ByteDanceが「Seed-Audio 1.0」発表、対話・効果音・BGMを一度に生成
Volcano Engine は音声生成モデル「Seed-Audio 1.0」を発表した。1 回の生成で複数キャラクターの対話や感情表現、効果音、BGM を同時に出力できる。参照音声によって話者の一貫性を保つことができ、現在は主に API 経由で提供されている。
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
Krea、高速画像生成モデル「Krea 2 Turbo」公開 約2秒で高品質生成、LoRAにも対応
Kreaは約2秒で高品質な画像を生成できる新AIモデル「Krea 2 Turbo」を公開した。スタイル参照やムードボード、LoRAにも対応しており、高速なワークフローを実現する。現在公式サイトにて無料で試用可能だ。
xAI、画像生成モデル「Grok Imagine 1.5 Preview」をAPIで提供開始
xAIは画像生成モデル「Grok Imagine 1.5 Preview」を発表し、開発者向けにAPI経由での早期提供を開始した。既存モデルの機能向上を図ったアップデートで、一般公開に先駆けて開発環境への組み込みやテストが可能になっている。
Ideogramがオープンウェイト画像モデル「4.0」公開、ローカル稼働に対応
Ideogramはオープンウェイトの画像生成モデル「Ideogram 4.0」を公開した。重みをダウンロードして自前環境で実行や微調整ができるほか、高密度テキスト描画やネイティブ2K解像度に対応する。全有料プランおよびAPIで即日利用可能となっている。
Reveが画像生成モデル「Reve 2.0」を発表、レイアウト制御で構図を精密指定
Reveは画像生成モデル「Reve 2.0」を発表した。従来のテキスト中間表現の代わりに構造化レイアウトを採用し、各要素の位置や大きさ、属性を厳密に制御する。QwenオープンソースLLMをベースに開発され、競合の10分の1のGPUリソースで学習しながら、時価総額1兆ドル未満の企業の中で評価ランキング首位を獲得したとしている。
マーティン・スコセッシ監督がBlack Forest Labsの顧問に就任、FLUXで絵コンテ制作
画像生成モデル「FLUX」を手掛けるBlack Forest Labsは、映画監督のマーティン・スコセッシ氏を顧問に迎えたと発表した。人間の感性とクラフトを中心に据えた視覚AIの開発を支援する方針で、同氏がFLUXを使って絵コンテを制作する作業セッションも実施された。
RobloxがCubePartを発表：パーツ単位で分割・命名された3D資産を一発生成
Robloxはパーツ制御に対応した3D生成フレームワーク「CubePart」を発表した。形状のプロンプトに加えてパーツ構成リストを指定することで、車輪やドアなど個別にアニメーション可能なメッシュを一括生成する。手作業による切り分けなしでゲームエンジンに組み込める。
NVIDIAが「Gamma World」発表：マルチエージェント対応で24fpsの共有世界をリアルタイム生成
NVIDIAはマルチエージェント対応の対話型世界モデル「Gamma World」を発表した。単一操作に限られていた従来モデルを拡張し、事前定義されたジオメトリなしで複数プレイヤーやロボットの動作に応じた共有空間を24fpsでリアルタイム生成する。ゲームや物理シミュレーションを丸ごと生成世界で動かす道を開く。
Leonardo.AiがGPT-Image 2.0を検証：普通の指示文から広告の「ツボ」を自律再現
Leonardo.Ai のクリエイティブ責任者 Dwayne Koh 氏が GPT-Image 2.0 の検証結果を公開した。専門的なプロンプトを使わず日常会話調の広告ブリーフを入力したところ、モデルが文脈を汲み取って指示にない TikTok 風ステッカーを追加するなどプロ水準の構図を自律生成した。AI が単なる描画ツールからセンスを理解するパートナーへ進化していることを示している。
マイクロソフトが画像生成モデル「MAI-Image-2.5」発表、Arenaで3位に
