株式会社ずんだもん技術室AI放送局 podcast 20260924

youtube版(スライド付き) 関連リンク

• Introducing GPT-6 Sol and Luna

米OpenAIは、GPT-6ファミリーの新たなラインナップとして、高いコストパフォーマンスを誇る新モデル「GPT-6 Sol」および「GPT-6 Luna」を発表しました。今月上旬に発表された最上位モデル「GPT-6 Astra」の高度な知能と安全性を継承しつつ、推論インフラやキャッシュ技術の改善により、大幅な高速化と低コスト化を実現しています。

本要約では、システム開発に携わるエンジニア（特にAIを活用したサービス開発を学び始めた新人エンジニア）に向けて、これら新モデルの特徴と実務におけるメリットを分かりやすく解説します。

1. API価格の劇的な引き下げ（50%オフ）

新モデルの最大のインパクトは、API利用料金の大幅な引き下げです。前世代モデル（GPT-5.6 Sol / Luna）と比較して、API価格が50%削減されました（価格は100万トークンあたり）。

• GPT-6 Sol: 入力 $2 / 出力 $10
• GPT-6 Luna: 入力 $0.10 / 出力 $0.50

これにより、予算を抑えながら大規模なAIエージェントを運用したり、日常的な開発タスクを自動化したりすることが現実的になりました。

2. 競合を圧倒するコストパフォーマンスと実務性能

各種ベンチマークにおいて、他社の最上位モデルと同等以上の性能を、圧倒的な低コストで発揮します。

• 業務自動化（Professional work）: 複数アプリをまたぐビジネスワークフローのテスト（AutomationBench）において、GPT-6 Solは他社の最上位モデル「Claude Opus 5」を上回るスコアを、わずか9%（約11分の1）のコストで達成しました。
• 事実信頼性（Factuality）: 誤回答（ハルシネーション）を発生させやすいシナリオにおいて、GPT-6 Solの誤り率は前モデルの約半分に減少。最上位Astraに迫る信頼性を低コストで提供します。
• コーディング支援: 開発プロセスを自動化するコーディングエージェントの運用には膨大なトークン消費が伴いますが、GPT-6 Sol/Lunaは実用的な開発能力（DeepSWE v1.1）を、競合モデルの最大96%オフという極小のコストで実現します。
• PC操作自動化（Computer use）: OS（画面）の自動操作テスト（OSWorld 2.0）でも、SolはClaude Opus 5と同等水準の作業を約80%低いコストで実行可能です。

3. エンジニアに嬉しい「分かりやすい対話スタイル」

技術的な対話において、無駄な専門用語や不要な細かい説明を省き、より明確で簡潔な回答を出力するよう改善されました。要点を外さずに短いテキストで返答するため、開発中の疑問解決やコードレビュー時のコミュニケーション効率が向上します。

4. 開発コストを抑える「プロンプトキャッシュ」の進化

アプリケーションを構築する上で非常に重要な「プロンプトキャッシュ（Prompt Caching）」機能が強化されました。

• キャッシュヒット率の向上: 会話の文脈情報（コンテキスト）を再利用する際のヒット率が向上し、キャッシュされた入力トークンは90%割引で高速処理されます。
• 柔軟な制御: 会話の途中で思考の深さ（Reasoning effort）を変更したり、ツールの有効・無効を切り替えたりしてもキャッシュが途切れなくなりました。また、キャッシュのブレークポイントを明示的に指定できるようになり、開発者がキャッシュの挙動をコントロールできます。 GitHub Copilotではこの改善により、処理が必要なプロンプトトークンが50%以上削減され、応答速度が向上しています。

5. 利用方法

本日より、ChatGPT Plus、Pro、Business、Enterprise、およびEduユーザー向けに、ChatGPT WorkやCodex内で順次展開されます。APIでは gpt-6-sol 、 gpt-6-luna の識別子で即座に利用可能です。

引用元: https://openai.com/index/introducing-gpt-6-sol-and-luna

• Gemini 3.8 text-to-speech says hello

Googleが発表した最新の音声合成（Text-to-Speech: TTS）モデル「Gemini 3.8 Flash TTS」および「Gemini 3.8 Flash-Lite TTS」について解説します。本モデルは、従来の機械的な音声読み上げの枠を超え、まるで人間のような豊かな感情表現や細やかな「演技指導」を可能にする画期的なAI技術です。

