API– tag –

Rimeが発表した音声AI「Prism」は、音声から判断しながら、発話前の回答をテキストで検査できる設計を採る。外部ツールとの連携、予約変更で必要な確認、日本語の電話対応に導入する際の評価ポイントを解説する。

Liquid AIのd1-ultraは、文章や画像から選択肢と確率を返す判定モデルです。回答文を生成しない仕組み、APIの入力形式、確率の校正、質問ごとの課金を整理し、日本語業務で導入前に測るべき点を解説します。

Postmanが公開したAgent Modeの設計では、170超のツールから依頼に関係する約15個を選択。ツールを絞る仕組みと、画面用データをAI向けに組み直す理由を解説し、日本の開発現場で確認したい評価項目を整理します。

Claude Sonnet 5.5はトークン単価を据え置いたまま、ツール呼び出しをまとめて1タスクあたり最大3割安くしました。一方で、thinking無効化や強制ツール指定が400エラーになるなど、移行前に確認すべき破壊的変更が5つあります。

Sarvam AIのSaaras V4は、インド22言語と英語を1モデルで扱う音声認識モデル。3Bハイブリッド状態空間デコーダに整形・ローマ字化・英訳まで畳み込み、出力モードをプロンプト引数にした設計を解説。言語判定誤り率や価格、API限定という制約も整理する。

Googleが9月23日に公開したGemini 3.8 Flash TTS／Flash-Lite TTS。30秒の音声と本人の同意録音で声を複製でき、台本には行単位で演技指示を書ける。EU・英国などで複製機能が外される一方、日本は除外地域に入っていない点が実装上の分かれ目になる。

OpenAIが9月22日に公開したGPT-6 Sol・Lunaは、トークン単価をGPT-5.6世代の半額にした。ただし請求額を動かす本体は、推論努力やツールを変えてもキャッシュが壊れない新仕様。1タスクの出力量は増えている。Gemini 3.8のTTS刷新、豪政府ポータルへのエージェント不正アクセスも整理する。

アリババが9月18日に公開したQwen3.8-Omni-Flashは、動画を丸ごと読ませず必要な場面だけを取りに行く「エージェント型知覚」でトークンを45.7%削りながら精度を上げた。音声入力単価98%減の中身と、日本の開発現場で効く条件を整理する。

DeepSeekが9月10日に公開したV4.1-Flashは、40層を「前半20層の因果エンコーダ＋後半20層のデコーダ」に分け、KVキャッシュを1トークン約890バイトまで圧縮した。長時間走るAIエージェントのコスト構造が、モデルの賢さではなくメモリ設計で決まりはじめている。

OpenAIの「Ultrafast」はGPT-5.6 Solを標準処理の最大14倍、毎秒最大750出力トークンで提供します。リアルタイムAIの用途、実装上の注意点、今後確認すべき料金・提供条件を整理します。