中国AI人物Xダイジェスト 2026-09-24
1. 音声認識・合成・リアルタイム対話を刷新した「Qwen-Audio-3.1」
発言者: Qwen
投稿日時: 9月23日 18:11(日本時間)
Qwenは、音声モデル群「Qwen-Audio-3.1」を発表しました。音声認識(ASR)、音声合成(TTS)、リアルタイム音声対話を更新するとともに、次の2モデルを追加しています。
TTS-Next: 音声だけでなく、効果音や環境音を含む音声コンテンツを一括生成
ASR-Next: 話者、発言時刻、感情、環境音などを含めて音声を理解
TTS-Nextはテキスト、タイムスタンプ、最大3本の参照音声から、複数話者の会話、ポッドキャスト、映画的な音響、環境音などを生成できます。1回当たり通常120秒、ポッドキャストでは最大240秒の出力に対応します。
リアルタイム版は、会話しながらツールを使う音声エージェントを想定しています。技術報告では、旧3.0版に比べてタスク成功率が78.4%から82.0%へ上昇。背景の会話へ誤反応する割合は73%から13%へ低下したと報告されています。いずれもQwen側の評価です。
なぜ重要か:
音声AIが「聞く・話す」だけでなく、周囲の音を理解し、ツールを操作し、効果音まで含むコンテンツを制作する統合型へ進んでいます。
特にリアルタイム版は、発話すべきか、ツールを実行すべきかを判断する設計で、スマートフォンや車載機器、常駐型AIエージェントの基盤になり得ます。
2. スマートフォン向けエージェント基盤「Qwen Intelligence」
発言者: Qwen
投稿日時: 9月23日 20:50(日本時間)
Alibabaは、スマートフォンメーカー向けのエージェント基盤「Qwen Intelligence」を発表しました。単体のスマートフォン製品ではなく、端末メーカーがシステムレベルのAIアシスタントを構築するためのモデル、実行基盤、評価環境をまとめた法人向けソリューションです。
最初に次の3種類のエージェントを提供します。
Mobile Planner Agent: 複雑な依頼を分解し、ツールや専門エージェントを編成
Mobile-Use Agent: APIを優先し、必要に応じて画面操作へ切り替えてアプリ横断タスクを実行
Mobile Creative Agent: 短い指示から画像などの完成コンテンツを生成
Alibabaの発表では、Mobile-Use Agentのエンドツーエンド成功率は90%。MobileWorldで82.1、実端末を使うMobileWorld-Realで92.2、AndroidDailyで97.2としています。
また、計画、アプリ操作、実端末、安全性を評価するベンチマーク群も公開しています。ただし、これらの性能値はAlibaba側の発表であり、独立した再検証が必要です。
なぜ重要か:
中国のスマートフォンAI競争が、チャットアプリの搭載から、OSや複数アプリを横断して仕事を完了する「システムレベルのエージェント」へ進んでいることを示します。
APIで安全かつ高速に操作し、APIが存在しない部分だけ画面操作で補う方式は、画面だけを操作するエージェントより実用性を高めやすい設計です。
3. Qwen-Image-2.1が画像生成・編集のオープンモデル首位に
発言者: Qwen
投稿日時: 9月23日 10:24(日本時間)
Qwenは、ユーザーの比較投票で順位を決めるArenaにおいて、「Qwen-Image-2.1」が画像生成と画像編集の両部門でオープンモデル首位になったと発表しました。
なぜ重要か:
Qwen-Imageは、中国語を含む文字描画や画像編集を強みとしてきました。生成と編集の両方で評価を得たことは、TencentのHy Image3.5などと競う中国製画像モデルの有力候補であることを示します。
ただし、Arenaの順位は利用者の比較投票に基づく相対評価です。プロンプトの種類や投票者層で順位が変動するため、絶対的な性能差を示すものではありません。
4. StepFunがコーディングCLIとLLM検査ツールをオープンソース化
発言者: StepFun
投稿日時: 9月23日 1:23〜2:44(日本時間)
前回取得時に検索へ反映されていなかった重要発表として、StepFunは「Step Code v0.1.0」と「onPanda」を公開しました。
Step Codeは、コードの読み取り、編集、テスト、静的サイトの公開までをターミナルから実行するコーディングエージェントです。MCP、Agent Skills、Claude Code用プラグイン、複数エージェントに対応し、長時間タスクを委任する/goalや、定期実行用の/cronも備えています。MITライセンスで公開されています。
onPandaは、LLMの出力をトークン単位で可視化・修正し、データアノテーションやモデル検査に利用するWebアプリです。修正結果を教師あり学習用データや、トークン単位の選好データへ変換できます。
なぜ重要か:
StepFunがモデルAPIだけでなく、Claude CodeやCodexに相当するエージェント実行環境と、モデル改善用のデータツールまで自社のオープンソース・エコシステムを広げています。
特にStep CodeがMCP、Skills、Claude Codeプラグインとの互換性を重視している点は、既存の開発環境から中国モデルへ切り替える際の障壁を下げます。