Runway、対話型世界モデル「GWM Worlds 2」発表 720p/24fpsでリアルタイム生成
Runwayは、720p・24fpsの映像と音声をリアルタイムに連続生成できる世界モデル「GWM Worlds 2」を発表した。初期フレームとテキストで物理法則や環境を定義し、キーボード入力やテキスト操作で視点やキャラクターをゲームのようにリアルタイム操作できる。ゲームやロボット訓練への応用を見込むが、急激な視点移動での画質低下などの課題も残る。
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
fal、視聴者がプロンプトで指示できる対話型AIライブ配信を発表
falはリアルタイム対話型AIライブ配信プラットフォーム「fal.live」を公開した。視聴者はチャンネルを選んでテキストプロンプトを入力し、リアルタイムに生成される映像の展開を自ら監督できる。受動的な視聴から参加型の生成体験へと転換を図る試みだ。
MiniMaxがFastH3 v1公開：15秒動画を13秒で生成
Hao AI LabとMiniMaxはオープンウェイトの動画生成モデル「FastH3 v1」を公開した。NVIDIA Blackwell GPU上で最大14倍の高速化を達成し、15秒の768p動画をわずか13秒で生成する。単一チェックポイントで多様な解像度や長さに対応し、重みと推論コードが配布されている。
Midjourney、画像編集モデル「V8.2」のテスト公開 指示テキストでの編集やインペイントに対応
Midjourneyはコミュニティ向けに画像編集モデル「V8.2」のテスト提供を開始した。テキスト指示による編集、部分修正（インペイント）、キャンバス拡張に対応し、最大4枚の参照画像を組み合わせた生成も可能。従来の参照機能を刷新し、Web版やDiscordから試すことができる。
Google、動画生成「Gemini Omni 1.1 Flash」発表：40秒延長や4K対応
Googleは動画生成モデル「Gemini Omni 1.1 Flash」を発表した。直前10秒の文脈を反映して最長40秒まで映像を延長できるほか、始点・終点フレーム指定、4K高画質化、生成速度が60%向上しコストを3分の1に抑えた360pプレビューに対応する。Google AI Studioなどで即日利用できる。
Bria AI、JSONプロンプト対応の画像生成モデル「Fibo 1.5」を公開
Bria AIは構造化JSONプロンプトにネイティブ対応した8B規模の画像生成モデル「Fibo 1.5」を公開した。蒸留によりCFG不要の4〜6ステップで高速生成が可能。構図やライティングなど特定属性のみの微調整に対応し、非商用向けに重みを提供する。
Midjourney、Web版アルファのUI改善・バグ修正を実施 フォルダ整理や拡大機能を復旧
MidjourneyはWeb版「alpha.midjourney.com」向けの大規模な修正アップデートを公開した。サイドバーに折りたたみ可能なプロジェクトフォルダ階層を追加したほか、旧V8.2画像のUpscaleやVaryボタンを復旧し、プロンプト入力時のラグやギャラリースクロールの遅延を解消した。
Runway、SDR動画を最大16bit HDRに変換する新モデル「Ruby」発表
Runwayは、SDR動画を最大16bitのHDR動画に変換する新モデル「Ruby」を公開した。ProResおよびEXRシーケンス形式での出力に対応し、自作動画やRunwayで生成した動画（最長30秒）を再撮影することなく手軽に高ダイナミックレンジ化できる。
OpenAI、GPT-Image-2 APIで「背景透過」画像生成に対応
OpenAIはGPT-Image-2 APIにおいて背景透過画像の生成機能をプレビュー提供開始した。切り抜き加工を挟むことなく、商品画像やWebモックアップ、広告グラフィックに直接合成できるアセットを生成できる。現在は開発者向けプレビューとして利用可能だ。
Tripo、ゲーム向け3D生成AI「P2.0 Preview」公開 四角形ポリゴンに対応
Tripoはゲームやリアルタイム処理向けに設計された3Dモデル生成AI「P2.0 Preview」を公開した。ネイティブの四角形（Quad）トポロジーに対応し、最大5万ポリゴン（三角面）または2.5万Quadのクリーンなメッシュを出力できる。全ユーザーに2回分の無料生成枠が提供されている。
