■ **概要** SGLang-Omniは、マルチモーダル（テキスト・画像・音声）とスピーチを統一的に扱えるLLM推論サービング基盤。 ■ **特徴・用途** 単一の統合インターフェースでテキスト→画像→音声の複合モーダル処理を実装可能。LMSYS（UC Berkeley発）が主導で、プロダクション向けの効率的なサービング（バッチング、キャッシング、マルチワーカー対応）に重点を置いている。Ollama互換APIやPythonクライアントで既存ワークフローへの組み込みが容易。 ■ **結論** スピーチ処理を含むマルチモーダル推論パイプラインが必要な場合、Audio8やVoiceboxのような個別エンジンを統一する候補として検討に値する——ただしCLAUDE.mdの「曲生成は0.14」「TTS主エンジンはAudio8」といった既存構成の置き換えを検討するなら、キュー直列化やVRAM管理との互換性を事前検証すべき。