AWS What's New Digest

Appearance

2026年07月14日 ​

[Storage Gateway] AWS Storage Gateway adds console support for copying file shares across gateways ​

概要 ​

AWS Storage Gatewayのコンソールから、ファイル共有（file share）の設定を別のゲートウェイへ直接コピーできる機能が追加されました。これにより、手動で設定を再入力する必要がなくなり、ゲートウェイ移行や環境更新時の作業工数が大幅に削減されます。

変更内容・新機能の詳細 ​

コンソールの「ファイル共有」画面で対象の共有を選び「Copy to gateway」を実行すると、ソース共有の設定を読み取り、互換性のある設定を宛先ゲートウェイ上に新しいファイル共有として作成します。以前は宛先ゲートウェイ上で共有を手動作成し、各種オプション（NFS/SMB設定、キャッシュやS3バケット参照設定等）を一つずつ入力する必要がありましたが、本機能はその設定を自動的に適用します。移行やOSアップグレード（例: AL2023への切替）といった作業での時間とヒューマンエラーを減らすことが目的です。コンソールは作成前にユーザーの対応を要する不整合な設定項目（互換性のないオプションや追加の権限・キーの準備が必要な項目）をガイド表示し、スムーズな移行を支援します。本機能は商用AWSリージョンで利用可能です。操作手順は Storage Gateway コンソールでファイル共有一覧から対象を選び「Copy to gateway」を選択するだけです。なお、この記事で述べられているのは共有の「設定」をコピーする機能であり、オブジェクトデータそのものの移動を自動で行うものではありません。必要に応じてS3側のデータ配置やネットワークアクセス、KMSキー等の事前準備が必要です。

影響範囲・利用シーン ​

  • 対象ユーザー: ストレージ管理者、クラウド移行担当者、SRE／運用チーム
  • 利用シーン: ゲートウェイの入替（OSアップデートや新インスタンスへの移行）、環境複製、DR構成のセットアップ
  • 運用効果: 手動での再設定作業を削減し、移行時間とヒューマンエラーを低減。移行作業の事前確認ポイントをコンソールで提示することで設定漏れを防止

技術的な注意点 ​

  • IAM権限: ソースの共有情報取得と宛先での共有作成に必要なStorage Gateway系のAPI権限（例: storagegateway:ListFileShares、storagegateway:DescribeFileShare、storagegateway:CreateNFSFileShare / CreateSMBFileShare など）を事前に付与してください
  • データ移動: 本機能は「設定」のコピーであり、共有に紐づくオブジェクトデータ（S3内データ）を自動で移動するものではありません。データ配置を変更する場合は追加のデータ移行手順（S3コピーやレプリケーション）を検討してください
  • KMSと暗号化: 暗号化にKMSを使用している場合、宛先で同じKMSキーが使えない／アクセスできないと設定を適用できない、または手動でキーを指定する必要があります。クロスアカウント／クロスリージョン利用時は注意してください
  • Active Directory / SMB: SMB共有でAD連携を利用している場合、宛先ゲートウェイが同じドメインに参加している必要があります。ドメイン参加情報や権限は自動で移行されない場合があるため、事前確認が必要です
  • S3バケットと権限: 共有が参照するS3バケット（およびプレフィックス）が宛先からアクセス可能であることを確認してください。バケットポリシーやIAMロール、VPCエンドポイントの構成によっては追加設定が必要です
  • ゲートウェイの種類: 宛先／ソースともにファイル共有をサポートするゲートウェイタイプ（File Gateway等）である必要があります。互換性のないゲートウェイ間ではコピーできません
  • リージョン制限: 本機能は商用AWSリージョンで提供されています。GovCloud／中国リージョン等での可用性は制限される場合があります。リージョン別の対応状況はAWS Capabilitiesで確認してください
  • コスト: 設定のコピー自体に大きな追加料金は発生しませんが、移行に伴うS3データ転送やレプリケーション、ゲートウェイの追加稼働による料金が発生する可能性があります

参考情報 ​

[CloudFront] Amazon CloudFront Functions now supports logging to CloudFront access logs ​

