アリババが「Wan-Dancer-14B」公開：音楽から長尺ダンス動画を直接生成
アリババの Wan チームは音楽からダンス動画を生成する「Wan-Dancer-14B」をオープンソースで公開した。手本の動作動画を必要とせず、音源と画像 1 枚からリズムに合った分単位のダンス映像を制作できる。ヒップホップや古典舞踊など多様なジャンルに対応する。
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
画像生成AI「Reve 2.1」公開 他社の10分の1の計算量でArena世界2位に返り咲き
Reveは画像生成モデルの最新版「Reve 2.1」を公開した。ネイティブ4K（1600万画素）出力や多言語テキスト描画、領域指定の精密編集に対応。競合の10分の1未満の計算リソースで学習しながら、ArenaおよびDesign Arenaで総合2位に返り咲いた。
Google フォトに「Video Remix」登場 動画を手軽にアート風変換
Google はGoogle フォトに「Video Remix」機能を追加した。Gemini Omni モデルを活用し、テンプレートを選ぶだけで暗い動画のライティング調整や背景差し替え、水彩画・油彩画風エフェクトを適用できる。一部地域の Google AI 有料プラン会員向けに提供を開始した。
バイトダンスが「Seedream 5.0 Pro」公開：手描き注記で部分編集、高密度図版に対応
ByteDanceは画像モデル「Seedream 5.0 Pro」を発表した。テキスト密度の高いインフォグラフィックやUIの生成に加え、画像上に枠や手描き注記を入れて狙い通りに直す対話型編集やレイヤー分離に対応する。画像AIを「ガチャ」から実用的なデザイン共同作業へ引き上げる試みだ。
Meta、画像生成モデル「Muse Image」提供開始 Meta AIで写真の部分修正も可能に
Metaは画像生成モデル「Muse Image」を発表し、Meta AIに統合した。日常会話のようなプロンプトで画像を生成・編集できるほか、写真上をマークアップして特定箇所だけを直接修正できる。日常的な利用は無料で提供されるが、公開Instagramアカウントを参照する機能はユーザーの反発を受けて廃止された。
ByteDanceが動画AI「Seedance 2.5」発表へ：1プロンプトで30秒の4K動画を生成
ByteDanceが次世代動画生成モデル「Seedance 2.5」を早ければ今週中にも公開する見通しです。単一プロンプトから30秒の4K動画を出力できるほか、参照素材を前バージョンの12件から最大50件へと大幅に拡張。より意図通りの映像生成が可能になります。
Meta、プロンプトでミニゲームを作れるAIアプリ「Pocket」を公開
報道によると、Meta はテキストプロンプトからインタラクティブなミニゲームを生成できる新アプリ「Pocket」を公開した。買収した Gizmo の技術を活用し、タップや傾き、カメラに反応する仕組みを作れる。現在はブラジルなど一部地域でのテスト配信にとどまる。
Runway、動画生成・編集にGoogle「Gemini Omni Flash」を導入
Runwayは同社のAI動画プラットフォームにGoogleの「Gemini Omni Flash」モデルを統合したと発表した。テキスト、画像、既存の動画クリップを入力素材として生成や編集が可能で、通常のUI操作に加えて内蔵のRunway Agent経由でも呼び出せる。
Netflix、故ジーン・ワイルダー氏の声をAIで再現 新番組のナレーションに採用
Netflixは配信開始予定のリアリティ番組『Wonka’s The Golden Ticket』で、故ジーン・ワイルダー氏のAI生成音声をナレーションに採用したと発表した。音声技術はElevenLabsが提供し、遺族の正式な許諾を得ている。故人の声を公式に再現してコンテンツに活用する動きが広がっている。
Google、Geminiのパーソナライズ画像生成を米ユーザーに無料開放
GoogleはGeminiアプリのパーソナライズ画像生成機能を米国の対象ユーザー向けに無料開放した。ユーザーの許可を得てGoogleフォトやGmailのデータと連携し、写真をわざわざアップロードしなくても自身の写真や好みを反映した画像を生成できる。設定からいつでも切り替え可能だ。
