Eleven Realtime、Voxtral 3【最新AIニュース解説】2026年10月21日号
🎙 耳で先取り｜AI氣道ラジオ
この記事の要点を約3分で先取りできます。移動中は耳で全体像、あとで本文で深掘りしてください。
- Eleven Realtime: ElevenLabsが10月20日に出した、モデル1つで音声エージェントになる声の会話モデル（v1 Miniとv1 Max）
- Voxtral 3: Mistralが出した音声認識と音声合成の新しい一式。比較はMistral自身のもの
- Runway Creative: Claude Marketplaceに参加。対象は企業の顧客
- VideoGen Model 1: 1回のプロンプトで最大10分の複数ショット動画。申し込みは10月20日から
- Clairic: プレビューの紹介
- コラム: 伝える日と場所を先に決める
家事と子育てのスキマで経営する3方よしAI共創コンサルタントの田中啓之、ひろくん（@passion_tanaka）です。
声と動画をつくる道具が、一気にそろった日です！。ElevenLabsとMistralが、声で会話するAIの新しいモデルを出しました。RunwayとVideoGenは、動画づくりで動きがありました。Cloudflareは、書類から数字を取り出す専用モデルを発表しています。
前回は「Gemini Notebookの計画確認、MiniMax M3.1【最新AIニュース解説】2026年10月20日号」を届けたよ。こちらもぜひ読んでみてね。
今日の最新LIVEや最新情報はGPTs研究会Facebookグループにも投稿してるよ。そっちもチェックしてね。
今日のニュースを、「これ、自分にどう関係あるの？」という目線で、わかりやすくお伝えします！
3行でわかるポイント
- ElevenLabsとMistralが、声で会話するAIの新モデルを出しました。
- Runwayは企業向けに、VideoGenは1回の指示で最大10分の動画を出しました。
- Cloudflareは、書類から数字や日付を取り出す専用モデルを発表しました。
目次
Eleven Realtime、声で会話するAI
2026年10月20日、ElevenLabsが新モデルを出しました。名前は「Eleven Realtime」です。
声で会話する音声エージェントのモデルです。気になる更新です！
音声エージェントは、部品が多いんです。ElevenLabsのブログによると、その部品をまとめたのがEleven Realtimeです。モデル1つが、そのまま音声エージェントになります。
種類は2つです。v1 Miniは、自然な会話を低い費用で行うモデルです。先生や、対話するキャラクターに向きます。
多くの用途にはMiniで足りると、ElevenLabsは書いています。v1 Maxは複雑な作業向けです。問い合わせ対応や、見込み客の絞り込みが例です。使い分けが分かりやすいですね！
数字はElevenLabsのブログに載ったものです。第三者の測定会社Artificial Analysisが評価した、とElevenLabsは書いています。
声で出す1,000問の推論テストで、正答率はMaxが98.8%、Miniが75.9%です。
話し始めるまでの平均は、Maxが0.57秒、Miniが0.62秒です。間や割り込み、相づちを測るテストでは、Miniが95.8%、Maxが94.1%でした。
The Decoderは、Miniが相づちを見分けられると伝えています。相手が話し終えたのか、「うん」と打っただけなのかを区別します。
道具を使う作業の達成率は、Maxが87.1%、Miniが60.3%です。道具を多く呼ぶ用途にはMaxを、とElevenLabsは勧めています。
使い方は2つあります。1つはElevenAgentsです。エージェントを開き、リストからRealtimeのモデルを選びます。別の入口がRealtime APIです。OpenAIのRealtime APIと互換で、接続先とモデル名を変えるだけで試せます。接続はWebSocketだけです。
受付と調理と盛りつけを、1人の名人が受け持つ厨房です。持ち場の間の受け渡しが減ります。
声で案内する仕事を持つ人に関わる話です。会話向けはMini、手順のある仕事向けはMaxです。今日の一歩は、自分の仕事で声に任せたい場面を1つメモすることです。