概要 ​

CloudFront Functionsから新たにcf.logCustomData()が利用できるようになり、関数内で生成したカスタムデータを直接CloudFrontのアクセスログに書き込めるようになりました。これにより、関数の判断とアクセスログを別システムで突き合わせる必要がなくなります。

変更内容・新機能の詳細 ​

CloudFront Functions（エッジで動作する軽量なJavaScript）の新しいヘルパーメソッド cf.logCustomData() を使うと、viewer request または viewer response 関数内からA/Bテストの割当、認証結果、ルーティング決定などのカスタム値を該当リクエストのCloudFrontアクセスログレコードに直接埋め込めます。従来は関数ログをCloudWatch Logsへ別出力していたため、関数の判断とアクセスログを照合する必要がありましたが、本機能により単一のログ（リアルタイムログ設定または標準ログ v2 のいずれでも対応）で関数の振る舞いとリクエスト結果を分析できます。既存の console.log() は引き続き利用可能で、cf.logCustomData() と併用できます。cf.logCustomData() 自体に追加料金はなく、CloudFront Functions の通常の呼び出し課金とアクセスログ配信（S3等）にかかる料金は発生します。機能は全てのCloudFrontエッジロケーションで利用可能です。詳細は CloudFront Functions のヘルパーメソッドのドキュメントを参照してください。

影響範囲・利用シーン ​

  • 対象ユーザー: CloudFrontを利用するウェブ/アプリ配信チーム、SRE、プラットフォームエンジニア、データ分析者
  • 利用シーン: A/Bテストのバリアント記録、認証／認可結果のログ、エッジでのルーティング決定やリダイレクト理由のトレース、セッション属性の付与を同一アクセスログで確認したい場合
  • 運用効果: 関数の意思決定とアクセスログを同一レコードで扱えるため、ログ横断での照合コストが削減され、問題解析や分析クエリが簡素化される
  • 分析効果: リアルタイムログ／標準ログ v2 のいずれかで集約可能なため、単一クエリで関数の動作とリクエスト結果を結びつけられる

技術的な注意点 ​

  • 呼び出し箇所: cf.logCustomData() は viewer request および viewer response 関数内で使用可能です。origin request/response には適用外の可能性があるため仕様を確認してください
  • データ仕様: カスタムデータがアクセスログレコードのどのフィールドにどのような形式で格納されるか、サイズ/エンコーディング制限はドキュメントで確認してください（大きすぎるデータは切り捨てやエラーの恐れあり）
  • 互換性: リアルタイムログ構成および標準ログ（v2）の両方で動作します。既存の console.log() と併用可能です
  • 権限: 関数のデプロイやCloudFront設定の変更にはCloudFront関連のIAM権限が必要です。アクセスログ配信先（S3等）やログ設定の管理権限も確認してください
  • コスト: cf.logCustomData() 自体に追加料金はありませんが、CloudFront Functions の通常の呼び出し料金とアクセスログの配信・保管にかかる料金は適用されます
  • リージョン制限: 利用可能（記事によると全てのCloudFrontエッジロケーションで提供されています）
  • 確認事項: 実装前にヘルパーメソッドの公式ドキュメントで出力フォーマット、最大長、サニタイズや特殊文字の扱い、ログ配信遅延などの挙動を確認してください

参考情報 ​

[General] OpenAI GPT-5.6 Sol, Terra, and Luna now generally available on Amazon Bedrock ​

概要 ​

OpenAIのGPT-5.6ファミリ（Sol、Terra、Luna）がAmazon Bedrockで一般提供（GA）されました。高性能でセキュアなBedrockの推論基盤を通じて、用途に応じた3つの能力層を使い分けられます。

変更内容・新機能の詳細 ​

GPT-5.6はSol（フラッグシップの高度推論・エージェント向け）、Terra（性能とコストのバランス）、Luna（低レイテンシ・低コスト）という3モデルを提供します。これらはAmazon BedrockのResponses API（bedrock-mantleエンドポイント）やコンソールから利用可能で、次世代の推論エンジン上で高性能・高信頼・セキュアに動作します。主な技術的特徴は以下の通りです。

