Miso、感情豊かな8B音声合成モデル「Miso One」を公開
Misoは80億パラメータの音声合成モデル「Miso One」の重みをオープンソースで公開した。世界で最も感情表現が豊かな音声モデルを謳い、遅延はわずか110ミリ秒と人間以上の速さで応答する。APIの提供もまもなく開始予定。
オープンソース
Llama、Qwen、DeepSeekなどオープンソース・オープンウェイトのモデルと、注目のデータセット、フレームワーク、開発ツール。
新しいニュースを見る
Google、エンコーダー不要の「Gemma 4 12B」公開：16GBのラップトップで軽快動作
Googleはエンコーダーを排除したマルチモーダルモデル「Gemma 4 12B」をオープンソース公開した。画像や音声をLLM本体に直接統合する新設計により、26B MoEモデルに迫る性能を半分のメモリ消費で実現。16GBのラップトップ上でエージェントをローカル動作できる。
nex-agi、自律エージェント向け推論モデル「Nex-N2」をOSS公開
nex-agiは長時間のタスク実行やコード生成に特化した推論モデル「Nex-N2」をオープンソースで公開した。Qwen 3.5ベースの397Bと35BのMoE構成で、状況に応じて思考の深さを切り替える適応型推論を採用。無駄な計算を省きつつツール利用から実行まで自律完結する。
TripoAI、2D画像から3Dガウス表現を生成する「TripoSplat」をオープンソース公開
TripoAIが単一の2D画像から最大約26万点の3D Gaussianを生成する「TripoSplat」の推論コードと重みをMITライセンスで公開した。約2000行の最小限の構成でComfyUIにも対応するが、現段階では静物に向いており人物の顔は崩れやすい。
JetBrains、12BのMoEモデル「Mellum2」をApache 2.0で公開
JetBrainsは、テキストとコードに特化した12Bの混合エキスパートモデル「Mellum2」をオープンソースで公開した。トークンごとに2.5Bパラメータのみをアクティブ化し、同規模のオープンモデルと比べて2倍以上高速に推論可能。ルーティングやRAG、サブエージェントなどの低遅延タスクに最適化されている。
オープンソースUI設計ツール「Impeccable 3.5」公開、AI特有の量産型デザインを撲滅
オープンソースのフロントエンド設計ツールImpeccable 3.5が公開された。AIが生成しがちな画一的配色や極端な文字間隔などの欠陥をモデル別にルール化して抑制し、ブラウザ上でUIを直接編集してソースに反映できるLiveモードのベータ版も提供する。
バイドゥ、音声付き動画生成モデル「NAVA」を公開：映像と音声を同時生成
バイドゥの ERNIE チームは 63 億パラメータの音響映像同時生成モデル「NAVA」をオープンソース公開した。後付けのアフレコではなく、1 つのプロンプトから映像と音声をネイティブに同時生成し、高い同期精度と参照音声による話者音色制御を実現している。
MAMMA：カメラ 4 台だけで高精度な 3D モーションキャプチャを実現
マックス・プランク研究所と CMU が、マーカー不要の動捕システム「MAMMA」をオープンソース化しました。専用スーツやマーカーを使わず、4 台の通常カメラ映像からダンスや抱擁などの複雑な接触動作を正確な 3D モデルに変換できます。GitHub で推論コードと Web UI が公開中です。
NVIDIAが「SANA-Streaming」公開、RTX 5090で1分間の動画をリアルタイム編集
NVIDIAは動画編集AI「SANA-Streaming」をオープンソースで公開した。20億パラメータのモデルで、動画再生中に服装や背景、スタイルをリアルタイムに編集できる。RTX 5090環境では720p映像を24 FPSで処理可能。コードと学習済み重みはGitHubとHugging Faceで提供されている。
マイクロソフト、3.8B画像生成モデル「Lens」公開 4ステップ・0.84秒で高速生成
米Microsoftは、38億パラメータの画像生成モデル「Lens」の全重みを公開した。蒸留版のTurboモデルはわずか4ステップ・0.84秒で画像を生成でき、学習計算量を従来比の2割弱に抑えつつ最大1440×1440解像度に対応する。
