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

DaVinci Magihumanは、音声付き動画を多言語でネイティブ生成できる、150億パラメータの統合型オープンソースモデルです。

性能とハードウェア要件

開発元の自己申告ベンチマークによると、映像クオリティとプロンプト整合性の両面で競合のLTX 2.3を上回り、エラー率も低く抑えられています。人間によるブラインドテストでも、LTX 2.3に対して60%の勝率を記録しました。また、最初から検閲のない状態で提供されています。

一方で、実行のハードルはかなり高めです。Hugging Faceで公開されている重みファイルは、蒸留版であっても61GBのサイズがあります。一般的なコンシューマー向けGPUでは動かせず、十分な大容量VRAMを持つ環境が必要です。リポジトリや導入手順はGitHubとHugging Faceで公開されていますが、多くの人は今後の量子化版待ちになるでしょう。

なぜ重要か

動画と音声を別々に作って合わせるのではなく、ネイティブに同時生成するアプローチがオープンソースでも現実的になってきたことを示しています。有力モデルであるLTX 2.3を盲検で上回ったという結果も注目に値します。

ただし、蒸留版で61GBという巨大さは、現時点では業務クラスの環境を持つ開発者向けであることを意味します。一般ユーザーはすぐに飛びつかず、コミュニティによる軽量な量子化モデルの登場を待つのが賢明と言えます。