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。
オープンソース · デイリー
金
10月23日 金曜日
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。
木
10月22日 木曜日
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。
水
10月21日 水曜日
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。
Google DeepMindがDetectorScope公開：AI判定の根拠と該当箇所を可視化
Google DeepMind は AI テキスト検出ツール「DetectorScope」をオープンソースで公開した。従来のブラックボックスなスコア提示とは異なり、判定理由を自然言語で説明し、根拠となったテキスト箇所を直接ハイライト表示できる。
Alpha Innovator、科学研究特化のMoEモデル「Sage A1.5」をオープンソース公開
Alpha Innovatorは科学研究向けに最適化された350億パラメータのMoEモデル「Sage A1.5」を公開した。複数エージェントが協調して分子設計やデータ分析、引用付きレポート作成をこなすほか、推論途中で自律的に自己修正を行う。フル版は約72GB、最小のQ4 GGUF版は22GBで提供される。
テンセント、対話型世界モデル「Hy-Nomas」公開 単一の4090で動作
テンセントは自然言語やカメラ操作でリアルタイムに探索できる動画世界モデル「Hy-Nomas」をオープンソース公開した。720p/24fpsの映像を生成しながら過去の記憶を保持してシーンの一貫性を保ち、9GBの蒸留版なら単一のRTX 4090で動作する。全コードと重みがApache 2.0で提供される。
わずか163MBの音声認識「Bark 3.0」登場、5分の音声を0.5秒で文字起こし
今週、Underdogが音声認識モデル「Bark 3.0」をHugging Faceで公開した。サイズはわずか163MBながら、Apple Silicon上で5分の音声を半秒で処理できる。Whisper Largeを上回る精度を誇り、不要な相槌を自動除去するバージョンも用意されているが、現在は英語のみの対応となる。
火
10月20日 火曜日
Fast H3 Omni公開：MiniMax H3動画生成を最大12倍高速化、サンプリングを8歩に短縮
オープンソース動画モデルMiniMax H3向けの高速化技術「Fast H3 Omni」が公開された。参照素材からの生成に特化して一貫性を保ちつつ、サンプリングを従来の50歩から8歩へ短縮し、最大12倍の高速化を実現。ComfyUIやApple Silicon対応版も提供されている。
月
10月19日 月曜日
3Dキャラのアニメーション制作を効率化する「GaussiAnimate」がコード公開
3Dキャラクターアニメーションの制作を簡略化するツール「GaussiAnimate」のコードが公開された。内部の骨格と柔軟な表面構造を組み合わせることで、従来の剛性ボーンでは難しかった衣服や動物の複雑な軟体変形を自然に再現できるのが特徴だ。
Ant Groupが「Ming 3.0 TTS」を公開：自然言語での声質制御やポッドキャスト生成に対応
Ant Group は音声合成モデル「Ming 3.0 TTS」を MIT ライセンスでオープンソース公開しました。自然言語によるトーン調整や音声クローンに対応し、約 3GB の軽量版は一般向け GPU で動作します。
1枚の画像から動く3Dヘアを生成、オープンソースの「HairDeck」登場
単一のキャラクター画像から、スプリングボーン入りの3Dヘアカードを生成できるモデル「HairDeck」がオープンソースで公開されました。生成速度は約1秒と従来手法より33倍高速で、そのままVRM形式で書き出せます。モデルサイズは約2.45GBと軽量で、一般的なGPUでも物理演算対応の髪を作成可能です。
日
10月18日 日曜日
小中数学を531の知識点に体系化 AI学習診断グラフ「cn-math-taxonomy」がオープンソース化
中国の小中学校数学カリキュラムを体系化したナレッジグラフ「cn-math-taxonomy」がオープンソースで公開された。531の知識ノードと909の依存関係、2271問の診断問題を収録し、AIが学年を越えてつまずきの原因を逆引きできる。非商用利用は無料、商用利用は要ライセンス。
土
10月17日 土曜日
