AIは、話しながら
仕事を進める。

従来型の一例は「音声を文字にする→文章として考える→音声に戻す」という分業です。今回のモデルは音声そのものを入出力として扱います。[6] ただし、ネイティブ音声であることと、外部システムの処理が並行して走ることは別の設計要素です。

たとえば音声モデルが即座に「確認します」と言っても、予約システムが遅ければ確定結果は遅れます。モデル内部の改善だけで、ネットワーク遅延、DBのロック、ツールの権限不足まで解消するわけではありません。ここはシステム全体で測定する必要があります。〈技術的な読み解き〉

SDKごとのイベント構造は異なるため、次は実装方針を示す擬似コードです。モデルのメッセージ内に複数の要素が含まれる前提で処理します。

while session_is_open:
    event = await receive_next_event()

    process_audio_frames(event)
    process_transcripts(event)
    dispatch_tool_calls_without_blocking_receiver(event)
    handle_interruption_and_tool_cancellation(event)

    if event.turnComplete:
        mark_current_utterance_finished()
        # ETではここで break / close しない

    if event.interaction_status == "IN_PROGRESS":
        show_model_processing()
    elif event.interaction_status == "IDLE":
        show_model_idle()
        # 外部システムの COMMITTED とは別

    update_business_ui_from_server_owned_transaction_state()

JSONとSDKではcamelCase / snake_caseの表記が異なることがあります。受信側のturnCompleteと、送信側のturn_complete=trueも区別します。後者はETの進行中の生成を中断し得る設定です。[4][5]

ツール呼び出しを受けた処理が、同じ受信ループを長時間ふさぐのも避けます。外部処理は別タスクへ渡し、結果を呼び出しIDに対応づけて戻す、という責務分離が必要です。〈設計提案〉

試験が違うからです。τ-Voiceは航空・小売・通信の模擬カスタマーサポートで、処理後のデータベース状態が正解と一致したかを見ます。Arenaのタスク成功率は、対象会話で正しい最終ツール呼び出しが行われたかを見る指標です。[7]

例えるなら「複数の規則を守って予約を変更し切れたか」と「対象の会話で最後に正しい操作を選べたか」は、似ていても同じ試験ではありません。どちらも本番の問い合わせ全体にそのまま掛けられる成功率ではない、という点が実務では重要です。〈解釈〉

Indexは①Big Bench Audio、②τ-Voice、③変換後のArena評価、④タスク成功率の等重み平均です。会話の割り込みなどを測るFull Duplex Benchの指標は、別軸で掲載されています。[7]

Index用のEloは公開対象となった時点で固定されるため、表に見える現在のEloを式に入れても、公表Indexを厳密には再現できません。またτ-Voiceは通常3試行の平均ですが、Astra / Solは1試行、Realtime-2.1 Highは2試行という注記があります。[7]

したがって「同じ評価機関が測った」ことと「試験条件・誤差まで完全に同じ」ことは別です。GoogleがAAの数値を紹介していることも、GoogleとAAが独立に同じ実験を2回再現した証拠ではありません。〈解釈〉

GoogleはETのBig Bench Audioを97.7%、Sierraのτ-Voice-bankingを35.1%と紹介しています。[1] Big Bench Audioは、音声で与えた論理・数え上げなどの問題への回答を評価する試験です。[7]

これは「日本語が97.7%正しく聞き取れる」「銀行業務全般の成功率が35.1%」という意味ではありません。ベンチマークのタスク定義、入力、正解基準を外して数字だけを転用しないことが大切です。〈解釈〉

9月17日のArenaでは、旧3.1 Flash Live Minimalが1096 ±27（841サンプル）、標準3.8 Liveが1083 ±30（482サンプル）です。±の範囲は掲載された95%信頼区間で、順位範囲も前者は1〜2位、後者は1〜4位と示されています。[25]

点推定の差は13 Eloですが、掲載区間は重なっています。したがって本稿では「旧モデルの点推定が上」と読み、旧モデルの声が明確に優れている、あるいは新モデルが劣化したとは断定しません。区間の重なりだけで同等性を証明できるわけでもありません。会話全体の好みを測る評価であり、声質だけの試験でもない点に注意します。〈統計的な読み解き〉