Stability AIが「Stable Audio」DAWプラグイン公開：LogicやAbletonで直接AI作曲
Stability AIはStable Audio 3.0のDAWプラグインと刷新されたWebアプリのベータ版を公開した。プラグインはmacOSのAUおよびVST3に対応し、プロジェクトのBPMに同期して最長6分のオーディオを生成可能。Web版もマルチトラック編集に対応し、生成物の権利はユーザーに帰属する。
アリババ、音楽生成AI「HappyShrimp 1.0」ベータ公開：指示文からボーカル付き完曲を生成
アリババはテキストプロンプトから楽曲全体を自動生成する音楽AI「HappyShrimp 1.0」のベータ版を公開した。専門知識がなくてもメロディ、編曲、作詞、歌唱まで一貫して作成でき、中国伝統風からポップス、ジャズまで対応する。太合音楽集団とのアーティスト共創も発表された。
Pikaが4種の音声AIモデルを公開：競合比で最大20倍安くAPI提供
Pikaは動画同期音響「Soundtrack」、音楽生成「Music」、効果音「SFX」、音声合成「Speech」の4つの基礎モデルを発表した。推論効率の最適化により最大20倍の低コスト化を実現し、Pika API Club限定で提供を開始した。
Sunoが「Studio 2.0」公開：MIDI対応やAIプラグイン自作を搭載
Sunoはブラウザ向け音楽制作環境「Suno Studio 2.0」を発表しました。MIDI録音やタイムライン編集、オートメーションに対応したほか、AIチャットで独自プラグインを作成できる機能や高精度な音源分離を搭載。現在はPremier会員向けに提供されています。
MiniMax、5分間の楽曲を一括生成できるオープン音源モデル「Music 3.0」公開
MiniMax はオープンウェイトの音楽生成モデル「Music 3.0」を発表しました。Qwen3.5-8B ベースのハイブリッド構成とフローマッチングを採用し、プロンプトと歌詞から最長 5 分のフル楽曲を作曲からボーカルまで一括生成します。構成の破綻を防ぎ、生演奏に近い楽器の質感を再現できます。
Microsoft、画像生成モデル「MAI-Image-2.6」発表 Arenaで2位に浮上
Microsoftは画像生成モデル「MAI-Image-2.6」を発表し、Arenaのテキスト画像生成リーダーボードで2位にランクインした。GoogleやMeta、xAIのモデルを上回り、前バージョンから総合Eloスコアが79ポイント、テキスト描画では91ポイント向上している。
テンセントが「WorldClaw」発表：テキスト1文から探索・編集可能な3D世界を生成
テンセントは単一のテキストプロンプトから大規模で編集可能な3D空間を構築する「WorldClaw」を発表した。地形生成からオブジェクト配置までをエージェントが段階的に行い、接触面やポーズも自動調整。各アセットは個別インスタンスとして再利用できる。
LM Arenaに謎のモデル「mona-lisa-1」が登場：OpenAIの新型画像生成モデルか
LM Arenaに「mona-lisa-1」という謎のモデルが登場し、OpenAIが新型GPT画像生成モデルをテスト中ではないかとの憶測を呼んでいます。生成画像にSynthID透かしが含まれていることや、従来のImage 2を大きく上回る性能が報告されていますが、OpenAIはまだ公式に認めていません。
Alibaba Cloudが動画生成AI「Wan3.0」公開、最大30秒生成や文書入力に対応
Alibaba Cloudは新世代の動画生成AI「Wan3.0」をModel Studioで提供開始した。1回の指示で最大30秒の動画を生成でき、テキストや画像に加えPDFやPPTなどのドキュメント入力にも初対応した。API利用料は480Pで毎秒0.05ドルからとなる。
xAIが「Imagine Image 2.0」公開、部分編集や最大5枚の参照に対応
xAIは画像生成・編集モデル「Imagine Image 2.0」を公開し、grok.comやアプリでQuality Modeとして提供を開始した。マジックハンドによる部分修正や背景透過、最大5枚の画像参照合成、文字レイアウトの正確性に注力。Arenaの生成および編集リーダーボードで世界2位を記録したとしている。