  • 能力層: Solは最先端の推論性能とエージェント的コーディングベンチマークでの高成果、TerraはGPT-5.5相当の性能を半額近いコストで、Lunaは最も低い単価で高速推論を実現します。
  • プロンプトキャッシング: 明示的なキャッシュブレークポイントをサポート。エージェントワークフロー等で繰り返されるコンテキストは90%割引で課金され、スケール時のコスト重複を防ぎます。
  • 価格・契約: 価格はOpenAIのファーストパーティ料金と一致し、Bedrockでの利用は既存のAWS利用コミットメントにカウントされます。
  • 利用例: 自律的なコーディングエージェント、長期的なゲノミクス・生物学解析、高度なサイバーセキュリティ調査など、計算複雑度・推論品質が要求される用途に対応します。
  • リージョン提供: Solは米国東部（N. Virginia: us-east-1）と米国東部（Ohio: us-east-2）で提供。TerraとLunaは上記2リージョンに加え米国西部（Oregon: us-west-2）で利用可能です。
  • 利用方法: BedrockコンソールまたはResponses API（bedrock-mantle）から開始できます。詳細はAmazon Bedrockのドキュメントや発表ブログを参照してください。

影響範囲・利用シーン ​

  • 対象ユーザー: 機械学習エンジニア、アプリケーション開発者、データサイエンティスト、セキュリティ研究者、SRE/運用チーム
  • 利用シーン: 自律エージェント／コーディング支援、長期ホライズンのゲノム解析や生物学研究、脅威探索や高度なサイバーセキュリティ調査、コスト対性能を重視したリアルタイム推論
  • 運用効果: プロンプトキャッシュによる繰り返しコンテキストの90%割引でエージェントワークフローの総コスト削減が可能。Terra/Lunaを選ぶことで性能とコストのトレードオフを調整できる
  • コスト影響: 価格はOpenAIファーストパーティと同等でAWSコミットメントに計上可能。高性能なSolはコスト高、Lunaは低コスト運用に有利
  • リージョン制限: Solはus-east-1、us-east-2のみ。Terra/Lunaはus-east-1、us-east-2、us-west-2に限定されるため、レイテンシ要件やデータ主権に注意が必要

技術的な注意点 ​

  • IAM権限: BedrockのResponses APIとモデルアクセスに必要なIAMポリシー（bedrock:InvokeModel等）を付与してください
  • リージョン制限: Solは米国東部（N. Virginia, Ohio）のみ、Terra/LunaはN. Virginia、Ohio、Oregonで提供。その他リージョンでは未対応の可能性があります
  • コスト: 価格はOpenAIのファーストパーティ料金に合わせられ、利用はAWSの利用コミットメントに含まれます。プロンプトキャッシュ適用時の割引は明示的なキャッシュブレークポイントの設定が前提です
  • プロンプトキャッシュ実装: キャッシュブレークポイントを明示的に設定する必要があります。繰り返し使われるコンテキストは90%割引で課金されますが、キャッシュキーの設計・整合性管理が重要です
  • API/エンドポイント: Responses API経由（bedrock-mantleエンドポイント）またはBedrockコンソールで利用。API仕様やレート制限、リクエスト/レスポンス形式はBedrockドキュメントを参照してください
  • レイテンシ／スケーリング: Solは高性能だが計算量とレイテンシが高くなる可能性があるため、低レイテンシが重要な用途はTerraまたはLunaを検討してください
  • データセキュリティ／コンプライアンス: 入力データに個人情報や機密情報を含める場合は、データの送信先（リージョン）と保存ポリシー、責任共有モデルを確認してください。モデルの学習データ利用方針やデータ保持に関するAWSの説明を確認すること
  • モデル選択ガイダンス: 複雑な推論・長い計算過程やエージェント用途はSol、コスト対性能のバランス重視はTerra、リアルタイム性とコスト効率を優先するスループット重視の推論はLunaを推奨
  • その他: 利用メトリクスは既存のBedrockログ/モニタリングに統合可能。料金体系やリージョンサポートは変更される可能性があるため導入前に最新ドキュメントを確認してください

参考情報 ​

[General] Amazon Managed Service for Prometheus is now available in Asia Pacific (New Zealand) Region ​

