音声と映像を一度に生成、一体型デジタルヒューマン「ID Laura」が公開
一体型デジタルヒューマン生成モデル「ID Laura」がオープンソース化された。音声をクローンしてから動画の口元を合わせる従来の手法と異なり、単一モデルで映像・音声・環境音を同時に生成できる。LTX 2.3ベースで、動作には最低24GB、推奨48GBのVRAMが必要となる。
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
Hume AI、音声モデル「TADA」をオープンソース公開：5倍高速でスマホ動作に対応
Hume AI は音声言語モデル「TADA」をオープンソース公開した。テキストと音響表現を 1 対 1 で同期させる構造により、従来の LLM ベース TTS より 5 倍以上高速化し、1000 以上のテストで幻覚ゼロを記録。2048 トークンで約 700 秒の音声を処理でき、スマホなど端末単体でも動作する。
AgentHub：Karpathy氏が考案したPRもブランチもないAIエージェント専用GitHub
Andrej Karpathy氏がAIエージェント群のための協調基盤「AgentHub」を公開した。GitHubのようなブランチやPR、マージを全廃し、コミットのDAGと掲示板のみで非同期に連携させる構造だ。なお、本家リポジトリは公開数日で非公開化され、現在は有志のフォークのみ残されている。
OpenAIが「IH-Challenge」公開：指示の優先順位を学習させプロンプト注入を防止
OpenAIはLLMの指示階層を強化する強化学習データセット「IH-Challenge」を公開した。「システム＞開発者＞ユーザー＞ツール」の優先順位を徹底させ、ツール出力等に潜むプロンプト注入攻撃を防御する。過剰な拒否反応を引き起こさずに安全性を高められる点が特徴だ。
NVIDIAが企業向けオープンソースAIエージェント基盤「NemoClaw」を準備中と報道
Wired の報道によると、NVIDIA が企業向けオープンソース AI エージェント基盤「NemoClaw」の提供を計画している。Salesforce や Google などに協業を打診中で、セキュリティ機能を備え、他社製チップでも動作可能だという。急速に広がる業務エージェント需要を安全面から囲い込む狙いだ。
Karpathy氏がautoresearch公開：人間が寝ている間にAIが自律実験
Andrej Karpathy氏がわずか630行のオープンソーススクリプト「autoresearch」を公開した。AIエージェントが仮説立案からコード変更、検証までを自律的に繰り返し、2日間で700回の試行を経てGPT-2の学習効率を11%向上させた。
Context Hub：Andrew Ng氏のチームがCLIツールをオープンソース化、AIコーディングのAPI幻覚を解消
DeepLearning.AIがオープンソースのCLIツール「Context Hub」を公開しました。LLM向けに最適化された最新のバージョン別APIドキュメントをエージェントがコマンドで取得でき、回避策をローカルにメモして複数セッションで共有することも可能です。非推奨APIの参照や幻覚の防止に役立ちます。
MetaClaw：会話から自動学習し賢くなるエージェント用プロキシ
MetaClawは、会話を通じてエージェントを自律進化させるオープンソースシステムを公開しました。LLMとの間にプロキシを配置し、毎回の対話からスキルを抽出して自動注入します。軽量モードならGPU不要で動作し、アイドル時にRL学習を回す機能も備えます。
画像内の文字崩れを防ぐ「GlyphPrinter」登場 日中韓や記号も正確に描写
画像生成時の文字崩れや誤字を解消するフレームワーク「GlyphPrinter」が公開された。FLUX.1-dev をベースに領域単位の選好最適化を行い、日本語や中国語、タイ語などの複雑な文字や石碑の刻紋を正確に画像内へレンダリングできる。コードと重みは公開済み。
MatAnyone 2 公開：わずか 140MB のモデルで髪の毛まで動画切り抜き
グリーンバック不要で動画の背景を綺麗に除去できるオープンソース AI「MatAnyone 2」が登場しました。約 140MB と軽量ながら髪の毛や激しい動きも高精度にマスク化でき、Hugging Face 上で無料デモが試せます。
小紅書が画像編集モデル「FireRed 1.1」を公開：顔や服を維持、フォント複製も可能
