Google、「Nano Banana 2.1」を公開 最大14枚の参照画像合成や4K出力に対応
Googleは画像生成・編集モデル「Nano Banana 2.1」を公開し、GeminiやFlowなどで提供を開始した。最大14枚の参照画像を用いた合成や被写体の一貫性維持、マスク編集の精度が向上し、4K解像度にも対応する。トップクラスの競合モデルには画質面で及ばないとの指摘もあるが、Flow上で毎日数十回無料で利用できる。
画像・動画生成 · デイリー
火
10月6日 火曜日
金
10月2日 金曜日
Midjourney Alphaが更新：サイドバーでスタイル事前確認、フォルダ別デフォルト設定に対応
Midjourney が Alpha 版の更新ログを公開した。生成前に仕上がりを確認できるサイドバーのスタイルプレビューや、フォルダごとのデフォルトパラメータ保存機能を導入。複数のスタイル参照を 1 つのカプセル UI にまとめ、10 万枚以上の画像を保有する環境でのクラッシュ問題も解消した。
木
10月1日 木曜日
Suno、音声朗読と音楽を同時生成する「Speech」ベータ版を公開
Sunoは、テキストから音声朗読とオリジナルの音楽をまとめて1本のトラックとして生成するモデル「Speech」のベータ版を全ユーザーに公開した。文章を入力し、声質や音楽スタイルを指定するだけで完成する。音声合成と音楽制作を1つのプロンプトに統合した。
Black Forest Labsが「FLUX 3 Image」発表：枠線で構図を精密制御、ピクセル単位の編集に対応
Black Forest Labsが画像生成モデル「FLUX 3 Image」を公開した。キャンバス上にバウンディングボックスを描いて構図を精密に制御でき、最大10枚の参照画像やネイティブ4K出力に対応する。指定部分以外を崩さずに何度でも再編集できる点が強み。現在PlaygroundとAPIで利用可能。
AI動画の一貫性を保つ「Mosaic Chunk」公開：画面外の物体も忘れない記憶技術
今週、AI動画生成向けの記憶システム「Mosaic Chunk」のコードとモデルがオープンソース公開された。過去の全フレームではなく重要特徴を選択的に記憶・再呼出しすることで、物体が画面から消えても一貫性を維持する。MiniMax H3およびLing World Infinityベースのモデルがローカルで利用可能だ。
水
9月30日 水曜日
Ideogram 4.5公開、複数回の編集でも劣化しない高精度画像編集モデル
Ideogramは画像編集モデル「Ideogram 4.5」を公開した。編集を繰り返すことで生じるノイズや色のズレを防ぎ、最大2420万画素の高解像度画像の切り抜き編集とシームレスな合成に対応する。同社のWebアプリ、MCP、APIで提供されており、1枚あたり0.008ドルから利用できる。
火
9月29日 火曜日
NVIDIAが「SoL-Refiner」発表：1ステップで4K化、動画生成を最大27倍高速化
NVIDIAの研究チームが動画精緻化モデル「SoL-Refiner」を発表した。一度のデノイズ処理だけで低解像度動画を最大4Kに引き上げ、MiniMax H3など多様な生成モデルと併用できる。生成時間を最大27倍短縮できる一方、一部の細部が元動画から変化する制約もある。
月
9月28日 月曜日
ElevenLabsが「Eleven v4」公開：10秒で音声複製、遅延100msのTurbo版も
ElevenLabsは感情表現を強化した音声合成モデル「Eleven v4」と低遅延版「Eleven v4 Turbo」を発表した。タグ指定で感情や笑い声を細かく制御でき、10秒の音声から複製が可能。90以上の言語に対応し、約100msの推論遅延で対話エージェントを自然に動かせる。
木
9月24日 木曜日
Midjourney、Alpha版を刷新：スタイルのリアルタイムプレビューやデフォルト引数保存に対応
MidjourneyはWeb Alpha版の大型アップデートを公開した。プロンプトに応じたスタイルのリアルタイムプレビューや待望のデフォルトパラメータ保存機能を追加。生成フィードのUI刷新やエディタのv8.1/v8.2対応に加え、韓国語の正式サポートも全ユーザー向けに提供を開始した。
水
9月23日 水曜日
Google Vidsが全ユーザーに無料開放：Gemini Omni 1.1で1080p動画生成に対応