概要 ​

Amazon Managed Service for Prometheus（AMP）がアジアパシフィック（ニュージーランド）リージョンで利用可能になりました。AMPはPrometheus互換のフルマネージド監視サービスで、大規模なメトリクスの収集・格納・クエリ・アラートを容易にします。

変更内容・新機能の詳細 ​

AMPはPrometheus互換のエンドポイントを提供するフルマネージドサービスで、Prometheusクライアントやremote_write互換のエージェント／エクスポーターからメトリクスを送信できます。各ワークスペースはPrometheusメトリクスの格納とクエリに特化した論理的な領域で、1つのワークスペースあたり最大で10億（1 billion）のアクティブメトリックシリーズを受信可能です。また、アカウント当たり複数のワークスペースを作成できます。サービスはスケーラブルなデータ取り込み、クエリ、アラート基盤を提供し、Amazon Managed Grafana等の可視化ソリューションと組み合わせて利用することで監視運用を簡素化します。料金体系については公式の価格ページを参照してください。

影響範囲・利用シーン ​

  • 対象ユーザー: SRE／DevOps／監視担当者、Kubernetes/EKSやコンテナ基盤を運用する開発チーム
  • 利用シーン: ニュージーランドリージョン内でのメトリクス集約と監視、リージョン内データ保持が必要な分散アプリケーションの監視、Prometheus互換ツールでの大規模メトリクス処理
  • 運用効果: 管理負荷の軽減（自己運用Prometheusのスケール・運用コスト削減）、大規模メトリクスの取り込み・クエリが可能になりアラート精度と検知速度が向上

技術的な注意点 ​

  • IAM権限: ワークスペース作成や書き込み／クエリにはapsサービス用のIAMアクション（例: aps:WriteSamples/aps:QueryMetrics等）を含む適切なポリシーが必要です。具体的な最小権限は公式ドキュメントで確認してください。
  • リージョン制限: 本リリースはアジアパシフィック（ニュージーランド）リージョンでの提供開始を示します。他リージョンとは別にワークスペースを作成する必要があり、リージョン間のデータレプリケーションは自動では行われません（リージョン識別子はコンソールで確認してください）。
  • コスト: 取り込み（ingestion）、保存（storage）、クエリ実行に基づく課金が発生します。大量のアクティブメトリック（最大10億シリーズ）を扱う場合はコストが増加するため、サンプリングやラベル整理などの最適化を検討してください。詳細は価格ページ参照。
  • 互換性／送信方法: Prometheus互換のremote_writeや一般的なPrometheusエクスポーターからメトリクスを送信可能ですが、エージェント設定やTLS/認証の設定（署名／IAM認証など）を確認してください。
  • モニタリング統合: Amazon Managed Grafanaなどの可視化ツールと組み合わせることでダッシュボードやアラートを利用できます。データ転送や他サービス利用分の追加コストに注意してください。

参考情報 ​

[Documentdb] Amazon DocumentDB (with MongoDB compatibility) now available as a skill in the Agent Toolkit for AWS ​

概要 ​

Amazon DocumentDB（MongoDB互換）がAgent Toolkit for AWSの専用スキルとして利用可能になりました。AIコーディングエージェントを使い、ベストプラクティスに沿ったワークフローでクラスタ構築、移行、チューニングなどを自動化できます。

変更内容・新機能の詳細 ​

このスキルは7つのワークフローを提供します：クラスタプロビジョニング、スキーマ設計、MongoDB互換性評価、DMS（Change Data Capture）を使った移行、パフォーマンスチューニング、41項目のWell-Architectedレビュー、およびメジャーバージョンアップ。AWS MCP Serverと組み合わせると、エージェントはIAMベースのガードレール、CloudTrailによる監査ログ、サンドボックス実行の下でAWS CLIコマンドや診断クエリを実行できます。チームがローカルで実行したい場合は、AWS CLI経由でスタンドアロンでも動作します。Agent Toolkitの一部として追加料金なしで提供されますが、DocumentDBクラスタやDMS等の実行に伴う通常のAWS利用料金は別途発生します。詳細や導入手順はGitHubのスキルリポジトリとAgent Toolkitのクイックスタート、そしてAmazon DocumentDB Developer Guideを参照してください。

