Microsoftが「Build 2026」に合わせ、クラウドに繋がず端末上で動くローカルAI実行基盤「Foundry Local」1.2.0を公開し、40言語以上の音声認識と省電力Linux端末対応、Windows向け高速化を追加した。
Microsoftは「Build 2026」に合わせ、端末上で動くローカルAI実行基盤「Foundry Local」の1.2.0を2026年6月4日に公開した。リアルタイム音声認識(ASR)が40言語以上に拡張され、採用モデルはNVIDIA Nemotron 3.5 ASR Streaming Multilingualである。
対応端末はRaspberry Pi 5、NVIDIA Jetson、AWS Graviton、Ampereといった省電力ARM64端末。Windows側はWindows ML 2.0へ更新され、追加インストールなしでNPU/GPU高速化が使える。C#/Python/JavaScript/Rust/C++の5言語SDKが推論の途中キャンセルに対応する。
この基盤はGitHub Copilot CLIの音声入力にすでに組み込まれ、音声がマシン外に出ず単語誤り率は約8%という実装結果が示された。クラウド依存・通信遅延・トークン課金なしで音声を端末側で完結できる点は、プライバシーと主権を重視する国内企業の導入判断に直結する。
この変化で何が要点か。図解と出典つきで一目で。
構造化された事実を最初に。誰が何をいつどこでなぜどのように。
AIはクラウド実験の段階を超え、応答速度・プライバシー・障害耐性・現場での制御が重要となる端末側やエッジ環境への組み込みが求められている。だがモデルの梱包、実行環境の断片化、ハードウェア差異、配備の複雑さが量産化の壁となってきた。Foundry Localは、クラウド依存・通信遅延・トークン課金なしでアプリに直接AIを組み込む、Microsoftの多OS対応ローカルAI基盤である。前バージョン1.1.0ではリアルタイム文字起こし、文章埋め込み(embeddings)、構造化対話API(Responses API)などが追加されていた。
ネットに繋がらない環境や規制の厳しい領域でも、音声を端末外に出さずに処理できる点は、プライバシーと主権(sovereign)を重視する日本企業の意思決定に直結する。GitHub Copilot CLIの音声入力が同基盤で実装され、音声がマシン外に出ない実例が示されたことで、自社アプリへの組み込みの現実性が高まった。
Microsoftは「Build 2026」に合わせ、端末上で動くローカルAI実行基盤「Foundry Local」の1.2.0を公開した。最大の更新は、リアルタイム音声認識(ASR=音声を文字に変換する処理)が40言語以上に拡張された点である。採用モデルはNVIDIAのNemotron 3.5 ASR Streaming Multilingual。
この基盤は、すでにGitHub Copilot CLI(コマンドライン上でAIを使う開発者ツール)の音声入力に組み込まれており、そこでは音声データがマシンの外に出ず、単語誤り率は約8%だったと公式が示した。
AI is no longer confined to cloud experiments. Developers are increasingly expected to deliver AI inside apps, devices, and edge systems where responsiveness, privacy, resilience, and local control are essential.
つまりAIはクラウドでの実験段階を超え、応答速度・プライバシー・障害耐性・現場での制御が要る端末側へ移りつつある。今回の更新は、その移行を音声という領域で一歩進めたものだ。
1.2.0で追加されたもう一つの軸が、省電力Linux端末への対応である。対応するのはRaspberry Pi 5、NVIDIA Jetson、AWS Graviton、Ampereといった省電力のARM64(消費電力を抑えた命令セットのCPU)端末だ。
Windows側では実行基盤がWindows ML 2.0へ更新され、追加のインストールなしでNPU(AI処理専用チップ)やGPUによる高速化が使えるようになった。クラウドに繋がず、トークン課金もなしに、端末そのものでAIを動かす前提が整いつつある。
開発側の足回りも広がった。C#・Python・JavaScript・Rust・C++の5言語向けSDK(開発キット)が用意され、モデルのダウンロードや推論の途中キャンセルに対応する。長時間かかる処理を途中で止められる点は、端末側で動かすアプリの実装で効いてくる。
今回の更新で得をするのは、プライバシーや主権(sovereign=データを自国・自社の管理下に置く考え方)を重視して導入を進める国内企業だ。音声を端末外に出さずに処理できるため、外部送信に制約がある領域でも音声入力を組み込みやすい。GitHub Copilot CLIでの単語誤り率約8%という実例が判断材料になる。
省電力端末でアプリを作る実装者も恩恵を受ける。Raspberry Pi 5やJetsonといった手元の端末上で、オフラインの音声処理が現実的な選択肢になった。
一方で、音声処理をクラウドAPIの従量課金前提で組んできたサービスは、コスト構造を見直す局面に入る。端末側で課金なしに処理が完結する道が増えたためだ。
立場別、明日から動ける一手。
Foundry Local 1.2.0が対応する省電力ARM64端末と、音声が端末外に出ない処理経路を公式ブログで確認する。
現行のクラウド音声APIの月額課金と、端末側で処理を完結させた場合のコスト差を比較する。
自社の音声入力シナリオで、Copilot CLIが示した単語誤り率約8%に対する実際の認識精度を測る。
「音声がマシン外に出ない」「トークン課金なしで端末側に組み込める」という点に、プライバシーや主権を重視する開発者の関心が集まっている。
公式発表と各所の反応から編集部が要約した主な論点です。個別のX投稿そのものは下部のセクションに表示されます。
「音声がマシン外に出ない」
「トークン課金なしで端末側に組み込める」
GitHub Copilot CLIの音声入力での単語誤り率約8%という実装結果や、Raspberry Pi 5・NVIDIA Jetsonといった省電力端末で動く点が、自社アプリへの組み込みの現実性として注目されている。一方で、40言語のうち日本語の認識精度や自社環境での再現性を実測してから判断したいという慎重な見方もある。
※トレンド検出時刻付近の人気投稿を表示
