Google、オープンモデル「Gemma 4」発表：Apache 2.0採用で最大256K対応
GoogleはApache 2.0ライセンスを採用したオープンモデル群「Gemma 4」を発表した。端末向けのE2BやE4Bから、26B MoE、31B Denseまで4つのサイズを展開。最大256Kのコンテキスト長やマルチモーダル処理に対応し、Arena AIの評価では自重の20倍のモデルを上回る推論性能を発揮する。
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
Netflix、動画から物体と「物理的影響」を同時に消すモデル「VOID」をオープンソース公開
Netflixは動画から特定の物体を自然に削除できるオープンソースモデル「VOID」を公開した。単に隙間を埋めるだけでなく、持っていた箱が落ちるなど物理的な因果関係を推論して再生成するのが特徴。重みとコードは公開済みで、ローカル実行には40GB以上のVRAMが必要となる。
見出しからYouTube Shortsを全自動生成、1本0.1ドルのオープンソースツール登場
オープンソースツール「YouTube Shorts Pipeline」が登場した。Claude、Gemini、ElevenLabs、Whisperを連携させ、コマンド1つで見出しから動画の生成・投稿まで完了する。所要時間は3〜5分、コストは約0.10ドルでローカル完結で動作する。
600以上の言語に対応する音声合成「OmniVoice」公開、数秒の音声で感情ごとクローン
600以上の言語に対応するゼロショットTTSモデル「OmniVoice」がオープンソースで公開された。わずか数秒の音声から音色や感情を忠実にクローンし、言語を越えた音声移行やテキスト指示による発話生成に対応する。コードと学習済みモデルはすでに無償公開中だ。
Arcee AI、推論モデル「Trinity-Large-Thinking」をApache 2.0でオープンソース公開
Arcee AIは推論モデル「Trinity-Large-Thinking」をApache 2.0で公開し、API提供を開始した。応答前に思考ステップを挟むことでエージェントのツール呼び出しを安定化。PinchBenchでOpus-4.6に次ぐ2位を記録し、出力料金も100万トークンあたり0.90ドルに抑えた。
ASI-Evolveがオープンソース化：論文読みから実験・自己進化まで担うAI研究者
中国の研究チームがAI研究向けエージェントフレームワーク「ASI-Evolve」のコードと論文を完全オープンソースで公開しました。論文の精読から実験設計、実行、結果分析まで自律してこなし、自己改善のサイクルを回します。
退職した同僚をAI化する「同事.skill」、チャット履歴から口調や癖まで再現
GitHubで話題のオープンソース「同事.skill」は、WeChatやFeishuなどのチャットログを読み込み、元同僚のデジタル分身を作成するツールだ。人柄層と業務スキル層を分けてモデル化し、独特の口調や返信パターンまで忠実に再現する。公開3日で6700スターを獲得した。
H Company、PC操作モデル「Holo3」を発表 35B版をオープンソース公開
H CompanyはPC操作に特化したAIモデル「Holo3」を発表した。Qwen 3.5を基盤に強化され、上位モデルのHolo3-122B-A10BはOSWorldベンチマークで78.85%の新記録を達成。軽量版の35BモデルはApache 2.0ライセンスでオープンソース公開された。
画像生成前にWeb検索する新フレームワーク「Gen-Searcher」が登場
検索エージェントを活用した画像生成フレームワーク「Gen-Searcher」が公開された。生成前にWebから参考画像や事実情報を検索して反映させることで、特定キャラやニッチな知識の再現精度を大幅に引き上げる。
OpenMontage：AIコーディング助手を全自動動画スタジオに変えるオープンソース
オープンソースの動画制作システム「OpenMontage」が登場。Claude CodeやCursorと連携し、指示1つで調査から脚本、絵コンテ、素材生成、編集まで自律して完結させます。事前に絵コンテと見積もりを確認でき、60秒のアニメ制作費用はわずか1.33ドルです。