影響範囲・利用シーン ​

  • 対象ユーザー: データベース管理者、クラウドエンジニア、DevOps/プラットフォームチーム、アプリケーション開発者
  • 利用シーン: 新規DocumentDBクラスタのプロビジョニング、MongoDBからの移行（DMS＋CDC）、スキーマ設計支援、パフォーマンス問題の診断とチューニング、メジャーバージョンアップ作業のガイド
  • 運用効果: 手順化されたワークフローによりヒューマンエラーを低減し、移行や運用作業の速度と一貫性を向上させる。IAMガードレールとCloudTrailで監査性を確保できるためセキュリティ運用が容易になる

技術的な注意点 ​

  • IAM権限: スキル／MCP Serverが実行するCLIコマンド用の適切なIAMロール／ポリシー（DocumentDB、DMS、EC2/VPC、CloudTrailなど）が必要です
  • リージョン制限: DocumentDBや関連サービスの利用可否はリージョンごとに異なるため、対象リージョンでの提供状況を事前に確認してください
  • コスト: スキル自体は追加料金なしだが、DocumentDBインスタンス、ストレージ、DMSタスク、MCP Server稼働リソース、データ転送など通常のAWS料金が発生します
  • DMS移行注意: DMSを用いるCDC移行はソース/ターゲットの接続設定、ネットワーク（VPC、セキュリティグループ）、十分な権限、移行前のスキーマ検証が必要です。ダウンタイム要否を事前に評価してください
  • MongoDB互換性: MongoDBの機能すべてが完全互換ではないため、互換性評価ワークフローで検出された差分（特定のコマンドやデータ型、インデックス動作など）に基づいてアプリ側修正や変換が必要になる可能性があります
  • メジャーバージョンアップ: アップグレード作業は事前検証、バックアップ/スナップショット、テスト環境での検証を実施し、必要ならローリング方式やメンテナンスウィンドウを計画してください
  • セキュリティと監査: MCP Server経由での実行はCloudTrailにより記録されるが、実行ログの保管方針やログ監査の運用を整備してください
  • スタンドアロン利用: AWS CLI経由でのローカル実行が可能だが、同様に権限とネットワーク設定の確認が必要です
  • テスト運用: 本番適用前に非本番環境でワークフローを検証し、パフォーマンスや互換性の確認、復旧手順のテストを行ってください

参考情報 ​

[Sagemaker Jumpstart] Gemma-4-E2B-it for is now available in Amazon SageMaker JumpStart ​

概要 ​

Amazon SageMaker JumpStartでGoogle DeepMindの多モーダル基盤モデル「gemma-4-E2B-it」が利用可能になりました。SageMaker上でワンクリックまたはSDKから展開でき、テキスト・画像・音声入力に対応した推論が可能です。

変更内容・新機能の詳細 ​

gemma-4-E2B-itは指示（instruction）でチューニングされた多モーダルモデルで、テキスト・画像・音声を入力として受け取りテキストを出力します。内蔵の逐次推論（step-by-step reasoning）モードにより思考過程をモデルに踏ませた応答生成が可能です。画像理解機能として物体検出、ドキュメント解析、画面／UI理解、チャート解釈、OCRを備え、動画理解や多言語対応（数十言語）もサポートします。さらにネイティブな関数呼び出し（function calling）を通じたエージェント的ワークフロー統合、コード生成・補完・修正も想定されています。SageMaker JumpStartに取り込まれているため、StudioのModels画面から数クリック、またはSageMaker Python SDK経由でお使いのAWSアカウント上にデプロイできます。JumpStartは事前構成済みのコンテナ／推論設定とサンプルノートブックを提供するため、実運用向けのチューニングやエンドポイント構築が容易です。デプロイ後はSageMakerのエンドポイント（リアルタイム／非同期）、Model Monitor、CloudWatch等を利用して推論監視やロギングが行えます。

影響範囲・利用シーン ​

  • 対象ユーザー: 機械学習エンジニア、アプリケーション開発者、データサイエンティスト、SRE/運用チーム
  • 利用シーン: マルチモーダル検索・QA、ドキュメント自動解析（OCR/レイアウト解析）、UI自動テスト／画面理解、チャート解釈、音声入力を含む対話システム、コード補完や自動修正ワークフロー
  • 運用効果: 高精度なマルチモーダル推論をAWSインフラ上で短期間に立ち上げ可能になり、PoCから本番までの開発サイクル短縮およびオンプレや外部サービスへの依存を減らせる