実務では、同じ日本語シナリオで声を伏せて比較し、好みと業務完遂率を別々に記録します。最初の声が好まれても、実行結果まで正しいとは限りません。〈評価提案〉

AAは同じ40問のBig Bench Audio部分集合で費用を比較しています。これは「同じ課題を解く効率」の参考になりますが、受付業務の発話量やツール呼び出し回数を代表するものではありません。[7]

同じ掲載単価のETが、この試験では標準の約4.17倍の費用です。違いは単価だけでなく、処理の長さや出力・推論の使用量にも表れます。逆に、旧モデルの$1.75と比べて安いからといって、公式の音声トークン単価そのものが半減したとは言えません。[7][8]

本番の選定指標は「1分あたり」だけでなく、「正しく1件を終えるまでの総費用」にします。安いモデルでも、失敗後の再試行や人への転送が増えれば全体費用は上がります。〈実務への提案〉

標準版との違い：標準LiveはNON_BLOCKINGが既定ですが、互換性のためBLOCKINGも利用できます。Function schedulingも対応します。ETの「非同期のみ・scheduling不可」を標準版へ広げて解釈しないでください。[3][4]

共通ガイドとモデル別ページの記述に差がある場合、この版では9月15日更新の個別モデル仕様を優先しました。会話中に関数へ引数を渡せることと、通常のStructured outputs機能が使えることも別です。

ブラウザに長期のAPIキーを置かない

Live APIにはクライアント接続用の短命トークンがあります。[11] 自社の認証済みバックエンドで発行し、モデル接続の認証と、予約を変更する業務権限の認証は分離します。トークンを持っていることだけで、他人の予約へアクセスできない構成にします。〈設計提案〉

ログは「声」だけでは足りない

発話開始・終了、処理状態、ツール呼び出しID、承認された変更案、実行結果、再試行、利用量を関連づけます。全文の音声・文字起こしを無条件に保存せず、必要性と保管範囲を先に決めます。〈設計提案〉

接続が落ちた後も、業務は続いているかもしれない

Live APIのセッション再開機構だけで、外部DBの重複処理や確定済み予約の整合性まで守れるわけではありません。[10] 復帰時は処理IDで結果を照会し、不明な状態を成功と表示しないようにします。〈設計提案〉

音声入力の内容を、権限に昇格させない

利用者の発話、画面に映った文章、検索結果、ツールの返答は、操作権限の根拠ではありません。指示らしい文字列が紛れ込んでも、許可されたツール・対象・操作だけが通るよう、サーバー側で検査します。〈設計提案〉

表示数、いいね数、声への個人の感想は、時刻や観測範囲で変わります。本稿では再現できない投稿カウントを主要指標に採用せず、公式資料・評価機関の定義・モデル別仕様へ戻って確認しました。

「英語圏は単価、日本語圏は声や承認に注目」という見立ては、仮説にはなっても、比較調査なしに地域差の結論にはできません。自然な声を好むこと、仕事を正しく終えてほしいこと、勝手に実行してほしくないことは、併存する評価軸です。〈編集上の判断〉

モデルがGAであることと、自社の業務に適合することは別です。まずは実データを含まない試験から始め、利用契約、入力データの扱い、保持、リージョン、アクセス権、既存の社内基準に照らして適用範囲を決めます。

たとえば診療・投資などの判断と、予約照会・面談資料の下書きではリスクが異なります。この資料はモデルとシステム設計の解説であり、特定サービスの法令適合や医療・投資判断を保証するものではありません。

Siri AI：英語ベータと、言語・地域別の展開

Appleは9月14日のソフトウェア更新とともに英語ベータを案内し、日本語などは10月予定としています。[21] EUの遅れはiOS / iPadOSなどの対象を特定して読む必要があり、「EUではすべて使えない」と一括りにはしません。[22]

Glass Imaging：報道と公式確認を分ける

WSJは9月14日18:31 UTC（日本時間9月15日03:31）、OpenAIによるGlass Imagingの買収を3億ドル超の評価額で報じました。[23] 今回の調査ではOpenAI公式発表を確認できていません。買収の報道を、特定の新端末や搭載時期が確定した話へ広げません。