画像生成AIの最新情報

画像・動画・音声を統合学習した基礎モデル「FLUX 3」が早期アクセスで公開されました。単一の生成プロセスで最大20秒の動画と音声を生成でき、文生成や画像からの動画生成にも対応しています。

SANA-Video 2.0は、5Bおよび14Bのパラメータ規模を持つ混合型動画拡散Transformerです。線形とソフトマックスの注意機構を組み合わせることで、単一GPU環境での効率的な動画生成を実現しました。

Qwen-Image-3.0は、最大4.5kトークンの入力や多言語対応、高度な画像編集機能を備えた画像生成モデル。実測テストでは、UIデザインや複雑な文字入れにおいてGPT Image2に匹敵する精度を示した。

RTX 5090クラスのデスクトップGPUで動作する、動作条件付きのビデオ世界生成モデルです。長時間の自律的な生成におけるズレを抑え、リアルタイムな対話型環境を実現します。

「実」を追求した第3世代の画像生成モデルで、4.5kトークンの指示入力に対応し、複雑な情報を網羅したグリッドレイアウトの生成が可能です。12言語のテキストレンダリングに対応し、実務での活用を想定しています。

ニール・ブロムカンプ監督が、動画生成モデル「Seedance 2.0」を活用した13分のSFホラー短編『Nightborne』を公開しました。同監督は今後、同様の手法で長編映画の制作を目指すAI映画スタジオ「Barley Studios」を設立しています。

人声、効果音、環境音を一つのモデルで生成可能な「Seed Audio 1.0」が登場しました。100ms単位の精密な制御が可能で、多言語対応かつ高い自然度を実現しています。

昆仑万维はWAICにて、世界モデル「Matrix-Game 3.5」や音楽生成モデルなどを発表しました。特にMatrix-Game 3.5は、単一GPUで20FPSのリアルタイム生成を実現しています。