1. 用途に合わせた2つの新モデル

開発者のニーズに合わせて、以下の2つのモデルが提供されています。

• Gemini 3.8 Flash TTS: 高度なクリエイティブ表現やキャラクター設計向け。自然言語のプロンプトを使ってゼロから新しい声を生成でき、ゲームのキャラクター、オーディオブック、ポッドキャストの制作に最適です。
• Gemini 3.8 Flash-Lite TTS: 大量処理と低コストを両立したスケール向けモデル。Webサービスでの多言語吹き替えや、自動で応答する「対話型音声エージェント」の構築に最適化されています。

2. 驚くほど自由なカスタマイズ機能

これまでは用意されたプリセットから声を選ぶのが主流でしたが、今回のモデルでは無限のバリエーションを作成できます。

• プロンプトによる音声作成: 「地域特有の訛りを持つナレーター」といった言葉の指示だけで、100以上の言語に対応したオリジナル音声を生成できます。
• ボイスレプリケーション: わずか30秒の音声サンプルから、一貫性のある複製品を生成します。
• 2,000以上の即戦力ライブラリ: すぐに使える高品質な音声も多数用意されています。

3. 細かな「演技指導」を可能にする演出機能

テキストをただ読み上げるだけでなく、台本（スクリプト）に沿って細部をコントロールできます。

• 感情と状況の調整: 囁き声など、シーンに応じたトーンを設定でき、長時間の生成でも声の質がブレません。
• 自然な「相槌」や「感情表現」: 台本に <laughs> （笑い）や <sigh> （ため息）などの非言語指示、または |mhm| （ふむふむ）といった相槌を挿入し、人間らしい会話の「間（ま）」を表現できます。
• 2人による自然な対話: 1つの台本から、2人のキャラクターによる掛け合いをシームレスに生成します。

4. 信頼性と安全性を考慮した設計

高度な音声生成には「なりすまし」のリスクが伴いますが、本モデルは安全対策も徹底しています。

• SynthIDによる電子透かし: 生成音声には人間の耳に聞こえない電子透かしが埋め込まれ、AI生成物であることを後から検出可能です。
• 音声複製の同意確認: 声を複製する際は、本人による音声同意確認を求める厳格なガードレールが設けられています。

5. 開発者が今すぐ始めるには

開発者は、Webツール「Google AI Studio」の音声生成プレイグラウンドで、プロンプトによる音声設計や2人対話の編集をすぐに試せます。また、Gemini APIを利用して、Agora、LiveKit、Vercelなどの外部ツールと連携し、独自の音声インターフェースを簡単にサービスへデプロイ可能です。

インタラクティブなAIアプリケーションや、表現豊かな音声機能を開発したいエンジニアにとって、今チェックすべき強力な最新技術です。

引用元: https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-text-to-speech/

• Mixture of Experts 基礎技術メモ

近年、DeepSeekやKimiなどの最先端LLMで標準的に採用されている技術「Mixture of Experts（MoE）」の基礎知識と、最新の発展形について分かりやすく解説します。

1. MoEの直感的な理解と導入の動機 MoEは、モデルのパラメータ数を増やして賢くしつつも、実質的な計算コスト（推論時の処理負荷）を低く抑えるためのアーキテクチャです。 よくある誤解として「数学担当、英語担当のように専門分野ごとにネットワークが綺麗に分かれている」と思われがちですが、実際には「トークン（文字や単語の単位）ごとに、処理を担当するサブコンポーネント（エキスパート）が動的に切り替わる構造（スパースな活性化）」を指します。

2. MoEの構造とルーティングの仕組み 通常のTransformerモデルにおける「FFN（Feed Forward Network）」という全結合層を、複数の「エキスパート」と呼ばれるネットワークに置き換えます。 入力されたトークンをどのエキスパートに送るかは「ルーター」が判定します。現在主流の方式は「Token choice」で、各トークンが自身に最適な上位K個（