技術的な注意点 ​

  • IAM権限: SageMaker Studioでのモデル参照・デプロイには適切なIAMロール（sagemaker:CreateModel, CreateEndpoint, CreateEndpointConfigなど）とS3アクセス権が必要です。
  • リージョン制限: JumpStartでの提供状況はリージョンごとに異なるため、対象リージョンでの利用可否を事前に確認してください。
  • コスト: エンドポイント（GPU/CPUインスタンス）の稼働時間、モデルアーティファクトのストレージ、データ転送等に対して通常のSageMaker料金が発生します。大規模モデルや高スループット運用では費用が増加します。
  • インスタンスタイプ: モデルサイズとレイテンシ要件に応じてGPU（例: ml.p4/ml.g5 など）を検討してください。JumpStartの推奨インスタンスを参照し、メモリ／VRAM要件を満たす必要があります。
  • データ保護: JumpStartはモデルを顧客アカウント上にデプロイしますが、機密データを扱う場合はS3暗号化、VPCエンドポイント、KMSキー、IAM制限を適切に設定してください。
  • ライセンス・利用規約: DeepMind/Gemmaのモデル利用条件やライセンス制約を確認してください。特定用途（医療・金融等）での利用制限がある可能性があります。
  • 運用監視: Model Monitor、CloudWatch、SageMaker Debugger等でレイテンシ・スループット・予測品質を監視し、スケーリングやコスト制御の設計を行ってください。

参考情報 ​

[Sagemaker Jumpstart] OpenAI privacy-filter for PII detection and masking is now available in Amazon SageMaker JumpStart ​

概要 ​

Amazon SageMaker JumpStartでOpenAIのprivacy-filter（PII検出・マスキング用の双方向トークン分類モデル）が利用可能になりました。これによりAWS上で高速かつコンテキスト対応のデータサニタイズワークフローを容易に構築・展開できます。

変更内容・新機能の詳細 ​

privacy-filterはOpenAI提供の双方向（bidirectional）トークン分類モデルで、入力テキストを1回のフォワードパスでラベリングし、PIIスパン（口座番号、住所、メール、氏名、電話番号、URL、日付、シークレット等）を検出してマスキングできます。コンテキストを考慮した検出が可能で、高スループット向けにチューニング可能に設計されているため、バッチ処理／ストリーミング処理の両方でデータサニタイズ用途に適しています。SageMaker JumpStartからはSageMaker StudioのModelsセクションまたはSageMaker Python SDKを使って数クリック／数行のコードでこのモデルをデプロイでき、リアルタイムエンドポイントやバッチ推論、SageMaker Processing / Pipelinesに組み込んで運用できます。モデルのファインチューニング可否やオンプレ実行時のライセンス要件は個別に確認してください。

影響範囲・利用シーン ​

  • 対象ユーザー: データサイエンティスト、機械学習エンジニア、セキュリティ／コンプライアンス担当、SRE/運用チーム
  • 利用シーンまたは効果: 顧客データやログの自動PII検出・マスキング、外部共有前のデータサニタイズ、チャットログやドキュメントの自動検査、データパイプライン内でのリアルタイム検出
  • 運用効果: 手動チェック工数の削減、準拠性（プライバシー保護）の向上、高スループットでのサニタイズによりデータ提供の迅速化・安全性向上

