LocalAI v4.12.0リリース:Web UI刷新とストリーミング音声対応

基本情報
| 項目 | 内容 |
|---|---|
| リポジトリ | mudler/LocalAI |
| 版 | v4.12.0 |
| 公開日 | 2026-10-22 |
| ライセンス | MIT |
| 出典の種類 | 公開元の一次情報(公式GitHubリポジトリのリリースノートが一次情報) |
情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。
概要
mudler/LocalAIは、LLM、ビジョン、音声、画像、動画などのあらゆるモデルをハードウェアを選ばずに手元で実行できるオープンソースのAIエンジンです(言語: Go、ライセンス: MIT)。
今回のバージョンv4.12.0では、Web UIの全面的な刷新をはじめ、音声レスポンスのストリーミング配信、ネイティブな決定ルーティング(decision routing)、モデルのメモリおよびプロンプト状態の高度な制御機能などが追加されています。音声合成やモデルの挙動、プライバシー保護機能に多数の変更が含まれており、ローカル環境での運用柔軟性が大きく向上しているため、該当機能を利用しているユーザーにはアップデートをお勧めします。
破壊的変更・非推奨
今回のリリースでは、チャット関連のエンドポイントやパラメータにいくつかの変更が行われています。チャット時の推論負荷を変更する専用のピックアップ機能において、個別の /reasoning アクションが削除されました。
| 変更前 | 変更後 |
|---|---|
/reasoning アクションによる制御 |
削除(UIの reasoning_effort ピッカーに統合) |
この変更は、チャットインターフェースで推論の effort を細かく制御していたユーザーや、API経由で /reasoning を直接呼び出していた環境に影響します。今後はチャット画面上のUIや統合されたパラメータを利用してください。
主な変更点
Web UIの刷新とモデル管理の改善
Web UIが共通のCSS/SVGキットやインク・ティール系のテーマを採用して一新され、モデルやスタジオのワークフローがより明確になりました。リモートからの手動インポートはバックグラウンドのギャラリージョブとして実行され、進捗や失敗、キャンセルが追跡できるようになっています。
モデルのストレージ集計機能では共有ファイルとモデル固有のファイルが区別されるようになりました。削除時に回収される容量が、表示されているサイズと必ずしも一致しない点に注意してください。
ストリーミング音声とオーディオ解析の強化
Qwen TTSなどの音声合成において、LLMの断片を逐次投入して音声生成を早期に開始するライブストリーミング機能が追加されました。これにより、LLMの完全な返答を待たずに音声出力を開始できます。
Parakeetの音声バンドルには音声認識(ASR)、VAD、話者ダイアライゼーションなどの複数ロールを内包できるようになり、voice_verify_threshold による話者検証もサポートされます。音声関連のパイプラインを高度に構築しているユーザーに影響します。
プロプライエタリな重みに関する注意
音声生成パスに新しく追加されたYuE2は、CC-BY-NC-4.0ライセンスが適用されており、非商業目的に限定して使用されます。商用利用を想定している環境では導入できないため注意してください。
モデルメモリとプロンプト状態の制御
MoEモデルのエキスパートをホスト側にキャッシュする moe_cache_mib や、遅延読み込みを有効にする lazy_mode、および /v1/slots/save と /v1/slots/restore によるスロットの保存・復元機能が追加されました。これにより、ワークロードに応じたメモリ使用量の最適化やプロンプト状態の永続化が可能になります。
スロットの永続化機能はPOSIX環境のみで動作し、モデルごとに最大32個のセーブデータを保持します。保存されたファイルは機密データとして扱われるため、適切なアクセス管理が必要です。
対応モデル・ハードウェア
本バージョンでは、音声・音楽生成、画像処理、モーションキャプチャなど多岐にわたる分野で対応モデルやハードウェアの拡充が行われています。
音声・音楽生成モデル
Qwen TTSは、TTSLive バックエンドRPCを導入したことで、LLMからの生成テキストを順次受け取りながら音声出力を行えるようになりました。これにより、テキスト全体の生成完了を待たずに音声再生を開始するリアルタイムなインタラクションが可能です。
Parakeetモデルのバンドル機能では、音声認識(ASR)、音声活動検出(VAD)、話者ダイアライゼーション、環境音などの音響イベント検出、ならびに話者エンコーダーといった複数の役割をまとめて扱うことができるようになりました。併せて、話者エンコーダーを用いた音声埋め込みやコサイン距離による照合処理にも対応しています。
音楽生成領域ではYuE2がaudio.cppの生成パスに対応しました。ただし、YuE2のモデル重みにはCC-BY-NC-4.0ライセンスが適用されているため、商用利用が禁止されている点に留意してください。
さらに、OmniVoiceでは生成時間の設定(最大30秒)や後処理パラメータの制御が可能となり、Pocket TTSではモデルロード時の言語設定(例: options: ["language:french"])がサポートされました。
モデルギャラリーにおいては、qwen3-streaming-assistant、vits-streaming-assistant、piper-streaming-assistant という3つのストリーミングアシスタント用プリセットが追加されています。これらはパイプラインの構成設定のみを提供するものであるため、実際に稼働させるには対応するLLM、文字起こしモデル、VAD、TTSモデルをそれぞれ個別に準備・インストールする必要があります。
画像・動画処理およびモーションキャプチャモデル
画像処理では、ESRGANを用いたアップスケーリングにおいて、拡散モデルのコンテキストを保持せずにタイリング処理を実行するネイティブモードが提供されました。これにより、メモリ効率の良い高解像度化が可能です。
動画・マルチメディア関連では、MiniMax-H3において参照画像、参照動画、ならびにWAV音声を入力フィールドとして設定できるようになりました(本バージョンではAPI経由でのみ利用可能です)。
また、新規バックエンドの gemxcpp を利用したGEM-Xによるリアルタイムモーションキャプチャが導入されました。ストリーミングされたRGB映像フレームからSOMA-77またはSMPL-24形式のポーズデータをリアルタイムに抽出可能です。ハードウェアとしてはCPUおよびVulkanをサポートしており、macOS上ではCPUを用いて動作します。なお、GEM-Xの重み利用にはNVIDIAのモデルライセンス条件が適用されます。
ベクトルデータベースと実行用ランチャー
永続的なベクトル管理機能として、/stores/* エンドポイント経由でQdrantを利用するための qdrant-store バックエンドが追加されました。TLS通信やカスタム認証局、環境変数によるAPIキー設定に対応し、バッチ単位での書き込み制御が可能です。
さらに、Linux x86_64向けに軽量なAppImageランチャーが配布パッケージに追加されました。本ランチャーの実行には、システム側に glibc 2.35 以上および適切なホストグラフィックスライブラリがインストールされている必要があります。
アップデート方法
LocalAI v4.12.0へのアップデートを実施する手順について、配布資料内に具体的なコマンドの記載はありません。Docker環境、コンパイル環境、あるいは各種バイナリ配布など、ご自身の利用している導入形態に合わせた更新手順を確認するため、公式のLocalAI v4.12.0 リリースページを参照してください。
Linux環境で新しく提供されたAppImageランチャーを導入する場合は、事前に動作要件である glibc 2.35 以上の環境とホストグラフィックスライブラリが整っているかをご確認ください。
関連記事
次に読むなら
- このツールの更新を追う → LocalAI の概要とリリース履歴(記録済み138版)
- 同じ分類(推論エンジン・ランタイム)の他のツール → llama.cpp / Ollama / vLLM

