NVIDIAがNemotron 3.5 Transcribeを公開：8人の話者分離とプロンプト指示に対応
NVIDIAはオープンウェイトの音声モデル「Nemotron 3.5 Transcribe」を公開した。文字起こし、最大8人の話者分離、翻訳、音声Q&Aを1つのモデルに統合し、40言語と最長1時間の音声に対応する。300億パラメータのMoE構造で動作時の負荷を約40億に抑え、主要なオープンベンチマークで首位を獲得した。
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
Sperid LabsがIdolを公開：単一画像から3Dガウスモデルを即時生成
Sperid Labsは1枚の画像から3D Gaussian Splattingを生成するIdolをオープンソース公開しました。背景除去から見えない裏面の自動補完まで行い、最大100万点規模の3Dデータを生成。VRAM消費は7.2GBで、民生用GPUでも軽快に動作します。
NVIDIA、AI動画を最大4K化する「Open H3 Regenerate 2K」をオープンソース公開
NVIDIAは動画高画質化ツール「Open H3 Regenerate 2K」をオープンソースで公開した。MiniMax H3などの低解像度動画を3ステップの拡散処理で2Kや最大4Kへと高精細に再描画する。ローカル環境で自由に実行・調整できる一方、人物の顔立ちなど細部がわずかに変化する場合がある。
NVIDIA、キャラやロボットの動作をリアルタイム生成する「MotionBricks」をオープンソース公開
NVIDIAはリアルタイム動作生成モデル「MotionBricks」をオープンソースで公開した。前後の目標ポーズを指定するだけで中間の自然な動作を補完し、障害物の乗り越えや着席などの動きをブロックのように連結できる。SOMA人体モデルとUnitree G1向けモデルがGitHubで利用可能だ。
Bygga：イケアの紙の説明書を対話型3Dアニメーションに変えるオープンソースツール
開発者の Nutlope 氏がイケアの組み立て説明書を対話型 3D ガイドに変える「Bygga」を公開しました。1,171 点の製品をオフラインでサポートし、音声操作で「次へ」と進められるため作業中に手を離す必要がありません。未収録製品も Together AI を通じてスキャン・解析可能です。
3D生成AI「Hi3D」、第1世代モデルをオープンソース化 7.74GBで高精度な形状を生成
AI 3D生成ツール「Hi3D」が第1世代モデル「V1.0」のコードと重みを商用利用可能でオープンソース化しました。約200万件のデータで学習し、最大1536³の解像度で精細な3Dメッシュを生成可能。容量は7.74GBと軽量で、一般的な家庭用GPUでもローカル動作します。
Baidu、数百ページの文書を一括解析できる「Unlimited OCR 2」をオープンソース公開
Baiduは超長文ドキュメント解析モデル「Unlimited OCR 2」をオープンソース公開した。パラメータ数は3B（約6.9GB）で、注意機構の最適化によりページ数が増えてもメモリ消費を安定させ、複数ページにまたがる表や段落も自動で結合抽出できる。一般向けGPUでも本1冊丸ごとの電子化が可能になる。
3Dモデリング不要、AI動画で回せる商品Webページを作成する手法がオープンソース化
デザイナーのAmirMushich氏が、3Dモデリングを使わずにインタラクティブな回転商品ページを作成するWeb手法を公開した。服の参考画像からLTX-2.5 Proで回転動画を生成し、約30フレームに分解してJavaScriptでマウス操作に連動させる仕組みだ。ランタイムでのAI呼び出しや3D描画エンジンが不要で、ECサイトの演出コストを大幅に下げられる。
Tencent Hunyuan、音声クローン対応の中英同時通訳モデル「Hy-SimulMT」を公開
Tencent Hunyuanは中英双方向のリアルタイム同時通訳モデル「Hy-SimulMT」をオープンソース公開した。発言と並行してテキストと音声を約3秒の遅延で生成し、話者の声色を再現する音声クローンにも対応。推論と微調用コードがGitHubで提供されている。
MotionSites、シネマティックなWebページを作れるClaude Skillをオープンソース公開
MotionSitesは高品質なWebサイトを構築できる「Claude Skill」を公開した。厳選された40件のプロンプトや動画・3D素材ライブラリを収録し、Playwrightによる自動スクショと修正ループで品質を担保する。一般的なAI特有の量産型デザインを脱し、映画のような世界観を持つLPを誰でも手軽に制作できる。