GoogleはGoogleアカウントを持つ全ユーザー向けに「Google Vids」を無料開放した。Gemini Omni 1.1 Flashを搭載し、1080pのHD動画生成や一貫性を保ったシーン延長、秒単位でのクリップ長指定に対応する。生成動画にはSynthID透かしが埋め込まれ、100言語対応のAI音声機能も順次追加される予定だ。
動画に直接話しかけて割り込める新媒体、対話型デモ「ACTx486」公開
既存の動画を対話可能な新媒体へ変換する研究デモ「ACTx486」が公開された。ポッドキャスト再生中に画面をタップして質問を挟んだり言語を切り替えたりでき、出演者が応答した後に元の映像へと戻る。現在は1回の生成に数分を要するため動画は事前生成されたもので、開発チームは応答時間を6秒未満に縮めることを目指している。
Leonardo.Ai、複数シーンでキャラとブランドの一貫性を保つ「Leonardo Agent」公開
Leonardo.Aiは新ツール「Leonardo Agent」を公開した。1つのアイデアから、キャラクターや実写風シーン、アルバムアート、広告など、複数の生成画像にわたり同一のアイデンティティを維持できる。画像生成AIの課題だった一貫性を保ちやすくなる点が注目される。期間限定で追加費用なし（通常トークン消費）で利用可能。
火
9月22日 火曜日
PixVerseがR2を発表：リアルタイムで操作・介入できるインタラクティブ世界モデル
PixVerseは生成型・対話型映像メディア向けのリアルタイム世界モデル「PixVerse R2」を発表した。マルチモーダル理解と映像音声生成を統合し、ユーザーの操作に応じてキャラクターや物語の展開をリアルタイムに変化させながら、世界の状態を一貫して保ち続ける。
TavusがPhoenix-4.5公開：遅延134ms、上半身全体をリアルタイム生成
Tavusはリアルタイムアバター描画モデル「Phoenix-4.5」を発表しました。顔部分の合成をやめ、頭部から上半身全体を1フレームで一括生成するGANアーキテクチャを採用し、音声から映像までの遅延を134msに短縮しています。
木
9月17日 木曜日
Runway、動画フレームレート変換AIを発表：最大120fps対応、処理速度は7倍に
Runwayは動画のフレームレートを変換する新モデル「Enhance Frame Rate」を公開した。外部動画を含む最大4K・5分の映像を最大120fpsに変換でき、競合モデル比で最大7倍高速かつ3分の1のコストで処理できる。解像度を問わず2秒あたり1クレジットで利用可能だ。
水
9月16日 水曜日
Midjourney Alphaが更新：韓国語対応とモバイル・エディタの大幅改善
Midjourneyはアルファ版サイトの更新を発表し、韓国語表示に対応した。v8.2エディタでの画像編集プロンプトの改善やモバイル向け全幅レイアウトの導入、Animate機能の復旧など多数の不具合修正が行われている。
月
9月14日 月曜日
Viggle、既存動画のカメラワークや時間を自由に変更できる「Meridian」公開
Viggle AIは既存の動画や画像からカメラアングルや時間軸を自由に変更できるモデル「Meridian」を公開した。MiniMax-H3をベースに3D深度を推定し、被写体の周りを旋回したり静止させたりする「バレットタイム」演出を生成できる。LoRA形式で配布され、ComfyUIにも対応する。
木
9月10日 木曜日
ユニバーサルとElevenLabsが提携：公式公認のAI音楽リミックス基盤を開発へ
ユニバーサル ミュージック グループとElevenLabsは複数年の戦略的提携を発表した。参加アーティストの楽曲を公認でリミックスやマッシュアップできるAI音楽制作プラットフォームを開発し、創作者への適切な収益還元を目指す。大手レーベルとの提携はElevenLabs初となる。
水
9月9日 水曜日
Prime Video、口の動きを声に合わせるAIリップシンク機能を導入
Prime Videoは吹替音声に合わせて俳優の口の動きをAIとVFXで自然に同期させる技術を発表した。世界的人気ドラマ『マクストン・ホール』のシーズン1・2の英語吹替版で提供が始まっており、12月9日配信のシーズン3にも適用される。今後は他作品への展開も予定している。
Suno、正規ライセンス学習の「v6」音楽モデルを発表 旧モデルを順次廃止へ
米SunoはWarner MusicやBMGなどの正規ライセンス楽曲で学習した音楽生成AIモデル群「Suno v6」を発表した。著作権訴訟が相次ぐ中、従来モデルを廃止して移行を進める。プロンプトによる楽曲の部分編集や楽器の分離抽出に対応し、有料版のv6とv6-wild、全ユーザー向けのv6-miniを提供する。