複数AIを束ねるオープンソース基盤「AutoSwarm」登場：CodexやClaude Codeを並列連携
複数のAIエージェントを束ねて協調動作させるオープンソースフレームワーク「AutoSwarm」が公開された。CodexやClaude Codeなどの既存ツールの上位レイヤーとして機能し、コンテキストを共有しながらタスクを並列処理できる。ツール間を行き来して手動で結果を移す手間がなくなり、1つの指示で複数のAIがチームとして動く。
CleanYourTV：Claude CodeでTV広告を一括削除、Apple TV風UIに刷新
開発者のGathin23がオープンソースプロジェクト「CleanYourTV」を公開しました。Claude CodeなどのAIアシスタントを活用し、同一Wi-Fi経由のADBデバッグだけで、root化不要でAndroid/Google TVの広告や不要アプリを停止できます。Apple TV風の軽量ランチャーに置き換えられ、元に戻すのも簡単です。
金
10月16日 金曜日
Perplexityが意思決定モデルをオープンソース化、百万トークン1セントから
Perplexityはマルチモーダル意思決定モデル「pplx-decider-flash-v1.2」（4B）と「pplx-decider-v1.2」（27B）をオープンソース公開した。価格は百万トークンあたり1セントおよび2セントで、推論速度は最大5倍に向上した。重みはHugging Faceで提供され、APIからも利用できる。
OpenMOSS、50億パラメータの画像生成モデル「MOSS-Image」をオープンソース公開
OpenMOSS は 50 億パラメータの軽量画像生成モデル「MOSS-Image」を公開した。境界ボックスによる構図制御や正確な文字描画に対応し、Transformer 部分は約 10GB で民生用 GPU でも動作する。ただし現状はテキスト生成のみで、自然言語による画像編集には非対応だ。
Tencent、AIが記憶を共有する「Hy-Memory 2.0」をオープンソース化
Tencentは異なるAI Agent間で記憶を共有できる「Hy-Memory 2.0」をオープンソース公開した。専用30Bモデルと連携アプリ「MemHub」を提供し、CursorやCodex間で作業文脈を引き継げる。ツールを切り替えるたびに前提を説明し直す手間が省ける。
DeepSeekが推論基盤「DeepInfer」をOSS化：Huawei製チップに対応
DeepSeekはDeepSeek-V4.1-Flashを支える推論基盤「DeepInfer」をオープンソース公開した。NVIDIA SM100に加えHuawei Ascend 950 NPUにも対応し、NVIDIA製GPUなしでの配備を可能にする。完全な運用にはKVキャッシュの別途構築が必要だが、脱NVIDIAの選択肢として注目される。
木
10月15日 木曜日
AIエージェントに「耳」を与えるオープンソース「Earshot」公開 効果音の自己修正が可能に
コーディングエージェント向け音響ツール「Earshot」がオープンソースで公開された。AIが映像やゲームの音声を分析し、画面とのズレや意図との一致を判定してコードで自動修正できる。CPU上で動作し、人間が手作業で試聴・調整する手間を大幅に削減する。
NVIDIA、自律型AI向けオープンモデル「Nemotron 3.5」を発表
NVIDIAはエージェントAI向けモデル群「Nemotron 3.5」を発表した。120Bパラメータの「Super VL」は同級モデルと比べ最大5倍のスループットを誇る。さらに2ビット量子化で24GBメモリ環境でも動く「Bolt 74B-A9B」も公開し、企業が高度なエージェントをローカルで安全に運用できるようにする。
Black Forest LabsがFLUX 3 Klein公開、8GBメモリで4K画像生成
Black Forest Labsは5.6Bパラメータの画像生成モデルFLUX 3 Image Kleinの重みをオープンソースとして公開しました。ネイティブ4K生成や高精度編集に対応し、INT8版により8GBのGPUメモリ環境でもローカル実行できます。
Meta、816Bオープンモデル「Muse Spark Open」公開：M5 Ultra Mac 2台で動作
Metaは総パラメータ数816B（アクティブ42B）、1Mコンテキストを備えるオープンモデル「Muse Spark Open」を公開した。最大の注目点は、MLXを用いて2台のApple M5 Ultra Mac Studio上で完全にローカル動作し、高度なコーディングやエージェント処理をこなせる点だ。