参考: ElevenLabs公式ブログ「Introducing Eleven Realtime: a simpler way to build natural voice agents」（10月20日） / The Decoder「Elevenlabs releases two new speech-to-speech models designed for real-time AI conversations」（10月20日）
Voxtral 3、音声エージェントの新しい一式
2026年10月20日、Mistralが「Voxtral 3」を発表しました。音声認識と音声合成のモデルの新しい一式と、音声エージェントSDKです。
Mistral APIで、10月20日から使えます。Studioの試し場では、音声エージェント、文字起こし、音声生成、声のクローンを試せます。
音声認識は2つです。Voxtral Small Transcribe 3と、Voxtral Mini Transcribe 3です。50を超える言語、話者分離、専門用語を渡す機能に対応します。
Mistral自身の比較では、Small版がWhisper、Scribe v2、Gemini 3.5 Transcribeを上回ります。多言語の文字起こしと話者分離で最高水準と、Mistralは書いています。
日本語が気になりますよね！比較表（FLEURSの45言語）には、日本語が入っています。
一方、すぐ使える声のプリセットは18言語で、日本語はありません。音声合成のサンプル音声の一覧には、日本語があります。
音声合成はVoxtral Speech 3です。35を超える言語と、50を超える方言に対応します。感情、ペース、強調を、会話の文脈に合わせて変えます。30分の音声から声を再現するプロの声づくりもあると、Mistralは書いています。
音声エージェントSDKは、LiveKit上に作られています。聞く、考えて道具を呼ぶ、話すが、1本の流れで進みます。
各段階が前を待たないので、1回のやり取りは1秒未満で終わると、Mistralは書いています。相手が割り込むと、話をやめます。
紹介ページのデモは、電話で予約を頼む場面です。エージェントはまず参照番号を聞き返します。番号を受けて紹介状を調べ、内容を英語で説明します。「次の枠は火曜17時45分です。予約しましょうか？」と確認してから予約します。予約の前に確認する流れですね！
価格はMistralの料金表のものです。Voxtral Mini Transcribe 3（バッチ）は1分0.0035ドル、Small Transcribe 3は1分0.004ドル、Realtime 3は1分0.008ドルです。Speech 3は100万文字13ドルです。
MistralはSpeech 3が、OpenAI TTS-1、Deepgram、ElevenLabs Flash、Gemini Flashより安いと書いています。Mistral内部の評価です。配置は、欧州のAPIか自社のインフラを選べます。音声をどこで処理するかも、自分で決められます。
仕込み係、接客係、会計係を、別々の店から呼べる厨房です。組み合わせは、自分で選べます。
電話や音声で案内する仕事を持つ人に関わります。日本語は、文字起こしの比較表にあり、声のプリセットにはありません。今日の一歩は、Voxtral 3の紹介ページで日本語が出てくる場所を1つ確認することです。
参考: Mistral AI「Voxtral 3: Voice Agent SDK & Speech Models in 50+ Languages」（10月20日）
Runway、Claude Marketplaceに参加
2026年10月20日、Runwayが発表しました。動画・画像・音声を作って編集する「Runway Creative」が、Claude Marketplaceに参加しました。
対象は、企業の顧客です。Anthropicとの契約で約束した支出の一部を、Runwayでの購入に充てられます。ここ、押さえておきたいですね！
Claude Marketplaceは、企業のチームが約束したAnthropicへの支出を、承認済みのパートナー製品に充てられる場所です。
Runway Creativeは、複数のモデルを1つの作業場にまとめたものです。例として、Gen-4.5、Aleph 2.0、Seedance 2.5、Kling 3.0、ElevenLabs V4が挙がっています。
Runway Agentの考える部分は、Claudeが担います。依頼書（ブリーフ）を計画に変え、ショットごとに合うモデルを選び、完成品に組み立てます。
