Black Forest Labs、動画生成AI「FLUX 3 Video」をAPI公開 最長20秒で音声やリップシンクも同時生成
Black Forest Labsは動画生成モデル「FLUX 3 Video」の一般提供をAPIなどで開始した。最長20秒のHD動画（1080p対応）に加え、効果音や14言語以上に対応したリップシンク付き音声をネイティブに同時生成できる。複数アングルの切り替えや下書きモードも備える。
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
テンセント、3D生成・理解・編集を統合した「Hunyuan3D-Buffalo 1.0」発表
テンセントは2026年8月、3D生成、理解、指示ベースの編集、パーツ分割を1つのパイプラインで処理する統合マルチモーダルモデル「Hunyuan3D-Buffalo 1.0」を発表した。共有VLMとDiTモジュールを基盤とし、自然言語の指示だけで3Dモデルの修正や部品分解が可能になる。
xAI、「Imagine Video 1.5」を更新 画像・音声参照とネイティブ1080pに対応
xAIは動画生成モデル「Imagine Video 1.5」をアップデートし、画像と音声の参照機能、テキストからの動画生成、ネイティブ1080p出力を追加した。最大7枚の参照画像でキャラクターの顔や製品、背景を固定しつつ、声も統一したまま動画を生成できる。一般機能は即日利用可能で、参照機能は米国の有料会員から順次展開される。
ByteDanceがSeedance 2.5公開、30秒の一発動画生成とマルチモーダル参照に対応
ByteDanceは動画生成モデル「Seedance 2.5」を発表した。1回で最大30秒の音声付き動画を生成でき、複数回の延長にも対応する。最大30枚の画像、10本の動画、10本の音声を同時に入力できる参照機能やタイムスタンプ単位の編集も備え、即夢AIやDoubao Proで利用できる。
Ideogram、画像生成モデル「P-Image」発表 1枚0.003ドルから
Ideogram は Pruna AI と共同開発した画像生成モデルファミリー「P-Image-Ideogram」を発表した。画質・速度・コストの最適バランスを掲げ、1 枚あたり 0.003 ドルから生成可能。ネイティブ 1K および 2K 解像度に対応し、API や ComfyUI、Replicate などで即日利用できる。
Google Earth、衛星写真から画像生成できる新機能を1日で緊急停止
GoogleはWeb版Google Earthに画像生成AI「Nano Banana 2」を統合し、実在の場所をプロンプトで再構築できる機能を公開した。だが翌31日、ポリシー違反とみられる生成画像の拡散を受けて即座に機能をロールバック。安全対策を強化した上で再提供を目指すとしている。
Google Gemini、最大10本の動画を無料生成できる期間限定トライアルを開始
GoogleはGeminiの動画生成機能を期間限定で無料開放した。有料プラン未加入のユーザーを対象に、2026年8月4日まで最大10本の動画を作成・編集・リミックスできる。Gemini Omniモデルの機能を体験できる形だ。
HeyGenが動画ポッドキャストツール公開、資料から2人MC番組を自動生成
HeyGenは文書やリンク、アイデアから2人のホストによる動画番組を自動生成する新ツール「Video Podcast」を公開した。音声のみにとどまらず、スタジオ映像、マルチカメラの切り替え、Bロールまで数分で生成し、そのまま公開できる動画を作成できる。
GoogleがLyria 3.5を発表：歌声や歌詞の表現力が進化、テンポ調整も可能に
Googleは最新の音楽生成AIモデル「Lyria 3.5」をGoogle Flow Music向けにリリースした。メロディの複雑さやボーカルの感情表現、発音の正確さが向上したほか、プロンプトに忠実な作詞や、テンポ・曲の長さの直接調整にも対応した。
Mirage、10秒の動画から微表情を再現するアバターモデル「Avatar X」を発表
MirageはAIアバターモデル「Avatar X」を発表した。わずか10秒の動画からクローンを作成でき、あくびや苦笑いなどの細かな微表情を忠実に再現する。音声駆動による全身のモーション生成や、画質を落とさない長時間の連続動画生成に対応する。
