何が起きたか

智元創新は2026年11月16日、ロボット向け全モーダル対話モデル「WITA-Omni」を発表した。音声・映像に加え、触覚やロボット本体の状態を入力し、動作や表情も出力する。応答時間は最速約400ミリ秒、平均約600ミリ秒で、同社は業界平均より約3倍速いとしている。

詳細

同社によると、WITA-Omniは遠征A3-Ultraに搭載し、本体上で動作する大規模モデルだ。流式全二重方式で、入力を聞きながら音声・表情・動作を生成する。基本的な応答を担うInteraction Engineと、推論・計画・ツール利用などを担うBackground Agentを組み合わせ、後者はクラウドで複雑なタスクを処理する構成としている。対応言語は方言を含めて100種類以上で、同社はDailyOmni、ActivityNet-TimeLens、MMAU、EmbSpatialBenchの各評価榜で首位に立ったとしている。 同社は、全モーダル事前学習、ロボット本体データによる行動調整、対話方策の強化を訓練工程に含めると説明した。観光案内など一部の文娱・導覧場面では、WITA-Omniを搭載したロボットが知識の説明や施設案内を担ったとしている。

Key Facts

智元創新は2026年11月16日、ロボット向け全モーダル対話モデル「WITA-Omni」を発表した。[1]
入力は音声・映像に加えて触覚と本体状態に対応し、出力にはロボットの動作や表情を含む。[1]
同社は応答時間を最速約400ミリ秒、平均約600ミリ秒とし、業界平均より約3倍速いとしている。[1]
同社は遠征A3-Ultraへの本体搭載を説明し、Interaction EngineとBackground Agentを組み合わせる構成を示した。[1]
同社はWITA-Omniが100種類以上の言語・方言に対応するとしている。[1]

本紙の見方

WITA-Omniの焦点は、ロボットの対話を音声入出力だけに限定せず、触覚や本体状態の認識から動作・表情の生成までつなぐ点にある。智元創新は本体データを使った訓練と、遠征A3-Ultraへの本体搭載を説明しており、対話モデルをロボットの物理的な能力に合わせて動かす構成を示した。一方、応答速度や榜単の順位は同社発表に基づくもので、独立した実機評価と同一視はできない。 本紙の既報との接続では、智元、具身Agent枠組み「Genie Master」を発表 実店舗で自律的な改善を検証が実行結果のフィードバックを扱い、智元、精霊G2 6台を上海の便利店で24時間稼働検証は実店舗での作業と記録を伝えた。今回の発表は、それらの作業実行系とは別に、人との会話を受け取り、応答や身振りに結びつける交互作用の層を具体化したものと位置づけられる。ただし、これらの仕組みが共通のデータ基盤や学習工程でどのように接続されるかは、発表内容だけでは分からない。 技術構成では、即時応答を担うInteraction Engineと、計画や長い推論を担うBackground Agentを分け、文脈を共有する点が重要だ。ロボットの対話では応答の速さと複雑な依頼への対応が同時に問われるため、処理を分担する設計はその両立を狙ったものとみられる。また、同社が本体上での動作を掲げる一方、複雑なタスクはクラウド側で処理すると説明しており、どの入力・処理を本体に残すかは、通信が不安定な場所での利用やデータ管理を考える上でも焦点になる。 今後は、約400ミリ秒という最速値の測定条件、平均値の対象、触覚や本体状態を含む入力での応答品質を確認する必要がある。加えて、モデル規模や本体側の計算資源、クラウド接続が必要となるタスクの範囲、公開環境での安全性、観光案内以外の導入規模は発表本文に具体的な数値がない。対話ベンチマークの成績だけでなく、実環境での誤認識や動作との整合性がどのように評価されるかが、運用上の判断材料となる。

なぜ重要か

WITA-Omniは触覚や本体状態を入力に含め、動作や表情を出力するモデルとして発表されており、音声応答にとどまらないロボットの対人インターフェースを目指す構成だ。智元創新は本体搭載によるプライバシー保護、通信のない環境での対話、リアルタイム処理を利点として挙げているが、複雑なタスクにはクラウド側のBackground Agentを使うとしており、適用条件は処理内容ごとに見極める必要がある。