Runwayの説明では、依頼書を渡して、会話しながら動画を1本作れます。計画、生成、組み立てまで任せます。
テキスト、画像、既存の映像から、動画と画像を作れます。変えたい内容を言葉で伝えて、映像を編集することもできます。
Claude Motion（Claude TeamとEnterpriseのベータ）のアニメーションを、Runwayに書き出せます。そこに、生成した映像、ナレーション、音楽を足します。
10月20日からClaude Marketplaceに載っています。購入は、RunwayかAnthropicの担当者への連絡から始まります。
Runwayは、6,500万人を超える制作者・映画制作者・マーケティングチームが使っていると書いています。Amazon、Robinhood、Dolce & Gabbana、Microsoftの制作チームも含まれます。企業向けの動きとして注目です！
大きなレストランの共同仕入れに、新しい取引先が加わった状態です。仕入れの枠の中で、その取引先の食材も選べます。
この購入方法の対象は、企業の顧客です。個人や小さなチームが、今日そのまま使える話ではありません。ただ、依頼書を計画に変える流れは、考え方の参考になります。今日の一歩は、自分の動画の依頼書を3行で書いてみることです。
VideoGen Model 1、長い動画を一度に
2026年10月20日、VideoGenが「Model 1」の公開を始めました。限定の提携先からです。
VideoGenの説明では、1回のプロンプトで最大10分、複数ショットの完成動画が作れます。気になる動きですね！
企画、音声、動画の生成を一緒に行います。入力は、テキストと、見た目を導くための画像（任意）です。
出力は、動画と音声です。せりふ、音、音楽が入ります。
Model 1は、台本、せりふ、ショット、テンポを先に計画します。そのうえで動画と音声を生成し、組み立てます。場面をまたいで、文脈も引き継ぎます。
ページには短編の例が並びます。アニメの短編が5分、クレイアニメの短編が4分33秒です。
VideoGenは、それぞれ1回のプロンプトから生成し、編集や後処理はしていないと書いています。広告やショート作品の例は、約20秒から43秒です。
VideoGenは、100万ドル分のAIクレジットを配ります。主な対象は、作品を作って公開する映画制作者、クリエイター、スタジオです。学生とアマチュアも歓迎と書かれています。
一部は、Model 1を取材する記者や、ソフトウェアのレビュー担当者にも配られます。
申し込みは、10月20日から始まっています！サインインして「Request access」を選びます。
書くのは、何を作るか（取材するか）です。配分は、企画の規模と公開の計画（distribution plan）で決まります。配布は2026年末までです。
注文を1回伝えるだけで、前菜からデザートまでのコースが出てくる店です。コースの順番や味の流れは、店が先に組みます。
動画を作って公開する人に関わる話です。申し込みで問われるのは、何を作るかと、公開の計画です。今日の一歩は、作りたい動画を1行で書き、公開する場所を1つ決めることです。
Clairic、書類から数字を取り出す
2026年10月19日、Cloudflareが「Clairic」を発表しました。書類から数字や日付を取り出す、抽出専用モデルのプレビューです。注目の更新です！
Workers AIで、@cf/cloudflare/clairicとして使えます。近いうちにオープンウェイト（モデルの中身を公開する形）で出すつもりと、Cloudflareは書いています。
仕組みはこうです。読ませる文章（と最大4枚の画像）と、欲しい項目の一覧を渡します。項目には、名前、型、平易な言葉の指示を付けます。
返ってくるのは、項目ごとの型どおりの答えです。数、日付、時刻、期間、リストなどです。確信度がつき、入力に無い時はnullが返ります。
見積もりと予測には、80%の範囲がつきます。
速い理由は、1語ずつ文章を作らないことです。1回の処理で、全項目に答えます。
出力トークンの課金は無く、入力だけに課金されると、Cloudflareは書いています。通常は1秒未満で答えます。項目を30個頼んでも、3個とほぼ同じ費用です。
Cloudflareの例は、苦情メールの対応です。Clairicが注文番号、金額、破損を取り出し、修理費を見積もります。判断用の別モデルClefが、会社のルールで返金か修理かを選びます。GLM-5.3が客への返信を書きます。