水
10月14日 水曜日
長尺AI動画の背景崩れを防ぐオープンソース「Any Time, Any Space」登場
AI長尺動画の一貫性を保つオープンソースフレームワーク「Any Time, Any Space」が公開された。シーンを3D再構築して記憶に保持することで、カメラが戻っても元の部屋を忠実に再現する。Wanなど複数の動画生成モデルに対応し、ローカル環境で動作する。
写真から探検可能な3D空間を構築する「InfiniSplat v2」がオープンソース化
複数枚の写真や長尺の走行動画から探索可能な3Dシーンを再構築するモデル「InfiniSplat v2」が公開された。幾何構造と外観の予測を分離することで不正確な領域を抑制し、高精度な描画を実現する。コードと重みが無償公開されており、約6.6GBと軽量なため一般的なコンシューマー向けGPUで動作する。
火
10月13日 火曜日
Fish AudioがDrama 3を公開：1つの文章で最大16役を演じ分け
Fish Audioはオープンソースの次世代音声モデル「Drama 3」を公開した。35BのMoEテキスト骨幹を備え、1つの文章内で最大16人のキャラクターの音声を使い分けることが可能。溜め息などの感情表現や、間違えた箇所だけを文脈に合わせて差し替える編集機能も備える。
月
10月12日 月曜日
テンセントら、複数プレイヤーが同期する世界モデル「Multix」をオープンソース公開
テンセントと香港大学の研究チームがマルチプレイヤー対応の世界モデル「Multix」を公開した。各プレイヤーの視点を個別に生成しつつ環境と動作を同期させる仕組みで、階層的通信により計算コストを86％以上削減。4人分のデータ学習のみで最大10人まで拡張できる。
エンジニアがAIでMS Officeを再現：Word・Excel・パワポの代替アプリをオープンソース公開
エンジニアのBrandon Thomas氏が、AnthropicのOpus 5.5を活用してMicrosoft Officeをリバースエンジニアリングし、互換アプリのWordCraft、GridCraft、DeckCraftを公開しました。macOS、Windows、Linuxに対応し基本機能は無料ですが、生成AI機能のみ有料サブスクが必要です。
SkyworkがMatrix Game 4.0を公開：単一GPUで83fpsのリアルタイム3Dゲーム生成
Skywork はリアルタイムで遊べる 3D ゲーム世界モデル「Matrix Game 4.0」をオープンソースで公開した。物理演算をゲームエンジンに任せ、AI が画面をリアルタイムに高精細化することで、単一の消費者向け GPU で最大 83fps を実現。画面の歪みや破綻を防ぎ、自然言語でコードを修正できるエージェントも備える。
d2r-mobile：Switch 版『ディアブロ II』をスマホでネイティブ 60fps 動作
オープンソース互換レイヤー「d2r-mobile」が公開され、ユーザー自身が所有する Switch 版『ディアブロ II リザレクテッド』を iPhone や Android でネイティブ実行可能になった。エミュレータを使わず直接コードを実行し、タッチ操作対応と安定した 60fps 動作を実現している。
NVIDIAが「Stream Render H3」公開：ゲーム画面をAIでリアルタイムに映画級へ
NVIDIA は MiniMax H3 ベースの映像生成システム「Stream Render H3」をオープンソースで公開した。ゲームエンジンが生成した簡易マップから AI がリアルタイムに高品質な描画を行う。ただしリアルタイム動作には 8 基の GP200 GPU と 200GB 以上の容量が必要となる。
日
10月11日 日曜日
UniForge 3Dがオープンソース化：数枚の写真から死角まで補完した3Dモデルを生成
わずか数枚の写真から完全な3Dアセットを復元・生成する「UniForge 3D」のコードとモデルが公開された。可視部分の精密な再構成と未撮影部分の生成補完を同時に走らせることで、元の質感を保ちながら欠損領域をきれいに埋められる。
土
10月10日 土曜日
Pure：普通の動画から動的な3D空間を丸ごと再構築するオープンソースモデル
3D再構築モデル「Pure」がオープンソースで公開された。高価な3Dアノテーションを使わず、一般的な動画から深度や物体の動きを抽出して事後学習し、動的な3Dシーンを復元する。モデル容量は13.2GBとコンパクトで、訓練スクリプトも同梱されており、ローカル環境で手軽に動かせる。