Hyper3Dが「Rodin Gen-2」発表、テキスト指示で3Dモデルの局所編集が可能に
Hyper3Dは、3Dモデル生成AI「Rodin Gen-2」とその編集機能を発表した。テキストや画像からの生成に加え、選択範囲を自然言語で修正できる3Dインペインティング機能を搭載。モデルを作り直すことなくディテールや質感を調整でき、3Dプリント向けSTL出力にも対応する。
画像・動画生成
Midjourney、Sora、Veo、SunoなどAIによる画像・動画・音声・音楽生成の新モデルと新機能。
新しいニュースを見る
ByteDance、動画生成AI「Seedance 2.0」を発表 不自然な浮遊感を大幅改善
ByteDanceは動画生成AIツール「Seedance 2.0」を発表し、傘下のJimeng AI（即夢AI）の一部ユーザー向けにベータテストを開始した。従来のAI動画にありがちだった水中にいるような不自然な浮遊感を抑え、よりリアルな動作表現を実現している。将来的なTikTokへの実装も予想される。
ByteDance、動画・音声同時生成モデル「Alive」予告 高精度な口唇同期を実現
ByteDanceは動画と音声を一体生成するモデル「Alive」を発表した。テキストや参照画像から口唇同期や表情が自然な有声動画を生成でき、勝率比較ではSoraを上回る結果を示した。現在は論文公開にとどまり、コードとオンラインデモは近日公開予定となっている。
ElevenLabs、原稿からワンクリックで本を音声化する「Audiobooks」を発表
ElevenLabsは、テキスト原稿からワンクリックでオーディオブックを制作・配信できる「Audiobooks」を発表した。表現力豊かなAI音声や音声クローンに対応し、シーンごとの細かな演出や効果音の追加が可能。完成した作品はElevenReaderや主要な配信プラットフォームへそのまま一括配信できる。
ByteDanceがSeedream 5.0 Previewを公開：Web検索と高精度編集に対応、2K生成が無料
ByteDance は画像生成モデル「Seedream 5.0 Preview」を公開しました。Web 検索、精密編集、論理的推論を統合し、リアルタイムの天気やニュース素材を画像に反映できるほか、参考画像から服装を抽出することも可能です。最大 2K 出力に対応し、現在は無料で利用できます。
清華大学発のXmax AI、手で触れるリアルタイム対話型動画モデル「X1」を発表
清華大学のXmax AIチームが、リアルタイム対話型動画モデル「X1」を発表しました。スマホのカメラ越しに手の動きを認識し、ミリ秒級の低遅延と無制限の生成時間で仮想キャラクターと触れ合えるのが特徴です。現在プライベートベータの参加者を募集しています。
Kling AIが「Kling 3.0」公開、15秒のマルチショット動画や4K画像生成に対応
Kling AIはマルチモーダル制作エンジン「Kling 3.0」を発表した。15秒の高精度なマルチショット動画や4K画像の生成に対応し、複数キャラクターや多言語アクセントに対応したネイティブ音声機能も強化した。現在はWeb版でUltra会員向けに先行提供されている。
Robloxが「4D生成」を公開：プロンプトから実際に運転できる3D車を生成
Robloxが基盤モデル「Cube」による「4D生成」のベータ版を発表しました。静止した3Dモデルに動作やインタラクションを付与し、テキストを入力するだけでタイヤが回り実際に運転できる車などをゲーム内で直接生成できます。
Klingが「3D Move」を発表：キャラへの動作移植と自由なカメラワークを両立
Kling が 3D 知覚モーション制御技術「3D Move（3DiMo）」を発表した。動画内の人物の動作を新キャラに移植しつつ、回転やズームなどカメラ視点も同時に破綻なく制御できる。手や指の細かな動きの再現性も高い。現在は技術論文のみが公開されている。
Adobe Firefly、画像・動画の無制限生成を開放 RunwayやGPTも利用可能に
AdobeはFireflyの対象サブスクリプション向けに、画像および動画の無制限生成を提供開始した。自社モデルに加え、Google Nano Banana ProやGPT、Runway Gen-4などの外部モデルも含まれる。3月16日までに加入すれば最大2K解像度まで生成し放題となり、クレジットを気にせず試作を重ねられる。