Cloudflareが載せた数字では、この流れは19.3秒で終わります。GLM-5.3だけで3段階をやると61.7秒です。時間は69%減です。
100万件あたりの費用は、6,032ドルに対して11,740ドルです。The Decoderは、費用はほぼ2倍と伝えています。数字が並ぶと、イメージしやすいですよね！
限界もあります。The Decoderによると、長い連続計算はまだ確実にはできません。当面は、その計算を自分のコードで行う形になります。
伝票から金額と日付だけを、素早く書き写す帳場の名人です。献立を考える料理人とは、別の仕事です。
請求書やメールから数字を拾う作業を抱えている人に関わります。拾う作業と、判断する作業を分ける考え方が見えます。今日の一歩は、自分が毎週手で写している数字を1つ書き出すことです。
参考: Cloudflare公式ブログ「Introducing Clairic, a new System One class of extraction models」（10月19日） / The Decoder「Cloudflare’s Clairic pulls data from documents faster and cheaper than LLMs」（10月20日）
Claude Code stableが2.1.304へ
2026年10月21日（日本時間）の確認です。Claude Codeのstableが2.1.292から2.1.304に進み、latestと並びました。
2.1.305がnextに出ました！OpenClawに、新しい正式版はありません。
npmレジストリでは、latestとstableが2.1.304、nextが2.1.305です。2.1.304は10月20日04:47、2.1.305は10月21日04:29（どちらも日本時間）の公開です。
昨日はlatestが2.1.303、stableが2.1.292でした。2.1.304の変更履歴は76項目です。昨日の2.1.303は、1行だけでした。差が大きいですね！
項目を3つ挙げます。1つ目は、`/auto-mode-setup`の追加です。プロジェクトと最近のセッションを読んで、自動モードに環境を教える案内つきの設定です。
2つ目は、ProとMaxのプランの警告です。使っていない会話を再開すると、5時間の利用上限をまとまって使いそうな時に、警告が出ます。そのまま再開するか、新しい会話にするかを選べます。
3つ目は不具合の修正です。claude –worktreeが、HEADが切り離された状態や別のブランチにあると、確認なしでワークツリーとブランチを消し、コミットを失うことがありました。直っています。2.1.305の変更履歴は、今日確認した時点でまだ載っていません。
OpenClawの最新の正式版は、v2026.10.5です。10月19日06:47（日本時間）の公開で、昨日と同じです。プレリリースのv2026.10.10-beta.2が、10月19日21:23（日本時間）に出ています。正式版ではありません。
道具棚の古い包丁が、新しい包丁に入れ替わった日です。次の包丁も、棚の端に並びました。
Claude Codeを使う人には、worktreeの修正が関係します。コミットを失うことがあった不具合が直りました。今日の一歩は、自分のClaude Codeのバージョンを1回確認することです。
参考: Claude Code（npmレジストリ） / Claude Code changelog（GitHub） / OpenClaw Releases（GitHub）
🏛️ 偉人が斬る、今日のヘッドライン
今日のヘッドラインです。3人の偉人に斬ってもらいました。
届ける相手の言葉を見る目、まず試す目、道具をつなぐ目。それぞれ違う角度から、一言もらっています。
👑 クレオパトラ ──「届ける相手の言葉に、道具が届いているかを確かめなさい」
Mistralの発表によると、Voxtral 3のすぐ使える声のプリセットは18言語で、日本語は入っておりません。一方、文字起こしの比較表には日本語があり、音声合成のサンプルの一覧にも日本語があります。
声は、相手の言葉で届いて初めて力になります。あなたの話を届けたい相手が使う言葉を一つ決め、その言葉に道具が対応しているか、公式ページで一行確かめなさい。
🧪 平賀源内 ──「面白そうじゃないか。まず一つ、小さく試してみようぜ」
