探す →
画像・動画・音声制作のAI候補
公式資料で確認できる条件を整理しました。実測結果や性能順位は掲載していません。
Adobe Firefly / Runway / ElevenLabs
公開：
資料の調査と整理に使うAI候補
公式資料で確認できる条件を整理しました。実測結果や性能順位は掲載していません。
ChatGPT / Gemini / Gemini Notebook
公開：
使い方 →
Cursor で最初のコード変更をレビューする手順
公式資料で確認できる条件を整理しました。実測結果や性能順位は掲載していません。
Cursor
公式情報の整理（実測していません）
参照版の公開日：
公開：
Gemini Notebook で資料を整理する前の確認手順
公式資料で確認できる条件を整理しました。実測結果や性能順位は掲載していません。
Gemini Notebook
公式情報の整理（実測していません）
参照版の公開日：
公開：
Hugging Face BlogおすすめAIスコア7373 Hugging Face、オープンソース・多言語対応の音声合成モデルを評価するOpen TTS Leaderboardを公開
Hugging Faceは、オープンソースの多言語テキスト音声合成（TTS）モデルを評価するOpen TTS Leaderboardを公開しました。WER・CERによる明瞭度、H200 GPUやCPUでの生成速度、話者類似度を測定し、モデル評価にかかる時間を数週間から数時間に短縮します。人間の嗜好評価に代わるものではなく、自然さや表現力、聴き手の好みを直接測る指標ではないと説明しています。
推荐理由：評価が数週間から数時間に短縮される仕組みと、WERや速度などの指標を確認でき、人間の嗜好評価を補完する方法が分かります。
Google DeepMindおすすめAIスコア7878 Google DeepMind、Gemini 3.8 Live with Live AvatarをGemini Enterpriseで提供開始
Google DeepMindは、対話中に音声と映像で応答するGemini 3.8 Live with Live AvatarをGemini Enterpriseで提供開始しました。非同期のツール呼び出しで会話を続けながらデータを取得でき、リップシンクと表情を調整しながら97言語に対応します。カスタムアバターの作成は、現在エンタープライズの許可リスト登録を通じてのみ利用できます。
推荐理由：音声と映像を組み合わせた対話に加え、会話を続けながらバックグラウンドでツールを実行する仕組みや、97言語への対応を説明しています。
Google DeepMindおすすめAIスコア8585 Google DeepMind、Gemini 3.8 Flash TTSとGemini 3.8 Flash-Lite TTSを発表
Google DeepMindは、音声生成モデル「Gemini 3.8 Flash TTS」と「Gemini 3.8 Flash-Lite TTS」を発表しました。
推荐理由：音声の生成・複製機能と同意確認やSynthIDによる保護を併せて示し、表現力と安全対策の両面を把握できます。
Google DeepMindおすすめAIスコア8585 Google DeepMind、Gemini 3.8 LiveとGemini 3.8 Live Extended Thinkingを発表
Google DeepMindは、音声対話モデル「Gemini 3.8 Live」と「Gemini 3.8 Live Extended Thinking」を発表しました。
推荐理由：2モデルの用途の違いに加え、音声エージェントの評価結果と提供先が示され、用途に応じた選択肢を把握できます。
Hugging Face BlogおすすめAIスコア8282 Hugging FaceとVoice Arena、ヒンディー語とインド英語のASR評価セットを公開
Hugging FaceとVoice Arenaは、Open ASR Leaderboardにヒンディー語とインド英語の評価セット「Monsoon en-IN」「Monsoon hi-IN」を追加した。4つの公開・非公開分割は計4,888人の話者から収集され、各話者の属性を記録している。ヒンディー語では表記の異形を許容する lattice を採用し、OIWERで評価する。
推荐理由：話者属性や地域別に認識誤差を分析できる評価セットと、ヒンディー語の表記揺れを扱う採点方式を導入し、従来のWERでは見えにくい差を比較できます。
Google DeepMindおすすめAIスコア7878 Google DeepMind、音声文字起こしモデル「Gemini 3.5 Transcribe」を公開
Google DeepMindは、音声文字起こしモデル「Gemini 3.5 Transcribe」を発表しました。Gemini APIでは、低遅延のリアルタイム配信用と、話者識別・単語単位のタイムスタンプに対応する録音音声処理用の2種類を提供します。Artificial Analysisの測定では、単語誤り率はストリーミングで平均4.0%、非ストリーミングで2.6%でした。
推荐理由：音声認識から整形済みテキストへの変換に加え、ストリーミングと録音音声処理の両APIを用意し、用途に応じた組み込み方を示しています。
Hugging Face BlogおすすめAIスコア7272 音声認識モデルのベンチマーク最適化を測る3つのテストを研究チームが提案
研究チームは、音声認識モデルが公開ベンチマークに特化している度合いを測る3つのテストを用い、広く使われるオープンソースASRモデル11種を評価しました。
推荐理由：11種類のオープンソース音声認識モデルを3つのテストで調べ、公開ベンチマークのスコアが音声の忠実な書き起こしをどの程度反映しないかを具体例と数値で示しています。
Google DeepMindおすすめAIスコア8484 Google DeepMind、手話翻訳モデル「SL2T」を発表し、GboardとLive Transcribeに搭載
Google DeepMindは、手話をテキストに翻訳するモデル「SL2T」を発表し、Pixel 11のGboardとLive TranscribeでASLから英語への入力機能を提供します。
推荐理由：手話を中間注釈なしで翻訳する仕組みと、端末上で映像を破棄するプライバシー設計を併せて説明している。
Google DeepMindおすすめAIスコア6767 Google DeepMind、音楽生成モデルLyria 3.5をGoogle Flow Musicで提供開始
Google DeepMindは、音楽生成モデルLyria 3.5をGoogle Flow Musicで提供開始しました。メロディーの構成や歌詞の品質・プロンプトへの追従性、ボーカルの表現力と発音を改善し、生成する楽曲のテンポや長さも調整しやすくなっています。
推荐理由：メロディー、歌詞、ボーカルに加え、テンポや長さの調整も改善されており、生成時に制御できる要素を把握できます。
これ以上ありません