xAIが「Grok Imagine 1.0」公開、720p・10秒動画と音質向上
xAIは動画生成モデル「Grok Imagine 1.0」をリリースした。最大10秒の動画生成、720p解像度、大幅に向上したオーディオに対応する。過去30日間で12.45億本以上の動画が生成されたことも明かされ、急速に広がる利用規模に合わせて基本性能を底上げした格好だ。
NVIDIAが「DuoGen」発表：一貫した手順つき画像・テキストを連続生成
NVIDIA は画像とテキストを交互に生成するマルチモーダルモデル「DuoGen」の論文を公開しました。料理やDIYの手順など、スタイルを保ったまま連続した画像と解説を生成できます。現在は論文のみの公開となっています。
Suno、音声から楽曲を自動生成する新機能「Sample」を公開
Sunoはボイスメモや録音したフレーズから数分で新曲を構築する「Sample」機能を公開した。音声を読み込むとAIが特徴的な部分を切り出し、新しいリズムに合わせて自動で再構成する。従来のDAWのような専門知識がなくても、スライダー操作だけでサンプリングを活用した楽曲制作が可能になる。
Krea AI、複雑なプロンプトで即座に画像を編集できる「Realtime Edit」を一般公開
Krea AIは全ユーザー向けに新機能「Realtime Edit」の提供を開始した。複雑な指示文を入力しながらリアルタイムで画像を編集できるのが特徴で、待ち時間なく指示通りの変化を即座に確認できる。
MiniMax、音楽生成モデル「Music 2.5」を発表：14種類の構成タグで緻密な楽曲制御が可能に
MiniMax は最新の音楽生成 AI モデル「Music 2.5」を公開した。14 種類の楽曲構造タグによるセクション別の制御や 100 種類以上の楽器音源に対応し、ブレスやビブラートなど人間らしい歌声のニュアンスを忠実に再現する。Web 体験版と API が利用可能だ。
xAIが「Grok Imagine API」公開、低遅延・高コスパな音声付き動画生成を実現
xAIはテキストや静止画から音声付き動画を生成できる「Grok Imagine API」を公開した。高品質な映像表現に加え、生成遅延と利用コストの大幅な削減をアピール。オブジェクト差し替えやシーン編集にも対応し、開発者やクリエイターが低コストで並行試作できる環境を整えた。
テンセントが「ScriptAgent」公開、対話文から映画風動画を自動生成
テンセントは、対話テキストから映画風の映像を生成するフレームワーク「ScriptAgent」を発表した。脚本作成、動画モデルの監督、品質評価を担う3つのエージェントが協調し、Sora2-Proなどのモデルを使ってシーンをまたぐ一貫した動画を生成する。評価ベンチマーク「ScriptBench」もあわせて公開された。
Google DeepMind、サンダンスでAI短編アニメを公開：Veoと手描きを融合
Google DeepMindと元Pixarのクリエイター陣が制作した短編アニメ『Dear Upstairs Neighbors』がサンダンス映画祭で公開された。テキスト指示のみに頼らず、手描きのラフ動画からVeoやImagenで精密に制御する手法を採用。プロの表現意図を損なわずに生成AIを活かす制作手法として注目される。
Luma AIがRay3.14を公開：ネイティブ1080p対応で生成速度4倍、コスト3分の1に
Luma AIは推論ベースの動画生成モデル「Ray3.14」を発表した。ネイティブ1080p出力に対応し、生成速度を従来比4倍に高速化するとともに1秒あたりの利用料を3分の1に抑制。ちらつきやブレを抑えたことで、実制作ですぐに使えるアセットの生成が可能になった。
RunwayがGen-4.5の画像から動画生成を公開、見分けられた人はわずか10%
RunwayはGen-4.5に画像から動画を生成する新機能を追加した。実験では生成動画の真偽を見分けられた人はわずか10%だったという。Artificial Analysisの首位に立つ同モデルについて、同社はAIメディアが社会的「臨界点」に達したと指摘している。