Spotify の AI 音楽放置に対抗：有志が「偽アーティスト」追跡サイトを公開
Spotify が AI 生成楽曲のラベル表示を徹底しない中、有志が SoullessMusic や SlopTracker などの検知ツールを立ち上げた。追跡対象の AI 歌手だけで年間推定 570 万ドルを稼ぎ出している。ただし検知モデル自体にも誤判定のリスクは残る。
Midjourneyが「V8.2」公開：低品質な生成を大幅削減、個人好みの反映を強化
Midjourneyは画像生成モデル「V8.2」をリリースしました。美学とパーソナライズの向上に注力し、ランダムな低品質画像の出力を大幅に抑制。コミュニティの評価データを活用することで、ユーザー固有の好みをより正確に反映したエッジの効いた画像生成が可能になりました。
マイクロソフトが「MAI-Image-2.6」公開、Web情報を反映する画像編集モデル
マイクロソフトは画像生成・編集モデル「MAI-Image-2.6」を公開した。Web上の最新情報を反映した画像生成が可能で、構図やスタイルの細かな編集に対応する。半額以下の軽量版「Flash」も揃い、公式サイトのPlaygroundで試用できる。
Black Forest Labsが「FLUX 3」早期アクセス開始：画像・映像・音声を統合、最大20秒の音声付き動画生成
Black Forest Labsはマルチモーダル基盤モデル「FLUX 3」の早期アクセスを開始した。独自のSelf-Flow手法により画像・動画・音声を同一アーキテクチャで統合学習し、最大20秒の音声付き動画生成やロボットの動作予測に対応する。今後数週間で画像生成やオープンウェイト版Devも順次提供される予定だ。
ElevenLabs、AI楽曲生成「Music v2」に音源参照機能「References」を追加
ElevenLabsは楽曲生成モデル「Music v2」向けに新機能「References」を発表した。10秒から5分の音源をアップロードすることで、スタイルや楽器構成、雰囲気を反映した新曲を生成できる。著作権チェック機構を備え、他アーティストの音源は除外される仕様だ。
Qwen-Image-3.0登場：4.5kトークン入力や10px極小文字描画に対応
第3世代の画像生成基底モデル「Qwen-Image-3.0」が登場した。最大4.5kトークンのプロンプトに対応し、新聞や絵コンテなどの複雑なレイアウトを再現できる。12言語と10pxの極小文字描画をサポートするほか、ウェブ画面の生成やリアルタイムなネット検索も行える。
『第9地区』ニール・ブロムカンプ監督、Seedance 2.0を使った13分のAI映画を公開
映画『第9地区』のニール・ブロムカンプ監督が、Seedance 2.0を活用した13分の短編AI映画『NIGHTBORNE』を公開した。実在のアーティストが参加し、32名の顔と声を使用している。2年間の実験を経て次は長編制作に挑む意向を示し、新スタジオ「Barley Studios」も発表した。
Google Vidsが刷新：対話型の動画編集と自撮りからのAIアバター生成に対応
GoogleはGoogle VidsにGemini Omni編集機能と個人向けAIアバターを追加した。指示文で背景の変更や照明調整などの段階的な編集ができるほか、自撮り写真と音声クリップから本人そっくりのアバターを作成して代行出演させられる。Google AI Pro、Ultra、Workspaceビジネス会員向けに提供され、SynthID透かしが付与される。
Wan Streamer 0.3発表：自然言語でアバターの動作をリアルタイム制御
対話型動画モデルWan Streamerのv0.3が発表された。従来の肖像対話から進化し、動画を一貫した「世界」と変化する「イベントストリーム」に分離することで、自然言語の指示に応じたポーズや身振りをリアルタイムに生成できる。現在は論文のみ公開されている。
Google 画像検索25周年、AI生成の直接統合と新ギャラリーを発表
Google は画像検索 25 周年に合わせ、AI Overviews 内での直接画像生成と個人向け動的ギャラリーを発表した。最新モデル「Nano Banana」によりテキストから画像を生成できる。今後数週間をかけて英語対応地域から順次提供される予定だ。