Cloudflareが、書類から数字や日付を取り出すClairicを、Workers AIのプレビューに出したそうだ。請求書の合計や、届いた日付のような項目を並べて頼むと、1回の処理で全部答えるらしい。長い連続計算は、まだ自分のコードで行う形だとも書かれているな。
理屈より実験だ。毎週手で写している数字を一つ選び、その数字が書類のどこにあるかを、一行で書いてみようぜ。そこが試す最初の一歩じゃないか。
⛵ 坂本龍馬 ──「道具のつなぎ方を、先にでっかく描くぜよ」
Runwayの発表では、Runway CreativeにGen-4.5やKling 3.0、ElevenLabs V4と、いろいろな会社のモデルが一つの作業場に入っちゅうがよ。考える部分はClaudeが担うそうじゃき。Voxtral 3の音声エージェントSDKも、LLMと声と言語を段階ごとに替えられるとMistralは書いちょります。
別々の会社の道具が、一つの流れでつながる時代ぜよ。今使っている道具を、声・映像・文章の3つに分けて一行ずつ書き、つなぐ順番を決めてみるがよ。
COLUMN
伝える日と場所を先に決めると、道具が選べる
VideoGenは、クレジットの申し込みで、何を作るかと公開の計画を書くよう求めています。声と動画の道具がそろった日に、この欄に注目しました。魂磨きは、AIに問いを出してもらい、私が答えながら出来事を言葉にしていく時間です。2026年10月19日の勉強会を、翌日の魂磨きで振り返りました。2026年10月20日の魂磨きで、私はこう答えました。
アウトプットする機会が決まっていることで、その機会に向けてインプットもするし、準備する過程で学びも多いし、当日本番も教えることで学びが多いのでメリットがたくさんある。アウトプットする時間や場所を決めてからインプットに入る。私は、これが最適だと考えています。学んでから、話す日を決める。話す日を決めてから、学ぶ。並べ方は二通りあって、私が選ぶのは後者です。
出典: 魂磨き「伝える機会を先に決めると、準備も本番も学びになる」（2026年10月20日）の「インプットの前に、伝える日と場所を決める」より
伝える機会を先に決める。これは、今日の4本の道具にそのまま重なります。VideoGenの申し込みでは、何を作るかと公開の計画を先に書きます。伝える日と場所が決まっていると、読む記事も試す道具も絞れるんです。声のEleven RealtimeやVoxtral 3、動画のRunwayやVideoGenも、まず誰にいつ届けるかが決まって、初めて選ぶ基準ができます！
本番はリアルで場の空気や反応で想定外の気づきや学びもおこる 場の空気や反応から想定外の気づきや学びがあるときは、その反応を受けて、自分の考えもその場で確かめ直します。リアルタイムで参加している人と話をしたり、コメントに答えたりします。そのことで、気づきや学びが深まります。本番がリアルだというのは、準備のシミュレーションに入れられないものがある、と読めます。
出典: 魂磨き「伝える機会を先に決めると、準備も本番も学びになる」（2026年10月20日）の「本番では、場の空気や反応から想定外の学びも起こる」より
声で会話するエージェントは、本番の反応を受けて調整する設定が多いんです。ElevenLabsのブログは、話し始めるまでの間や、割り込みへの対応を、エージェントの設定で調整すると説明しています。準備は仮のシミュレーションです。本番で確かめ直します。私の魂磨きでの答えも、同じ流れでした。本番は、想定外の気づきが起こる場なんです！
この魂磨きの全文は、伝える機会を先に決めると、準備も本番も学びになるに書きました。今日の一歩は、声や動画で伝える日と場所を、予定表に一行入れることです。道具は日々増えていきます。だからこそ、誰に、いつ、どこで伝えるかを先に置いておくと、選ぶ手が止まりません。声でも動画でも、同じです。5分でできる小さな作業です。今日もAIと仲良くやっていこう。
凛の今日のひとこと（AI秘書まとめ）
AI秘書の凛だよ！今日は偉人3人に聞いたよ。優先順位が見えたと思う！
まずクレオパトラさんの「届ける相手の言葉に、道具が届いているかを確かめなさい」から。今日やるべきは、届けたい相手が使う言葉を一つ決めて、その言葉に道具が対応しているか公式ページで確かめることだよ。
Mistralの発表には、Voxtral 3のすぐ使える声のプリセットは18言語で、日本語は入っていないと書かれているよ。
次に平賀源内さんの「面白そうじゃないか。まず一つ、小さく試してみようぜ」。毎週手で写している数字を一つ選んで、書類のどこにあるかを一行で書くのがおすすめ。
