SIGNAL2026-10-11 · AI TECH REPORT

AI技術の新情報:3D表現・LLM推論配信・医療音声認識の3件

静止3Dシーンの動的化、生成中のLLM切替、10言語の医療音声認識を紹介。

今回の調整:掲載3件は3D表現、LLM推論配信、医療音声認識。製品とエージェント練習環境も候補として調べ、変更幅の小さい画像モデル派生版は後順位とした。

01National Yang Ming Chiao Tung University・Alaya Lab2026-10-08研究段階

OuroWorld:静止3DGSをループする動的3Dシーンに変換 ↗

OuroWorldは、静止した3D Gaussian Splatting(3DGS)を対象とする動的3Dシーン生成の研究手法。入力シーンを、視点を変えて描画でき、動きが継ぎ目なく繰り返す3Dシーンへ変換する。VLMと動画生成で動きを推定し、周期的な3D変形として表す。著者による39シーンのユーザー比較では、従来法より好まれた割合が比較条件により70.8〜99.0%だった。研究段階。

静止した3Dシーンから視点を変えられる動的シーンを作る原論文の図
静止した3Dシーンに周期的な動きを加える手法の例。
02Tsinghua Universityほか2026-10-08要セットアップ

TokenRouter:生成途中のモデル切替を扱うLLM推論配信 ↗

TokenRouterは、複数のLLMを扱う推論配信の研究実装。生成中にトークン単位でモデルを切り替えられる。モデル別のサーバーを非同期で動かし、切替時も各モデルのKV cacheを保持する。著者が同時8リクエストで測定したデコードのスループットは、R2Rの公式実装の2.76倍だった。コードは公開されており、導入にはセットアップが必要。

TokenRouterのモデル別サーバーとリクエスト処理を示す原論文の構成図
モデルごとの処理を非同期に進める配信構成。
03Deepgram2026-10-06API利用

Nova-3 Medical Multilingual:10言語対応の医療向けSTT ↗

Nova-3 Medical Multilingualは、医療会話向けの多言語STTモデル。日本語・英語を含む10言語で会話中の言語切替に対応し、薬剤名や用量を含む発話をストリーミングまたはバッチで文字起こしする。Deepgramが115時間超の医療音声で汎用Nova-3 Multilingualと比較したところ、ストリーミングの単語誤り率は8.32%から5.86%、薬剤名や用量などの項目の誤り率は16.31%から9.78%に下がった。APIで利用できる。

Deepgramによる医療向け多言語STTの誤り率比較図
提供者が測定した汎用多言語モデルとの単語・医療情報の誤り率比較。

確認範囲と不足

掲載は3件。各記事の画像を1枚ずつ保存済み。

性能値は著者または提供元の測定。調査候補のSuperNavは要旨まで、別の候補1件は本文を取得できず、いずれも掲載対象外。Nova-3 Medical Multilingual固有の基本単価は公式情報で特定できなかった。