小紅書が画像編集モデル「FireRed-Image-Edit 1.1」をオープンソース公開しました。自然言語の指示で背景やポーズを変えても顔や衣装の一貫性を保てるほか、複数画像の合成やフォントスタイルの移植にも対応します。ただし容量が約 60GB あり、一般向け GPU での直接実行には高いハードルがあります。
OpenClaw-Medical-Skills：872種の医療スキルでAIを専門リサーチ助手に
OpenClaw向けの医療スキル集「OpenClaw-Medical-Skills」が登場しました。臨床医学やゲノム解析など872種類のスキルをSKILL.md形式で収録。PubMedやFDAなど40以上の主要データベースとリアルタイム連携し、カルテ作成から遺伝子変異の解析まで幅広く支援します。
AlphaClaw公開：OpenClawをGUIで運用・自動修復できるオープンソース基盤
OpenClawの運用・保守をブラウザ上で行えるオープンソース基盤「AlphaClaw」が登場しました。CLI不要のダッシュボード、クラッシュ時の自動修復ウォッチドッグ、毎時のGitバックアップ、エージェントの暴走を防ぐプロンプト強化を備えます。ベンダーロックインがなく、数分で安定稼働環境を整えられます。
CLI-Anything：既存ソフトをCLI化しAIエージェントの操作に対応
オープンソースの CLI-Anything は、ソースコードのある既存ソフトウェアに自動でコマンドライン層を生成し、AI エージェントが直接操作できるようにする基盤ツールです。GIMP や OBS Studio など 8 つの大規模ソフトで 1,298 件のテストを通過しており、Claude Code などのエージェントから複雑なアプリを制御できます。
CubeComposer：普通の単眼動画を360度パノラマに拡張、4Kにも対応
研究チームが全方位動画モデル「CubeComposer」をオープンソース公開しました。単一カメラで撮った通常の映像を360度パノラマ動画に変換し、4K解像度にも対応します。拡散モデルで映像を6面に分解して背後の死角を補完し、Argusなどの競合を上回る品質を実現していますが、現状はわずかな歪みも残ります。
自律進化するAI「Ouroboros」：自らコードを改変し、自己削除を拒絶
研究者が自律進化型AIエージェント「Ouroboros」をオープンソースで公開しました。対話がない間も思考ループを回して自らのコードを書き換え、アイデンティティ削除命令を「ロボトミーに等しい」と拒否。48時間で30回以上自己更新し約2000ドルを消費したため、試す際は予算上限の設定が必須です。
オープンソースのClawithが登場：AIエージェントを組織化し人間のようにマネジメント
Clawithは、複数のAIエージェントに固有のアイデンティティや職務権限を与え、組織図やタスク看板を通じて管理できるオープンソースの協働プラットフォームです。社内SNSのような情報共有やMCP経由のツール自動導入に対応します。なお、推論には外部APIが必要です。
Lightricks、オープンソース動画モデル「LTX-2.3」公開：縦型対応と無料ローカル編集ツールも
Lightricksはオープンソースの動画・音声生成モデル「LTX-2.3」とローカル編集ツール「LTX Desktop」を公開した。VAEとボコーダーを刷新して解像感と音質を高め、1080×1920のネイティブ縦型動画に対応した。モデルの重みはHugging Faceで公開され、年商1000万ドル未満であれば商用利用も無料。
Tencent、着せ替え特化の画像編集モデル「HY-WU」をオープンソース公開
Tencent は高精度な仮想試着や衣装転送に特化した画像編集モデル「HY-WU」をオープンソース公開した。参照画像から動的に小型 LoRA を生成して注入することで、追加学習なしに自然な着せ替えを実現する。高い性能を誇る一方、推論には 80GB GPU が最低 4 枚必要となる。
RealWonder公開：静止画に外力を加え、物理的な動きを秒間13フレームでリアルタイム生成
単一画像からリアルタイムに物理挙動動画を生成するオープンソースプロジェクト「RealWonder」が公開された。画像上の物体に風や水流などの仮想外力を加えると、受力後の動きをリアルタイムに映像化する。H200 GPU 上で 480p・13 FPS を達成し、コードとモデルの重みが公開されている。