Meta、画像・テキスト混在のChameleonや音声電子透かしなど5つの研究モデルを公開

MetaのFAIRチームが、画像とテキストの混在生成、高精度な音楽制御、マルチトークン予測、音声ディープフェイク検出などを含む5つのAIモデルおよび研究ツールをオープンソースとして公開しました。

単にモデルサイズを競うのではなく、入出力の混在処理や音楽の拍子制御、推論効率の改善、リアルタイムの透かし検出といった現場の技術課題に焦点を当てたラインナップです。

何ができるのか：画像と文章の同時混在と高精度な音楽生成

Chameleonは、画像とテキストをシームレスに混在させて処理・出力できるマルチモーダルモデルです。従来のモデルのように「文章から画像を生成する」といった単一方向の変換にとどまらず、文章と写真が入り混じったプロンプトを入力し、そのまま画像と文章が自然に配置されたコンテンツを出力させることが可能です。

JASCOは、指示通りの楽曲構成を作り込めるテキスト音楽生成モデルです。従来のMusicGenのようなテキスト主体の生成モデルと異なり、テキスト指示に加えてコード進行やドラムのビートといった音楽記号や音声入力を直接指定できます。生成クオリティを維持しながら、リズムや展開を狙い通りに制御できます。

485倍高速な音声透かしとモデル効率化

モデルの推論効率化と安全性確保に向けたツールも提供されています。

Multi-token predictionは、単語を1語ずつ順番に予測する従来の非効率な訓練手法を改め、複数の未来トークンをまとめて予測する仕組みです。今回はコード補完タスクに特化した事前学習済みモデルが公開されており、開発作業における補完精度と生成効率の検証に使えます。

AudioSealは、AI生成音声を局所的に特定できる初の電子透かし技術です。複雑な復号処理を伴う従来手法とは異なり、長尺の音声ファイルの中から「どの数秒間がAIによって作られたか」を正確に割り出せます。検出速度は従来比で最大485倍に達し、リアルタイム処理や大規模なコンテンツ監査システムへ容易に組み込めます。

さらに、画像生成モデルにおける地域や文化の偏りを定量評価するためのコードと、6万5000件以上のアノテーションデータも公開されました。

ライセンスと利用形態

利用条件はツールごとに分かれています。音声透かしのAudioSealは商用ライセンスで提供されており、自社製品やサービスへの即時組み込みが可能です。

一方、ChameleonのコアコンポーネントやMulti-token predictionのコード補完モデルは、研究目的限定の非商用ライセンスとなっています。地理的多様性の評価コードとデータセットも公開されており、コミュニティで自由に検証できます。

なぜ重要か

音声配信プラットフォームやコンテンツ監査に携わる開発者にとって、商用利用可能なAudioSealはすぐに試す価値があります。膨大な計算コストをかけずにリアルタイムでAI音声を検出できる実用性は極めて高いと言えます。

Metaの今回の公開は、単なる性能誇示ではなく、安全対策やマルチモーダル基盤といった次世代AIに不可欠なピースを開発者に配給する賢いアプローチだと私たちは考えます。コミュニティに実装を委ねることで、自社技術を業界標準に押し上げる狙いがうかがえます。