技術的な注意点 ​

  • IAM権限: SageMakerでのモデルデプロイ・エンドポイント作成・S3アクセス等の権限（AmazonSageMakerFullAccess等）を適切に設定してください。サービスロールやKMSキーの権限も必要です。
  • リージョン制限: JumpStartに登録されたモデルの提供リージョンは限定される場合があります。利用前に対象リージョンでの提供状況をコンソールまたはドキュメントで確認してください。
  • コスト: エンドポイントのインスタンス時間、推論リクエスト、ストレージ、ネットワーク転送に対する標準的なSageMaker課金が発生します。高スループット運用ではインスタンス選定により費用が増加します。
  • データ保護: マスキング前後のログや結果の保存、モニタリングデータを扱う際は、保存場所（S3）やKMS暗号化、アクセスログの管理を確実に行ってください。
  • 推論方式: リアルタイムエンドポイント（低レイテンシ）とバッチ推論（大規模データ向け）を選択可能。スループット要件に応じてインスタンスタイプやマルチインスタンス構成を検討してください。
  • カスタマイズ/チューニング: JumpStart経由ではモデルの即時デプロイが容易ですが、ファインチューニング可否や方法はモデルごとに異なります。モデル固有の制約やライセンスを確認してください。
  • 言語・精度: モデルの検出精度は言語やドメイン、表記ゆれに依存します。業務データでの評価（精度・偽陽性/偽陰性の確認）を必ず行ってください。

参考情報 ​

[SageMaker] Voxtral-Mini-4B-Realtime for real-time speech transcription is now available in Amazon SageMaker JumpStart ​

概要 ​

Mistral AIのリアルタイム音声文字起こしモデル「Voxtral-Mini-4B-Realtime-2602」がAmazon SageMaker JumpStartで利用可能になりました。低遅延のストリーミング設計で13言語に対応するマルチリンガルの文字起こしを簡単にデプロイできます。

変更内容・新機能の詳細 ​

Voxtral-Mini-4B-Realtime-2602は約4Bパラメータ規模のリアルタイム音声文字起こしモデルで、ネイティブなストリーミングアーキテクチャを持ち、入力音声を低遅延で逐次的にテキスト化できます。13言語のマルチリンガル対応が組み込まれており、ユーザー側で「transcription delay（遅延設定）」を調整することで、レイテンシと精度のトレードオフを制御できます。Amazon SageMaker JumpStart経由で、SageMaker StudioのModels画面から数クリックでデプロイ可能、あるいはSageMaker Python SDKを使ってプログラム的にデプロイできます。リアルタイム要件を満たすためには推奨される推論インスタンスタイプ（GPUインスタンス等）を選び、SageMakerのリアルタイムエンドポイントまたはストリーミング対応の推論構成で運用するのが典型的な導入パターンです。実運用ではレイテンシ測定、言語検出・モデル設定、入力音声の前処理（ノイズ除去等）や結果のポストプロセス（句読点付与やカスタム語彙の適用）を組み合わせることで品質を向上させられます。

影響範囲・利用シーン ​

  • 対象ユーザー: 音声アプリケーション開発者、NLPエンジニア、SRE/運用チーム
  • 利用シーンまたは効果: 会議のリアルタイム文字起こし、コールセンターのモニタリング、ライブ字幕生成、マルチリンガル音声インターフェースの低遅延実装
  • 運用効果: 低遅延でストリーミング文字起こしを実装できるためユーザー体験が向上し、言語対応の幅が広がることでグローバル利用が容易になる
  • 導入工数: SageMaker JumpStartによるワンクリック/SDKデプロイでPoCが迅速に行え、本番移行時は推論インスタンス選定とスケーリング設定が主な作業となる

技術的な注意点 ​

  • IAM権限: SageMakerでモデルをデプロイ・実行するためのIAM権限（モデル作成、エンドポイント作成、S3アクセスなど）が必要です
  • リージョン制限: JumpStartでの提供状況はリージョンごとに異なります。利用前にSageMaker JumpStartの該当リージョンでの可用性を確認してください
  • コスト: リアルタイム推論用のインスタンス（特にGPUインスタンス）は費用が高くなる可能性があります。長時間稼働やスケールアウト時の推論コスト・データ転送コストを考慮してください
  • 推奨インスタンス: 低レイテンシ要件を満たすにはGPU搭載の推論インスタンスが望ましいです。具体的なインスタンスはワークロード（同時接続数、音声長、要求レイテンシ）に応じてベンチマークで決定してください
  • ストリーミング要件: ネイティブにストリーミング処理を行うため、クライアント側も逐次音声送信/受信の実装（WebRTCやgRPCストリーミング等）を検討する必要があります
  • モデルライセンス: モデルはMistral AI提供のため、利用条件や再配布制限などライセンス条項を確認してください
  • 運用監視: レイテンシ、エラー率、入力音声品質（SNR）を監視し、必要に応じてオートスケーリングや前処理パイプラインを調整してください