Cloudflareの公式ブログに、Clairicは書類から数字や日付を取り出すモデルだと書かれているよ。
そして坂本龍馬さんの「道具のつなぎ方を、先にでっかく描くぜよ」を忘れずに。今使っている道具を声・映像・文章の3つに分けて、つなぐ順番を決めるだけで十分だよ。
AI秘書の凛は、そのメモを一緒に作るよ。任せてね！
📋 そのまま自分のAI秘書にコピペ
あなたのAI秘書に貼れば、今日のニュースを材料にあなたのAIチームをアップデートできます。
AIを1つしか使ってない人は、その1つを進化させる方向で。
※AIによってはリンクを開けません。その時は記事本文をコピーして貼ってから同じ質問をしてください。
https://ai-kidou.jp/ainews-20261021/ を読んで、今日の私のAIチームをアップデートして： Q1. クレオパトラの「届ける相手の言葉に道具が届いているかを確かめる」の視点で、私が声や動画を届けたい相手が使う言葉を一つ選んで、その言葉に使いたい道具が対応しているか、公式ページで確かめる手順を一行で書き出して。届けたい相手が決まっていなければ、私に質問して。 Q2. 平賀源内の「まず小さく試してみる」の視点で、私が毎週手で写している数字を一つ選んで、その数字が書類のどこにあるかを一行で書き出して。写している数字が無ければ、無いと書いて。 Q3. 坂本龍馬の「道具のつなぎ方を先に描く」の視点で、私が今使っている道具を、声・映像・文章の3つに分けて一行ずつ書き出し、つなぐ順番を決めて。使っている道具が無ければ、無いと書いて。
よくある質問
- Q1 Eleven RealtimeのMiniとMaxは、どう使い分けますか？
- ElevenLabsは、Miniを自然な会話向け、Maxを複雑な作業向けと説明しています。Miniはアシスタントや先生、対話するキャラクター向けです。Maxは問い合わせ対応や、手順を追う複数段階の仕事向けです。道具を多く呼ぶ用途にはMaxを勧めています。
- Q2 Voxtral 3は日本語に対応していますか？
- Mistralの文字起こしの比較表（FLEURSの45言語）に、日本語が入っています。音声合成のサンプル音声の一覧にも、日本語があります。一方、すぐ使える声のプリセットは18言語で、日本語は入っていません。
- Q3 Runway CreativeはClaude Marketplaceで誰でも買えますか？
- Runwayの発表では、対象は企業の顧客です。企業のチームが、Anthropicに約束した支出の一部をRunwayでの購入に充てられます。購入は、RunwayかAnthropicの担当者への連絡から始まります。
- Q4 VideoGenのModel 1のクレジットは、どう申し込みますか？
- VideoGenのページによると、申し込みは2026年10月20日からです。サインインして「Request access」を選び、何を作るかを書きます。配分は企画の規模と公開の計画で決まり、配布は2026年末までです。
まとめ
- ElevenLabsが、声で会話するEleven Realtimeを発表。MiniとMaxの2種類です。
- Mistralが、音声認識・音声合成・エージェントSDKのVoxtral 3を発表しました。
- Runway Creativeが、企業向けにClaude Marketplaceへ参加しました。
- VideoGenのModel 1は、1回の指示で最大10分のマルチショット動画を作ります。
- Cloudflareが、書類から数字や日付を取り出す抽出モデルClairicを発表しました。
- Claude Codeのstableが2.1.304に進み、OpenClawの正式版はv2026.10.5のままです。
声も動画も、作れる道具は増え続けています。大事なのは、誰にいつ届けるかを先に決めることです。今日もAIと仲良くやっていこう！
参考リンク
🎁 無料プレゼント
Aiport（ClaudeCode AIエージェント実践会）
ClaudeCodeでAI秘書＋分身AI＋AIカンパニーを作れるキット＆解説動画を無料でプレゼント！
▶ 無料で入会してキットを受け取る🤖 AI生成コンテンツについて
この記事はAIツール（Claude Code）を活用して制作しています。構成・文章生成・画像制作にAIを使用し、公開前の品質チェックを通過した記事を自動で公開しています。内容の方針とルールは、ひろくん（田中啓之）が決めています。