マイクロソフトのMAI Superintelligence Teamは、画像生成AIモデル「MAI-Image-2.5」を発表した。Arenaリーダーボードで初登場3位を記録。前世代と比べ文字描画やライティング、空間推論能力が大きく向上している。現在Arenaで利用可能で、2週間以内にMAI PlaygroundとAzure Foundryにも展開予定だ。
ElevenLabsが「Music v2」公開：ボーカル・編曲・多言語対応を強化
ElevenLabs は音楽生成モデル「Music v2」をリリースした。全ジャンルでボーカルや楽器演奏、編曲の完成度が向上したほか、多言語対応も強化。旧バージョンでは実現できなかった表現力を備え、AI 楽曲制作の自由度が大きく広がった。
Runwayが「Aleph 2.0」公開、1コマ直すだけで動画全体に自動反映
Runwayは動画編集ツール「Aleph 2.0」を発表し、Web版の新しいEdit Studioで提供を開始した。動画内の1フレームを編集してプレビューするだけで、変更内容がクリップ全体に自動かつ一貫して反映され、コマ送りの手作業修正が不要になる。
Arq.live、音声で映画を作る「GLITCH」発表 声の指示だけで8分で短編生成
Arq.liveは、音声指示で映像を生成する新システム「GLITCH」を発表した。プロンプトを打ち込む代わりに監督が声で指示を出すだけで、複数のAIエージェントが映画クルーのように連携して配役やシーンを構築する。ノートPC1台を使い8分未満で短編映像を完成させられる。
Spotifyとユニバーサルが提携、ファンのAIカバー・リミックス作成を有料提供へ
Spotifyとユニバーサル ミュージック グループ（UMG）は音楽ライセンス契約を締結したと発表しました。参加アーティストの楽曲をもとに、ファンが生成AIを使ってカバーやリミックスを作成できる新ツールを、Spotify Premium向けの有料アドオンとして展開します。アーティスト側にも収益が直接還元される仕組みです。
画像生成AI「Krea 2」、LoRAによるファインチューニングのベータ版を提供開始
Kreaは画像生成モデル「Krea 2」向けにLoRAを活用した微調整機能のベータ版を公開した。独自の画風やキャラクター、特定オブジェクトを高精度に学習させることが可能となり、生成画像のコントロール性と一貫性が大幅に向上する。
Stability AI、Stable Audio 3.0公開：3モデルをオープンウェイト提供、端末上で楽曲完パケも
Stability AIは全曲ライセンス済みデータで学習した「Stable Audio 3.0」を発表した。3モデルがHugging Faceでオープンウェイト公開され、最長6分20秒の生成やモバイル端末上での楽曲作曲、LoRA微調整に対応する。年商100万ドル未満なら商用利用も可能だ。
MetaがWavFlowを発表：潜在空間を省き生波形から直接44.1kHz音声を生成
Metaは音声生成モデル「WavFlow」を発表しました。従来のVAEや潜在空間圧縮を省き、生波形から直接44.1kHzの高忠実度音声を生成して無声動画に同期音声を付与できます。ただし社内ポリシーにより、公開されたのは学習スクリプトのみで完全な重みは提供されていません。
音声と映像を同時編集する「InstructAV2AV」登場、指示文だけで人物やセリフを変更可能に
指示文に基づいて映像と音声を同時に編集できるエンドツーエンドのフレームワーク「InstructAV2AV」が発表された。マスク指定なしで人物の入れ替えやセリフの変更、音の追加や削除が可能で、背景を保ったまま音画の一貫した編集を実現する。
Leonardo AI、画像から3Dモデルを直接生成する新機能を提供開始
Leonardo AIは2Dのコンセプト画像から実用的な3Dモデルを直接生成できる新機能をプラットフォームに統合した。参照ビュー生成機能により複数アングルの画像を揃え、四角や三角ポリゴンの.glb形式でエクスポートできる。インディーゲーム開発や3Dプリントの下準備が1つのツールで完結する。
GPT Image 2 と Seedance 2.0 を連携：12コマ絵コンテからアニメ映像を自動生成
ChatGPT Image 2 でキャラクターやカメラワークを指定した12コマの絵コンテを作成し、Seedance 2.0 に渡して映画風の映像を生成するAI映像ワークフローが注目を集めています。ノード型ツールと組み合わせることで個人制作が一段と手軽になります。