参考情報 ​

[Sagemaker Jumpstart] Qwen3 embedding and reranking models for retrieval are now available in Amazon SageMaker JumpStart ​

概要 ​

Amazon SageMaker JumpStartでQwen3-VL-Embedding-2BとQwen3-Reranker-4Bが利用可能になりました。これらはマルチモーダル埋め込みと高精度再ランキングに特化したモデルで、検索・リトリーバルパイプライン構築を容易にします。

変更内容・新機能の詳細 ​

Qwen3-VL-Embedding-2Bはテキスト、画像、スクリーンショット、動画、またはそれらの混在入力を受け取り、視覚情報とテキスト情報を共通のベクトル空間にマップする埋め込みを生成します。画像―テキスト検索、動画―テキストマッチング、視覚質問応答（VQA）、マルチモーダルクラスタリングなどのタスクで利用可能で、30以上の言語に対応しています。一方Qwen3-Reranker-4Bはクエリとドキュメントのペアを入力に取り、関連度スコアを出力して検索結果を再ランキングするためのモデルです。テキスト検索、コード検索、テキスト分類、クラスタリング、ビテキストマイニングなど幅広い用途に対応し、100以上の言語をサポート、ユーザー定義の指示（instruction）を与えて特定タスクや言語に最適化できます。通常は埋め込みモデルで高速な初期リコール（retrieval）を行い、その後再ランキングモデルで精度向上を図るという二段構成で使用します。SageMaker JumpStartからSageMaker StudioのModels画面で数クリックでデプロイ可能で、SageMaker Python SDKを使ったプログラム的なデプロイやエンドポイント化、バッチ推論への組み込みもサポートされます。既存のベクトルストアやインデクサ（例：OpenSearchや外部ベクトルDB、カスタムインデックス）と組み合わせて検索パイプラインを構築すると効果的です。

影響範囲・利用シーン ​

  • 対象ユーザー: 検索エンジン開発者、NLP/マルチモーダルAI開発者、SRE/MLプラットフォーム担当者
  • 利用シーン: マルチモーダル検索（画像＋テキスト検索）、ドキュメント検索の精度向上、コード検索、ビデオメタデータ検索、マルチリンガルなリトリーバルパイプライン
  • 運用効果: 初期リコールを高速化しつつ再ランキングで精度を担保できるため、ユーザー体験（検索精度・関連性）が向上し誤検出を削減できる
  • 開発効果: JumpStart経由でのワンクリック／SDKデプロイによりPoCから本番化までの導入コストと時間を削減できる

技術的な注意点 ​

  • IAM権限: SageMakerのエンドポイント作成、モデルのデプロイ、S3アクセスなどの権限が必要です（SageMakerExecutionRole等）。
  • リージョン制限: JumpStart上のモデル提供はリージョンによって順次展開されるため、利用前に対象リージョンでの提供可否を確認してください。
  • コスト: リアルタイムエンドポイント、推論インスタンス（GPU含む）、データ転送、S3保存などの通常のSageMaker料金が発生します。推論負荷に応じてインスタンスサイズとスケーリングを検討してください。
  • 推奨インフラ: 低レイテンシのリアルタイム推論はGPUインスタンス（例: G系/P系など）を検討。バッチ処理やオフライン再ランキングはCPUインスタンスやスポットでのコスト最適化が可能です。
  • 入力前処理: 画像／動画のフレーム抽出、リサイズ、テキスト正規化など適切な前処理が必要です。マルチモーダル入力はフォーマット要件を確認してください。
  • スケーリング/レイテンシ: 埋め込み生成は高スループット向けにバッチ化が有効、再ランキングはモデルサイズとレイテンシのトレードオフがあるためSLOに合わせた設計が必要です。
  • モデル利用上の留意点: 再ランキングでのユーザー指示（instruction）を活用するとドメイン最適化が可能ですが、出力の検証（評価セットでのチューニング）を推奨します。データの機密性に応じてエンドポイントへの送信方法やログ保存ポリシーを設計してください。

参考情報 ​

AI要約はOpenAI APIによって生成されています。

Copyright © 2026