Google Flowがストリートビューと連携、実在の場所から動画生成
GoogleはGoogle Flowに地図画像のグラウンディング機能を追加し、ストリートビューを参照した画像・動画生成に対応した。プロンプトに実在の地名やランドマークを入れるだけで、現実の街並みを反映したシーンを生成できる。架空の風景から実座標に基づいた生成への進化と言える。現在は米国地域限定となる。
KuaishouがKling Omni Director公開：参考動画のカメラワークをそのまま複製
Kuaishou（快手）のKling研究チームが「Omni Director」の研究プレビューを公開した。テキスト指示に頼らず、参考動画からカメラの動きやカット割り、バレットタイムなどの撮影効果を抽出して静止画から動画を生成できる。現在はまだ一般公開されていない。
Stability AI、3D制御システム「Arbor」公開：空間設計図で精密指定
Stability AIが3Dアセット生成向けの制御システム「Arbor」を発表した。ベースモデルを再学習することなく、簡易なガイドメッシュで物体の占有空間、空白領域、接触面を正確に指定できる。モデルサイズはわずか600MBでコードもオープンソース化されており、ゲーム制作などの実パイプラインへの適合度を大幅に高めた。
Google、世界初のAIアート美術館「Dataland」を支援 リアルタイムで12億ピクセル生成
Googleはアーティストのレフィーク・アナドール氏と共同で、世界初のAIアート美術館「Dataland」を6月20日にロサンゼルスでオープンすると発表した。Google CloudとGemini基盤を活用し、自然界データを基にした12億ピクセルのリアルタイム生成アートや多感覚体験を展開する。
xAIが「Grok Imagine Video 1.5」を一般公開、Soraより86％安く首位獲得
xAIは動画生成モデル「Grok Imagine Video 1.5」をAPIやgrok.comなどで一般公開した。自己回帰型アーキテクチャ「Aurora」を採用し、音声同期に対応しながら720pで1秒あたり0.14ドルと、Sora 2 Proより約86%低価格で提供される。ただし解像度は現状720pに制限されている。
LightricksがScenAを発表：テキストと音声サンプルから臨場感ある多人数会話を一発生成
Lightricksとテルアビブ大学は、複数話者の会話シーンを一度に生成するモデル「ScenA」を発表した。自由なプロンプトと参照音声を渡すだけで、発話の重なりや環境音、笑い声などの表現を含む20秒の音声を生成できる。従来の無機質な個別生成から脱却し、現実の空気感をそのまま再現できる点が画期的だ。
アリババが「HappyOyster 1.0」公開、キーボード操作で遊べる世界モデル
アリババクラウドはリアルタイム対話型オープンワールドモデル「HappyOyster 1.0」を発表した。動画のレンダリング待ちをなくし、生成中に指示を受け付けて即座に反映できるのが特徴。ストーリーのリアルタイム改変に加え、WASD キーで画面内を歩き回るゲームのような操作も可能だ。
Midjourney、V8.1向け「Draft Mode」追加 半分のGPU時間で一挙24枚を生成
MidjourneyはV8.1向けに「Draft Mode（下書きモード）」を提供開始した。解像度を抑えて1度に24枚の画像を生成でき、消費する高速時間は通常の半分で済む。気に入った画像は「Vary」で高画質化が可能。初期モデルを試せる「--preview」引数も加わった。
ByteDance、動画生成AI「Seedance 2.0 Mini」公開 半額で日常制作向け
ByteDance傘下のBytePlusは動画生成モデル「Seedance 2.0 Mini」の提供を開始した。画像や動画、音声を参照して動画を生成でき、通常版「Seedance 2.0」の約半額で利用可能。日常的なワークフローの高速化とコスト削減を図る。
ElevenLabsが「Avatars」公開、台本からリップシンク動画をワンストップ生成
ElevenLabs は ElevenCreative で新機能「Avatars」を発表した。音声合成とリップシンク動画生成を同一画面に統合し、画像やプロンプトから同一の人物性を保ったまま動画を制作できる。現在すべての有料プランで利用可能だ。