NVIDIAが「Audio2Face」をOSS化：音声から3Dキャラの表情を自動生成
NVIDIAは、音声入力から高精度な3Dキャラクターの表情やリップシンクを自動生成する「Audio2Face」のモデル、SDK、学習フレームワークをオープンソース化した。オフラインレンダリングだけでなくリアルタイム動作にも対応し、ゲーム開発やAIアバター制作における表情アニメーションの敷居を大きく下げる。
オープンソース · デイリー
水
9月24日 水曜日
月
9月22日 月曜日
アリババ、音声や映像にネイティブ対応した「Qwen3-Omni」をオープンソース公開
アリババはテキスト・画像・音声・動画を単一モデルに統合した「Qwen3-Omni」を発表し、オープンソース公開した。211msの低遅延と30分の音声理解を実現し、InstructやThinkingを含む30B規模の重みを提供する。
月
9月15日 月曜日
H Companyが「Holo1.5」をオープンソース公開：PC操作特化で精度10%向上
H Company は PC 操作（Computer Use）エージェント向けモデル「Holo1.5」をオープンソース化した。3B、7B、72B の 3 サイズを用意し、UI 要素の位置特定精度が前世代比で 10% 以上向上。画面状態を把握する視覚的応答能力も強化され、全重みが Hugging Face で公開されている。
金
9月12日 金曜日
Google、差分プライバシーでゼロから学習した10億規模LLM「VaultGemma」公開
GoogleとDeepMindは差分プライバシー（DP）を適用してスクラッチ学習した1Bモデル「VaultGemma」をオープンソース公開した。ノイズ注入によりデータ暗記を防ぎ情報漏洩を抑える。性能は同規模の初期GPT-2相当だが、プライバシー保護AIの新たな指針となる。
木
9月4日 木曜日
Google、端末向け埋め込みモデル「EmbeddingGemma」公開：完全オフラインで RAG や検索が可能に
Google は端末上での動作に特化したオープンな埋め込みモデル「EmbeddingGemma」を発表した。パラメータ数は 3 億 800 万で、ネット接続なしでセマンティック検索や RAG を実行できる。Gemma 3n と同じトークナイザーを採用し、メモリ消費を抑えつつ高い多言語性能を実現する。
水
9月3日 水曜日
ByteDanceがUI-TARSを公開：画面を直接操作するオープンソースAgent
ByteDanceはGUIやツール利用性能を大幅に高めたAgentモデルUI-TARS-2のリリースを発表しました。視覚言語モデルと強化学習推論を組み合わせ、デスクトップやモバイルの画面要素を認識して自動操作します。OSWorldなどのベンチマークでも高いスコアを記録しています。
木
8月28日 木曜日
テンセント、動画から高精度な効果音を作るHunyuanVideo-Foleyを公開
テンセント混元は映像とテキストから音響効果を生成するフレームワーク「HunyuanVideo-Foley」をオープンソース公開した。10万時間のマルチモーダルデータで学習し、映像の動きや時間軸に合わせた多層的な音声を自動生成できる。
水
8月27日 水曜日
OpenAI、ターミナルで動くコーディングAI「Codex」のオープンソース公開を改めて案内
2025年4月、OpenAIはターミナル上で動作する軽量コーディングエージェント「Codex CLI」をApache-2.0ライセンスでオープンソース公開している。Mac、Linux、Windowsのローカル環境で直接実行でき、VS Codeなどのエディタとも連携可能だ。ChatGPTアカウントで手軽に利用できる点が特徴となる。
土
8月23日 土曜日
xAIが「Grok 2.5」をオープンソース化、Grok 3も約半年後に公開へ
xAIが2024年の主力モデル「Grok 2.5」をオープンソース化し、Hugging Faceでモデル重みの配布を開始した。研究や非商用利用は無料だが、他モデルの訓練への利用は制限される。イーロン・マスク氏はGrok 3も約6か月後に公開予定だと明かした。
マスク氏がGrok 2のオープンソース化を予告、来週にも公開へ
イーロン・マスク氏はX上で、xAIのAIモデル「Grok 2」を来週オープンソース化すると表明した。新世代のモデルを開発するたびに前世代を公開するという同社の方針に基づくもの。大手AI企業がクローズド化を進めるなか、開発者コミュニティへの還元と透明性をアピールする狙いがある。
金
8月22日 金曜日
香港大がOpenCUA公開：PCを自律操作するオープンソースAgent
香港大学などの研究チームが、PC操作AIエージェントの開発基盤「OpenCUA」をオープンソースで公開した。2万2600件以上の操作データと画面記録ツール、思考連鎖を活用した訓練手法を備え、性能面でOpenAIやAnthropicの商用モデルに迫る水準を達成している。
水
8月20日 水曜日
ByteDance、512K文脈対応のオープンソースモデル「Seed-OSS-36B」を公開
ByteDanceのSeedチームはHugging Face上で「Seed-OSS-36B」をApache-2.0ライセンスでオープンソース公開した。360億パラメータを備え、ネイティブで512Kトークンの長文脈処理に対応する。推論量を調整できる「思考バジェット」機能も備え、商用利用を含め無償で利用可能だ。
月
8月18日 月曜日
Nvidia、単一A10で動作するNemotron-Nano-9B-v2を公開：推論のON/OFF切り替えに対応
Nvidiaは、単一のA10 GPU向けに最適化された小型オープンモデル「Nemotron-Nano-9B-v2」を公開しました。MambaとTransformerのハイブリッド構造で最大6倍の高速化を実現し、開発者は/thinkなどのトークンで推論思考の有無やトークン上限を柔軟に制御できます。
金
8月15日 金曜日
NVIDIA、約100万時間の多言語音声データセット「Granary」と最新モデルをオープンソース公開
NVIDIAは25の欧州言語に対応する音声データセット「Granary」をオープンソース公開した。約100万時間の音声を含み、高精度な「Canary-1b-v2」と高速処理に優れた「Parakeet-tdt-0.6b-v3」モデルも同時にHugging Faceで提供される。
木
8月14日 木曜日
GoogleがGemma 3 270Mを発表：タスク特化の微調整向け2.7億モデル
GoogleはGemma 3シリーズの最小モデル「Gemma 3 270M」を発表した。パラメータ数はわずか2.7億で、指示追従や構造化テキスト出力を標準装備。テキスト分類やデータ抽出など、特定用途に絞った低コストかつ高速なファインチューニングに最適化されている。