軽量動画VLM「Marlin 2B」公開：20億パラメータで動画内の出来事と時刻を特定
NemoStationがオープンソースの動画言語モデル「Marlin 2B」を公開した。Qwen 3.5 2Bをベースに開発され、動画内で「何が起きたか」「いつ起きたか」をタイムスタンプ付きで精密に抽出できる。超大型モデルに匹敵する性能を備え、ローカル環境での動画検索やクリップ切り出しに適している。
美団、対話対応の動画生成AI「LongCat-Video-Avatar 1.5」をオープンソース化
美団がトーキングアバター生成モデル「LongCat-Video-Avatar 1.5」をオープンソース化。画像1枚と音声から自然な発話動画を生成し、アニメ調や複数人の会話にも対応する。蒸留により8ステップ生成を実現し、処理速度を約15倍向上させた。16GBのINT8重みとコードがGitHub等で公開されている。
FPS向け世界モデル「SCOPE」公開：10自由度の操作で映像をリアルタイム生成
Wan2.2をベースにしたFPS向けオープンソース世界モデル「SCOPE」が公開された。移動や射撃など10自由度の操作をフレーム単位で反映し、未知のゲーム背景でもゼロショットで映像を生成できる。モデルの重み、推論コード、データセットがGitHubで提供されている。
Perplexityが安全スキャナー「Bumblebee」をOSS公開、MCP設定も検査
Perplexityは開発環境向けセキュリティスキャナー「Bumblebee」をオープンソース公開した。読み取り専用設計でnpmなどの実行を避けつつ、端末内の危険な依存関係やエディタ拡張、MCPなどのAI設定を検出する。スキャン自体が攻撃を誘発するリスクを防げる点が画期的だ。
ASASR：FLUX.1-devベースで幻覚ノイズを抑える4倍画像超解像ツール
ASASR は FLUX.1-dev をベースにしたオープンソースの画像超解像ツールで、生成系アップスケーラー特有の不自然な幻覚ディテールを抑えた 4 倍高解像度化を実現します。敵対的 Sobolev DPO とデュアル LoRA 推論を採用。コードと重みが公開され、Hugging Face Spaces で Web デモも提供されています。
マイクロソフトが MagenticLite 公開、小型モデルでブラウザと端末内操作を連携
マイクロソフトは小型モデル向けのエージェントアプリ MagenticLite を公開しました。14B の調整モデル MagenticBrain とブラウザ操作用モデル Fara1.5 を組み合わせ、ブラウザとローカル環境を跨ぐ処理を低コストかつ安全に実行します。
ByteDanceが動画生成・編集モデル「Bernini」をオープンソース公開
ByteDanceが動画生成と編集を統合した新フレームワーク「Bernini」を公開しました。MLLMによる意味計画とDiTレンダラーを組み合わせ、テキスト・画像・動画の入力を1つのモデルで処理できます。事前の意味計画によって高精度な動画編集が可能になり、GitHubとHugging Faceでコードと重みが提供されています。
テンセント、多言語翻訳モデル「Hy-MT2」をOSS公開 1.8B版は440MBに軽量化
テンセントが多言語翻訳モデル「Hy-MT2」をオープンソースで公開した。33言語に対応し、1.8B、7B、30B-A3B（MoE）の3サイズを用意する。1.8B版はAngelSlimの1.25ビット極限量化により440MBまで圧縮され、端末上での動作に適している。JSONなどの書式保持や専門用語の一致といった制御翻訳に強みを持つ。
ノイズ混じりの音声を正確に文字起こし、5GB未満の「Mega ASR」公開
ノイズや反響などの過酷な音響環境に特化した音声認識モデル Mega ASR が公開された。260 万件の実環境データで訓練され、既存の主要モデルと比べて難条件下で約 30% 性能が向上。全体で 5GB 未満と軽量で、一般的な GPU でもローカル実行や微調整が可能となっている。
ByteDance、画像と動画の理解・生成・編集をこなす統合モデル「Lance」をオープンソース公開
ByteDanceは画像と動画の理解・生成・編集を兼ね備えたネイティブ統合モデル「Lance」を公開した。アクティブパラメータ30億で対話形式の動画連続編集にも対応するが、ローカル環境での動作には40GB以上のGPUメモリが求められる。