BriaがFibo 2.0 Edit Turboを公開：4ステップで高速・精密に画像編集
Bria AIが80億パラメータの画像編集モデル「Fibo 2.0 Edit Turbo」の非商用ウェイトを公開しました。4ステップかつガイダンス不要で推論でき、構造化プロンプトやマスクを使って指定箇所以外を崩さずにピンポイント修正できます。
書童 Pagekin：設定ブレを防ぐオープンソースの長編小説執筆AIエージェント
長編執筆時の設定矛盾やキャラ崩壊を防ぐオープンソースAIツール「書童 Pagekin」が登場しました。全文をコンテキストに詰め込まず、人物ファイルや世界観、章ごとの設計図を構造化して必要な情報だけを呼び出します。部分的な会話化や校正の差分マージにも対応。ソフト自体は無料ですが、別途モデル設定が必要です。
SenseTime、コード生成で動画を作る「SenseNova 6.8 Code-to-Video」をオープンソース公開
SenseTimeはコード生成によってアニメーション動画を描画する「SenseNova 6.8 Code-to-Video」を公開した。従来の動画生成モデルと異なり、コードを直接修正して特定要素だけを崩さず再編集できる。Qwen3.8 27Bベースで容量は約55GB、実行には高性能GPUが必要。
清華大が「Falcon」公開：唇の動きから特定の話者の声をリアルタイム抽出
清華大学の研究チームが話者抽出モデル「Falcon」をオープンソース公開した。カメラの口元映像と音声を連動させ、騒音下でも狙った人物の声だけをリアルタイム抽出する。付属の Falcon Studio をノート PC で動かせば、Zoom や Tencent Meeting に直接クリアな音声を流せる。
GradiumがオンデバイスTTS「phonon-31m-en」公開：64.5MBでブラウザ内でも動作
Gradiumが軽量な英語音声合成モデル「phonon-31m-en」を公開した。Pocket TTSとMimiコーデックを基盤にしており、8ビット量子化後のファイルサイズはわずか64.5MB。スマホやブラウザ上でオフラインかつストリーミング再生可能で、Apache 2.0ライセンスで商用利用にも対応する。
ISTA-DASLabがDeepSeek-V4.1量子化版公開、12GB GPUで763Bモデルが動作
ISTA-DASLabが763B MoEモデル「DeepSeek-V4.1-Flash-1017」のGSQ-RCO量子化GGUFを公開しました。重みを最小1.75 bpwまで圧縮し、Strataエンジン併用で12GB VRAMの単一GPUで動作します。2.00 bpw版はベースモデルの精度を100%維持しており、巨大モデルのローカル運用の敷居を大幅に下げました。
Tencent、万能ビジュアルAI「WeVisOne-VL」をオープンソース公開
TencentのWeChat Visionチームが、物体検出やカウント、OCR、高精度な切り抜きを1つでこなす視覚モデル「WeVisOne-VL」をオープンソース公開しました。SAMのような重い外部モデルを使わず9.6Mパラメータの軽量デコーダーで髪の毛レベルの透過マスクを出力でき、2Bと4Bモデルをローカルで動かせます。
Briaが画像編集モデル「FIBO 2」公開：首位獲得、4枚の画像合成に対応
Briaは画像生成・編集モデル「FIBO 2」を公開した。最大4枚の参照画像を自然言語で合成・編集でき、Artificial Analysisの画像編集ランキングで首位を獲得。INT8版は8.4GBだが、非商用利用に限定され申請が必要となる。
Anthropic、Agent Skills規格をLinux Foundation傘下AAIFに寄贈
AnthropicはAIエージェントに専門タスクを指示するオープン規格「Agent Skills」をLinux Foundation傘下のAAIFに寄贈したと発表した。同規格はChatGPTやCursorなど70超のプラットフォームに導入され、インストール数は2.8億回に迫る。今後はGoogleやOpenAIのエンジニアらと中立的に共同保守される。
ornith-aiがOrnith-1.5-122Bを公開、単一GPUで動作しQwen3.8超えを記録
ornith-aiはHugging Face上でオープンソースのMoE推論モデル「Ornith-1.5-122B」を公開した。総パラメータ122Bながら単一の80GB GPUで稼働し、SWE-benchなどのコーディング評価でQwen3.8-Flash-Nextを上回る性能を示す。モバイル端末向けの量子化版も用意されている。