AI Shift Academy

AI Shift Academy（#シフアカ）

#3のアフタートークとして、最新のエンドツーエンド（E2E）音声対話モデルを実際に動かして比較検証しました！

・ OpenAI vs Moshi 渋谷ランチ対決

「渋谷のおすすめランチ」をテーマに実演。話の腰を折らずに割り込めるOpenAIと、爆速だが食い気味に反応してしまうMoshi。それぞれの挙動とUXの決定的な違いとは？

・ 日本語特有の「間」と「相槌」

Moshiの超低遅延が招く「会話の被り」から見えた課題。日本人の会話における「間（ま）」の重要性と、AIが空気を読む難しさについて議論します。

・ ビジネス実装への示唆

技術的な速さと、人間が心地よいと感じる対話リズムは別物？コールセンター等での実用を見据えた、現状の技術的到達点と今後の展望を語ります。

▼おたよりは⁠⁠⁠⁠⁠⁠⁠こちら⁠⁠⁠⁠⁠⁠⁠から

AI Shift Academy（#シフアカ）

「ショート編」では、話題のAI技術や最新論文を一つ取り上げ、コンパクトに紹介しています。

最近のAIは長い文脈を読めるようになりましたが、その「長さ」自体が安全リスクになることが分かってきました。

論文「Jailbreaking in the Haystack」をもとに、長文プロンプトの落とし穴と運用で気をつけたいポイントを紹介します。

参考リンク: https://arxiv.org/abs/2511.04707

AI Shift Academy（#シフアカ）

パイプラインからE2Eへ！最新音声対話技術の現在地

人間のように自然で低遅延な対話を実現する「E2E型音声モデル」へのパラダイムシフトを徹底解説します。

・ Half-duplex vs Full-duplex

爆速応答の「LLaMA-Omni」と、話しながら聞く同時双方向を実現する「Moshi」。それぞれのアーキテクチャと訓練手法の違いとは？

・ 技術の裏側

OpenAI Realtime APIの「擬似」Full-duplexの仕組みや、音声コーデック「Mimi」によるトークン化（Semantic/Acoustic）の構造を深掘り。

・ 課題と展望

対話データの不足やセキュリティ評価、今後のマルチモーダル化について議論します。

音声AIの最前線をキャッチアップしたい方は必聴です！

▼おたよりは⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠こちら⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠から

AI Shift Academy（#シフアカ）

「ショート編」では、話題のAI技術や最新論文を一つ取り上げ、コンパクトに紹介しています。

ByteDanceが発表した新しい論文「Scaling Latent Reasoning via Looped Language Models」を紹介します。

AIが“考える”という行為を、これまでとはまったく違う形で再定義する研究です。

Chain-of-Thoughtのように「外で考える」モデルではなく、内部で何度も考える、Ouroについてコンパクトに紹介します

参考リンク: https://arxiv.org/abs/2510.25741

AI Shift Academy（#シフアカ）

今回のテーマは「対話システムの歴史と未来」です。音声対話の基礎となるテキスト対話の進化を、1966年の元祖ELIZAから最新のLLMまで深堀りします。

・ELIZAとSHRDLU：黎明期の対話と擬人化現象

・主導権の変遷：一方通行から混合主導型へ

・技術の進化：ルールベースから確率モデル、深層学習へ

ChatGPT以降、AIは言葉を理解できるようになりました。

では次の競争軸は何か。答えは理解の正確さから「体験の心地よさ（UX）」へのシフトです。

技術の先にある、これからの対話デザインの核心に迫ります！

▼おたよりは⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠こちら⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠から

AI Shift Academy（#シフアカ）

「ショート編」では、話題のAI技術や最新論文を一つ取り上げ、コンパクトに紹介しています。

AIをどうやって「頭がいい」と言えるのか？

今回は、AIの知能を人間のIQテストのように測ろうとした論文

『A Definition of AGI』 を紹介します。

GPT-4とGPT-5を10の能力で比べると、意外な強みと弱点がくっきり。

「記憶が苦手」「得意分野にムラがある」など、今のAIのリアルな姿が見えてきます。

AIの知能を“構造”から見る新しい視点を解説します。

参考リンク:https://arxiv.org/abs/2510.18212

AI Shift Academy（#シフアカ）

今回のテーマは、音声対話システムの核心「対話制御とモデルの変化」について。

ユーザーの発話をAIはどう理解し、記憶し、次の応答を決めているのか？

NLU（理解）→DST（記憶）→Policy（決定）という「対話の脳みそ」の仕組みを徹底解説します！

▼主なトピック

・ASR（音声認識）のストリーミング進化

・対話制御3モジュールの役割と連携

・LLM登場による「パイプライン型」から「End-to-End型」への構造変化

・精度と柔軟性を両立する「ハイブリッド型」の現実解

「AIがどう考えて話しているか」を知れば、技術トレンドがより深く見えてきます。

是非ご視聴ください！

▼おたよりは⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠こちら⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠から

AI Shift Academy（#シフアカ）「ショート編」では、話題のAI技術や最新論文を一つ取り上げ、コンパクトに紹介しています。

今回はDeepSeek社が提案した新技術「DeepSeek-OCR」を紹介します。

テキストを“画像として圧縮して保存する”というユニークな発想で、AIの「記憶のしかた」を変えるかもしれない注目の研究です。

マルチモーダルAIの流れの中で、この技術がどんな位置づけにあるのか、そして今後のAIエージェント開発にどう影響するのかをわかりやすく解説します。

参考リンク:https://arxiv.org/abs/2510.18234

AI Shift Academy（#シフアカ）

なぜ私たちはスムーズに会話のキャッチボールができるのでしょう？

今回のテーマは「ターンテイキング」（話す・聞くの順番交代）です。

人間は相手の話の終わりを予測し、わずか0.2秒で交代していると言われます。この複雑な仕組みをAIでどう実現するのか？

ターンテイキングの基礎、読み取る手がかり（声のトーン、視線など）から、LLMを活用した最新AIモデル（Turn GPT, VAP）、音声対話システムでの重要性（UX向上、「バージイン（割り込み）」）まで詳しく解説。

会話AIの「間（ま）」の秘密に迫ります！

▼おたよりは⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠こちら⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠から

AI Shift Academy（#シフアカ）「ショート編」では、話題のAI技術や最新論文を一つ取り上げ、コンパクトに紹介しています。

Googleが発表した新しい音声検索技術「Speech-to-Retrieval（S2R）」を紹介します。

これまでの音声検索は「音声→文字→検索」という二段階でしたが、S2Rは“音声の意味”を直接理解して検索するという革新的な仕組み。

音声認識の誤りを減らし、より速く自然な検索体験を目指すこの技術の仕組みや可能性を、わかりやすく解説します。

▼おたよりは⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠こちら⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠から