ACE-Step 1.5公開：VRAM 4GB未満で動作するオープンソース音楽生成AI
ACE StudioとStepFunは音楽生成基盤モデル「ACE-Step 1.5」をオープンソースで公開した。VRAM 4GB未満で動作し、RTX 3090なら10秒未満で1曲生成できる。50以上の言語とMITライセンス商用利用に対応し、ローカル環境での本格的な音楽制作を手軽にする。
オープンソース · デイリー
土
1月31日 土曜日
オープンソースの統合音声理解モデル「MOSS-Audio」登場：4B/8Bを展開
統合音声理解モデル「MOSS-Audio」がオープンソースで公開されました。4Bと8BのサイズでそれぞれInstruct版とThinking版を用意。音声認識、話者分析、感情検出、環境音や音楽の理解を単一モデルに統合し、タイムスタンプ付きASRの精度でGemini-3.1-Proを大きく上回ります。
金
1月30日 金曜日
Anthropic、非エンジニア向け「Knowledge Work Plugins」公開 MarkdownだけでClaudeを専門職化
Anthropicは、営業や法務、マーケティングなど非エンジニア職種向けプラグイン群「Knowledge Work Plugins」をオープンソース公開した。コードは一切なくMarkdownとJSONのみで構成され、Claude CoworkやClaude Codeと連携する。社内手順をテキストで書き換えるだけで自社専用AIを作れる。
WordPressがAIエージェント向けスキル公開：数秒でテスト環境を起動
WordPressコントリビューターがAIコードエージェント向けスキル「wp-playground」を公開した。Playground CLIを活用し、エージェントが数秒でWordPressを起動してプラグインやテーマの動作検証を行えるようにする。Claude CodeなどのAIが自律的にテストと修正のループを回せるようになる。
水
1月28日 水曜日
OpenMOSSが「MOVA」をオープンソース公開：音声と動画を同時に生成する32B MoEモデル
OpenMOSSは映像と同期した音声を単一モデルでネイティブ生成する「MOVA」をオープンソースで公開した。総パラメータ320億のMoE構成で実行時に180億が活性化し、自然なリップシンクにも対応する。GitHubでコードと重みが提供されているが、720p版は約77GBあり高スペックなGPUが必要となる。
LingBot-World：Wan2.2基盤のオープンソースリアルタイム世界モデル
robbyant がリアルタイム世界シミュレータ「LingBot-World」のコードとモデルを公開した。Wan2.2 をベースに、テキストや画像から 16 FPS・1 秒未満の遅延で 480P/720P の操作可能環境を生成し、分単位の長期記憶も維持する。閉鎖的モデルに対する有力なオープン代替となる。
TeleStyle 公開：画像・動画の画風を参照画像やテキストで自在に変換
画像と動画に対応したスタイル変換モデル「TeleStyle」が発表された。Qwen-Image-Editをベースに開発され、参照画像やテキスト指示から元の構図を崩さずに画風を適用できる。動画向けモジュールでフレーム間の一貫性も維持しており、コードとモデルが公開されている。
アリババ、画像生成AIの基底モデル「Z-Image」をオープンソース公開
アリババの通義チームは画像生成AIの基底モデル「Z-Image」を公開した。蒸留前のフルモデルで、Turbo版で課題だった構図の固定化や顔の重複を解消し、LoRAなどの追加学習に適している。生成ステップ数は50歩に増えるが、ComfyUIで即日利用可能だ。
Clawdbot：チャットからローカルPCを直接操作できるオープンソースAI
オープンソースのセルフホスト型AIアシスタント「Clawdbot」（現Moltbot）が登場しました。Telegramなどのチャットから指示を送るだけで、ローカルPC上でスクリプト実行やファイル管理をこなします。自らコードを書いて新スキルを追加でき、データもクラウドに流れません。
月
1月26日 月曜日
Lettaがオープンソース「Claude Subconscious」公開：Claude Codeに常駐記憶を付与
LettaはClaude Code向けオープンソースプラグイン「Claude Subconscious」を公開しました。バックグラウンドのエージェントがセッションとコードを監視し、8つの記憶ブロックから文脈を非同期でプロンプトに注入します。
NVIDIA、気象AIモデル群「Earth-2」をオープンソース化 計算時間を90％削減
NVIDIAは気象・気候予測AIモデル群「Earth-2」を発表し、オープンソースで公開した。独自インフラで微調整や実行が可能なフルスタックを提供し、イスラエル気象局の検証では計算時間を90％削減したという。Medium RangeなどのモデルはすでにGitHub等で提供されている。
Voicebox：音声クローンと文字起こしをローカルで完結するオープンソースAI
オープンソースのローカル音声アプリ「Voicebox」がGitHubで4.2万以上のStarを獲得し、注目を集めています。数秒の音声から声を複製できるほか、グローバルショートカットであらゆる入力欄に音声入力でき、Claude Code等のエージェントへの組み込みにも対応。有料サービスに頼らずローカル環境で音声ワークフローを構築できます。
マイクロソフトが音声認識モデル「VibeVoice-ASR」を公開、最長60分を一括処理
マイクロソフトが9Bサイズの音声認識モデル「VibeVoice-ASR」をオープンソースで公開した。音声を細切れにせず最長60分の一括処理が可能で、文字起こし・話者分離・タイムスタンプ出力を統合。長時間の会議やポッドキャストでも文脈が途切れず、微調整にも対応する。
テンセント、思考型画像編集モデル「HunyuanImage 3.0-Instruct」をオープンソース公開
テンセントは画像編集・生成モデル「HunyuanImage 3.0-Instruct」を公開した。思考連鎖（CoT）を内蔵し、編集手順や保持領域を推論してから画像処理を行うのが特徴。視点変更や複数画像の合成に対応し、同社アプリ「元宝」で体験可能だが、169GBのモデル重みは高いVRAMを要求する。
木
1月22日 木曜日
リアルタイム画像分割モデル「RF-DETR」公開、最速3.4ミリ秒で動作
リアルタイム画像分割モデル「RF-DETR segmentation」がApache 2.0ライセンスでオープンソース公開された。Nanoから2XLargeまで6つのサイズが用意され、1枚あたり最速3.4ミリ秒（40.3 mAP）から高精度な49.9 mAP（21.8ミリ秒）まで対応する。
アリババが「Qwen3-TTS」をオープンソース公開：97msの超低遅延で即時音声クローン
アリババがオープンソースの音声合成モデル「Qwen3-TTS」を公開した。わずか数秒の音声から声色を再現できるほか、プロンプトで新しい声を生成することも可能。遅延97ミリ秒のデュアルトラック設計を採用し、多言語や方言のリアルタイム出力に対応する。
火
1月20日 火曜日
Motion 3-to-4：単眼動画を4D動的オブジェクトに変換、動作の移植にも対応
単眼動画から高品質な 4D 動的オブジェクトを合成するオープンソースモデル「Motion 3-to-4」が公開された。静的 3D 形状と動作再構成を分離してフレームごとの頂点軌道を予測し、抽出したキャラクター動作を別動画へ移植できる。
Overworld、キーボードとマウスで操作できるリアルタイム世界モデル「Waypoint-1」をオープンソース公開
Overworldはキーボードやマウスでリアルタイムに操作できる動画生成世界モデル「Waypoint-1」をオープンソース公開しました。1万時間のゲーム映像で学習され、RTX 5090上で最大60FPSの低遅延生成を実現しています。画質や一貫性に課題は残るものの、2.3Bの小型モデルがローカル向けに提供されています。
月
1月19日 月曜日
LightOnOCR-2-1B 公開：わずか 1B で 9B モデルを凌駕する高速 OCR
LightOn はエンドツーエンドの視覚言語 OCR モデル「LightOnOCR-2-1B」をオープンソース公開しました。1B という小型サイズながら、OlmOCR-Bench で 9B の Chandra-9B を上回り、DeepSeekOCR の 1.73 倍高速に動作します。Apache 2.0 ライセンスで、1600 万ページの訓練データも提供されます。
金
1月16日 金曜日
Metaが「ShapeR」を公開：撮影動画から実寸大の独立した3D物体を個別に復元
Metaが画像シーケンスからシーンを3D復元するオープンソース技術「ShapeR」を公開しました。空間全体を1つの塊として出力する従来手法と異なり、SLAM点群とマルチモーダルデータを組み合わせ、各物体を実寸大かつ独立した3Dメッシュとして生成します。シーン内の物体を個別に移動・編集できるようになります。
FlashLabs、音声対話モデル「Chroma 1.0」を公開：リアルタイム対話と音声クローンに対応
FlashLabsは、エンドツーエンドのリアルタイム音声対話モデル「Chroma 1.0」をApache-2.0ライセンスでオープンソース公開しました。テキストを介さず音声を直接理解して合成音声を生成でき、参照音声を用いた声色クローンにも対応します。Qwen2.5-OmniとLlama 3をベースにしており、現在は英語に対応しています。
複数キャラを破綻なく動かす動画生成モデル「CoDance」がオープンソース化
任意の人数のキャラクターを自然に動かせるアニメーションモデル「CoDance」が公開された。ポーズと位置の固定的な結びつきを解き、テキストとマスクで再マッピングすることで、位置ズレや多様な画風に対応する。現在コードと重みが無償提供されている。
