ByteDance、長尺動画のリアルタイム生成モデル「Helios」をオープンソース公開

Helios は、ByteDance がオープンソースで公開した 14B 規模のリアルタイム長尺動画生成モデルだ。単一の NVIDIA H100 上で 19.5 FPS という生成速度を達成し、最長 1 分間の動画を破綻させずに一貫した画風で出力できる。

何ができるのか

Helios は、テキストからの動画生成、画像からの動画生成、動画からの動画生成という主要な生成タスクを標準で網羅している。

最大の特徴は生成速度の速さだ。端末上のテストでは、30 フレーム以上の映像が 2 秒足らずで出力される。蒸留モデルにおける生成速度は約 19.5 FPS に達し、実用的なリアルタイム基準に極めて近い。

長時間の安定性も大きな強みだ。従来のリアルタイム動画モデルは数秒を超えると破綻やノイズの急増、動作のループに陥りがちだったが、Helios は最長 1 分間の生成でもスタイルを崩さない。

リアルタイム性を最優先しているため、低速なハイエンドモデルと比べると多少のノイズやディテールの甘さは残る。それでも既存のリアルタイム手法を明らかに上回っており、一部の非リアルタイムモデルと肩を並べる水準に仕上がっている。

仕組みと動作環境

Helios は 14B パラメータの自己回帰拡散モデルを採用している。

巧みなのは、KV キャッシュやスパースアテンション、量子化といった定石の高速化手法に頼り切っていない点だ。過去のコンテキストとノイズ情報を大幅に圧縮しサンプリングステップ数を削ることで、計算負荷を 1.3B クラスの小型モデルと同等レベルまで引き下げた。

長尺生成時のドリフト問題に対しても、キーフレーム抽出などの外部処理を挟まず、学習段階であらかじめ破綻挙動をシミュレーションすることで根本からループ動作を抑え込んでいる。

ただし、19.5 FPS の速度を引き出すには NVIDIA H100 が必要であり、個人環境での導入ハードルはまだ高い。一方でメモリ効率は非常に高く、80 GB の GPU メモリがあれば複雑な並列フレームワークなしで学習を回すことができる。

コードベースは GitHub 上で公開されており、実行パイプラインやローカル環境の構築手順、学習スクリプトが揃っている。

なぜ重要か

エンタープライズ向け GPU を扱える開発者や研究チームにとって、Helios は直ちに検証してみる価値がある。単一 GPU で 14B のモデルを動かし、20 FPS 近い速度で 1 分間の動画を生成できることを実証した意義は大きい。

動画生成が待ち時間の長いオフラインレンダリングから、リアルタイムのインタラクティブ操作へと移行するための重要な布石になると私たちは見ている。