オープンソースLuxTTS登場：3秒の音声で複製、1GB未満のVRAMで48kHz出力
音声クローンモデル「LuxTTS」がオープンソースで公開されました。わずか3秒の音声から音色を捉え、1GB未満のVRAMで48kHzの高音質音声を生成します。GPUで実時間の150倍、CPU単体でも実時間超えで動作するため、一般的なノートPCでも高品質な音声合成を手軽に実行できます。
Midjourney技術者がPretextを公開：AIで実装、DOM再計算を回避
MidjourneyのエンジニアCheng Lou氏がテキスト組版ライブラリPretextをオープンソース公開した。CodexやClaudeなどAIツールを駆使して作られた15KBの軽量ツールで、DOMリフローを回避して多行テキストの配置を高速化し、動くオブジェクト周りのリアルタイム回り込みを可能にする。
Webサイトをピクセル単位で再現するAIエージェント向けSkill「clone-website」
Webサイトをピクセル単位で複製するオープンソース機能 clone-website が注目を集めている。URLを入力すると実際のCSS値や素材を抽出し、150行以内のコンポーネント仕様に分解して git worktree で並行構築する。AIが大まかな推測で余白やフォントを崩す問題を防ぎ、高精度な再現を可能にした。
MetaがSAM 3.1を公開：128物体の追跡を約7倍高速化
Metaは画像・動画セグメンテーションモデル「SAM 3.1」を公開した。共有メモリ方式のObject Multiplexを採用し、単一のH100で128個の物体を追跡する推論速度が精度を落とさず約7倍に向上した。モデルの重みはHugging Face上で利用申請できる。
Babylon.js 9.0公開：クラスタ化照明やガウススプラットに対応
Web 3Dエンジン「Babylon.js 9.0」が正式リリースされた。WebGPUとWebGL 2で数千の光源を滑らかに描画するクラスタ化照明や、GPUメモリ消費を最大40%削るFrame Graphを導入。さらにノード型パーティクルエディタやAdobe協力による高度なガウススプラットにも対応した。
Real Restorer公開：反射や傷を除去する42GBの画像修復モデル
現実世界の写真修復に特化したオープンソースモデル「Real Restorer」が公開された。ボケやノイズ、反射、雨雪の除去から白黒写真の復元まで幅広く対応し、性能は主要な閉源モデルに匹敵する。総サイズは42GBで、ローカルの高性能GPU環境で動作する。
Cohere、初のオープンソース音声認識モデル「Transcribe」を公開
Cohereは初のオープンソース音声認識モデル「Transcribe」を公開した。20億パラメータと軽量で一般向けGPUでも動作し、日本語を含む14言語に対応する。1分間で525分相当の音声を処理でき、Open ASRリーダーボードで誤り率5.42を記録した。無料APIも提供される。
ByteDanceがLark CLIをOSS公開、AIエージェントからノーコード連携可能に
ByteDance は人間と AI エージェントの双方に向けて設計された公式ツール「Lark CLI」を MIT ライセンスでオープンソース公開しました。カレンダーやドキュメントなど 18 の業務領域をカバーし、200 以上のコマンドを収録。Claude Code などの外部エージェントから追加設定なしで Lark を直接操作できます。
DaVinci Magihuman：音声付き動画をネイティブ生成する15Bオープンソースモデル
音声付き動画をネイティブ生成できる150億パラメータのオープンソースモデル「DaVinci Magihuman」が登場しました。自己申告のブラインドテストではLTX 2.3に60%の勝率を記録し検閲もありませんが、蒸留版でも61GBあり動作環境のハードルは高めです。
アリババ、動画から効果音を自動生成する「PrismAudio」をオープンソース公開
アリババが動画向け効果音生成モデル「PrismAudio」をオープンソース公開しました。強化学習と思考の連鎖を組み合わせ、無音動画から動作に同期した音声を生成します。パラメータ数はわずか5.18億で、9秒の音声を0.63秒で生成でき、ベンチマークと速度の両面で数十億規模の競合を上回ります。