木
1月15日 木曜日
Googleが翻訳モデル「TranslateGemma」公開：12B版が27B超え、画像内翻訳も対応
Google は Gemma 3 ベースのオープン翻訳モデル「TranslateGemma」を発表しました。4B、12B、27B の 3 サイズ展開で 55 言語に対応。12B モデルが従来の 27B ベースラインを上回る精度を出し、画像内のテキスト翻訳機能もそのまま引き継いでいます。
オープンソース音楽生成モデル「HeartMuLa」登場、歌詞と指示文からフル楽曲を一括生成
オープンソースの音楽生成基盤モデル「HeartMuLa」が公開された。曲調のプロンプトと歌詞を入力するだけで、ボーカルと伴奏を含む完全な楽曲を生成できる。現在 3B バージョン（重み約 16GB）が配布中で、多言語に対応し、Suno など商用トップ層に迫る音質と一貫性を実現している。
Black Forest Labsが「FLUX.2 klein」公開、1秒未満で画像生成・13GB GPUで動作
Black Forest Labsは画像生成モデル「FLUX.2 klein」を発表した。13GB VRAMの一般向けGPUで1秒未満の画像生成・編集が可能。Apache 2.0ライセンスの4B版と重み公開の9B版を用意し、APIや無料デモアプリも提供する。
Black Forest Labs、画像生成「FLUX.2 [klein]」発表 1秒未満で推論、4B版はApache 2.0公開
Black Forest Labsは、1秒未満での推論を可能にする高速画像生成モデル「FLUX.2 [klein]」を発表した。競合モデルより30％以上高速化し、9Bと4Bのバリアントを用意。特に4B版はApache 2.0ライセンスでオープンソース化され、8.4GBのVRAMでローカル動作する。
NVIDIAが音声AI「PersonaPlex」発表：割り込み対話に対応、声と役割を自在に設定
NVIDIAは全二重音声対話モデル「PersonaPlex」を発表した。聞き取りと発話を同時に行い、自然な割り込みや相づちを低遅延で実現する。テキストの役割指定と短い参照音声を与えるだけで、任意の声質とキャラクターを忠実に保ったまま対話できるのが大きな強みだ。
火
1月13日 火曜日
KyutaiのPocket TTS：1億パラメータでCPUリアルタイム動作する音声合成
KyutaiがCPU向け軽量音声合成モデル「Pocket TTS」をオープンソース公開。1億パラメータの省サイズ設計でGPUを必要とせず、MacBook Air M4の2コアで約6倍速のリアルタイム生成と200msの低遅延を実現。音声クローンや長文朗読にも対応する。
月
1月12日 月曜日
NovaSR：わずか52KB、実時間の3500倍速で音質を向上させる超小型音声モデル
開発者の yatharthsharma3501 氏が超軽量な音声アップサンプリングモデル「NovaSR」をオープンソース公開した。サイズは約 52KB で、10 層未満の畳み込み層により単一 A100 上で実時間の 3600 倍速を達成。16kHz の音声を 48kHz の高音質に変換でき、エッジ機器やリアルタイム処理に向く。
ShowUI-Aloha：1回の画面操作デモでPC作業を自律実行するAIエージェント
ShowLabは画面録画から操作手順を学習するPC操作エージェント「ShowUI-Aloha」をMITライセンスで公開した。航空券予約やExcel編集を一度実演するだけで手順を抽象化して再実行でき、OSWorldベンチマークで60.1%の成功率を記録した。
月
1月5日 月曜日
オープンソース画像編集「VIBE」登場：2K画像を約4秒で編集
軽量な画像編集モデル「VIBE」が公開された。2BのQwen3-VLと1.6BのSana 1.5を組み合わせ、H100上で2K解像度の画像編集を約4秒でこなす。蒸留版では2秒未満まで高速化され、元画像のディテールを崩さずに低コストで編集できる点が注目されている。
土
1月3日 土曜日
UniSH公開：動画1本から3D背景と動く人物を一度の推論で同時復元
UniSHが、動画から3Dシーンと人物の姿勢・形状を同時に復元するフィードフォワード型フレームワークを公開しました。手ブレや激しい動きを含む映像からでも、シーン点群、カメラ軌跡、人体メッシュを一度の推论で出力できます。GitHubでコードが公開されており、ローカル環境で実行可能です。
火
12月30日 火曜日
テンセント、10億パラメータの3D動作生成モデル「HY-Motion 1.0」をオープンソース公開
テンセントはテキストから3Dキャラクターアニメーションを生成する10億パラメータ超のモデル「HY-Motion 1.0」をオープンソースで公開した。DiT構造を採用し、200種以上の動作カテゴリーに対応。生成された3Dデータはそのまま既存の制作パイプラインに組み込める。
