Video Rebirth は、MiniMax-H3 を約 14B に圧縮した HyperFlow H3 Flash を公開しました。4〜8 ステップの推論で 768p の動画と同期音声を同時生成でき、Q4 版は 9.1GB まで軽量化され 24GB の家庭用 GPU で動作します。4 基の B200 を使えば実時間生成も可能になり、高品質な動画生成のローカル導入が一気に身近になりました。
MetaはMuseアプリ（モバイル、ウェブ、Mac）でリアルタイム音声と表情豊かなアバターの提供を開始しました。会話のトーンに合わせた表情や身振りを返し、途中で話を遮ることも可能で、数百種類の音声を用意。米国ユーザーから順次提供され、今後はAIグラスにも展開予定です。
Luma AIが新動画生成モデル「Ray 2」を発表しました。生成可能な動画の長さが従来の5秒から最長1分へと大幅に拡大し、最短10秒で出力できます。さらにAWSと戦略的提携を結び、Amazon Bedrockへのモデル提供と専用AIチップの活用を進めます。
Runwayは対話アバター向け57B動画モデルの推論最適化手法を発表し、必要GPUをH100 8台から4台に半減させた。キャッシュ書き込み時のFP8量子化や通信カーネル融合により、1ステップ147.4msで24fpsのリアルタイム生成を維持。高負荷なリアルタイム動画の運用コスト大幅削減に道を開いた。
Googleは動画生成AI「Gemini Omni 1.2 Flash」の一般提供を開始した。ネイティブ生成時間が最長15秒に延び、料金は720p動画で1秒あたり0.07ドルと30％引き下げられた。対話形式による部分修正やキャラクターの一貫性維持、リップシンク向上に対応し、「Google Vids」では月3本まで無料で生成できる。
Selendisは撮影素材を数分で完成動画へと自動編集する動画基盤モデル「Archon」を発表した。スティーヴ・アオキ氏らが開発に携わり、クリエイターの過去作品や参考動画から好みのスタイルを学習する。現在3カ月無料の早期アクセスを受け付けている。
NVIDIAは物理AI向け基盤「Cosmos Framework」とNIMを発表した。自動運転のマルチカメラ映像とLiDARデータの同期生成や手術シミュレーションに対応。LoRAや各種強化学習パイプラインをサポートし、H200上の投機的デコードにより推論速度を2〜3倍に高める。
X上でAnthropicの未発表モデルとされる「Claude Fable 5.5」のテスト結果が拡散しています。画像や動画の生成モデルを一切介さず、約2時間40分かけてPythonコードを自律生成し、1つのHTMLファイルとして動画を完結させました。ただしAnthropicは公式な存在をまだ認めていません。
Runway は Claude Code、Codex、Cursor 向けに「Runway Dev」プラグインをリリースした。MCP 経由でエディタ内のコーディングエージェントと接続し、残高確認からモデル選定、動画ワークフローの呼び出しまで直接実行できる。プラグイン側に API キーを保存しない安全な設計となっている。
PikaはMiniMax-H3をベースにした動画・音声生成モデル「Pika H3 Flex」をオープンソース公開した。わずか6ステップのサンプリングでステレオ音声付きの5〜15秒の動画を生成可能。11種類の画面比率や最大12件のマルチモーダル参照に対応し、H100単体でのローカル推論に対応している点が注目される。
NVIDIAは動画高画質化ツール「Open H3 Regenerate 2K」をオープンソースで公開した。MiniMax H3などの低解像度動画を3ステップの拡散処理で2Kや最大4Kへと高精細に再描画する。ローカル環境で自由に実行・調整できる一方、人物の顔立ちなど細部がわずかに変化する場合がある。
NVIDIAはリアルタイム動作生成モデル「MotionBricks」をオープンソースで公開した。前後の目標ポーズを指定するだけで中間の自然な動作を補完し、障害物の乗り越えや着席などの動きをブロックのように連結できる。SOMA人体モデルとUnitree G1向けモデルがGitHubで利用可能だ。
Google DeepMindはリアルタイム世界シミュレーションモデル「Genie 4」を発表しました。キーボードや自然言語で空間を操作できるだけでなく、環境音や会話音声を世界と同時にネイティブ生成します。Geminiが論理的推論を担い、現在は信頼できるテスター向けに限定公開されています。
デザイナーのAmirMushich氏が、3Dモデリングを使わずにインタラクティブな回転商品ページを作成するWeb手法を公開した。服の参考画像からLTX-2.5 Proで回転動画を生成し、約30フレームに分解してJavaScriptでマウス操作に連動させる仕組みだ。ランタイムでのAI呼び出しや3D描画エンジンが不要で、ECサイトの演出コストを大幅に下げられる。
髪の毛1本や半透明の境界線まで精密に切り抜ける動画マット処理AI「MatAnyone」が発表された。約3GBのVRAMで動作し、H200単体で4Kのリアルタイム処理が可能。低解像度で難所を特定してから高解像度処理を当てる仕組みで、今後コード公開やComfyUI対応が予定されている。
ByteDance傘下の動画編集ツール「CapCut」はChatGPTプラグインを発表した。素材と要望をチャットに入力するだけで自動で初稿カットを生成し、会話で尺や字幕を微調整できる。動画編集の手間を減らす機能だが、現在は未提供で今後数カ月以内にテスト予定だ。
SenseTimeはコード生成によってアニメーション動画を描画する「SenseNova 6.8 Code-to-Video」を公開した。従来の動画生成モデルと異なり、コードを直接修正して特定要素だけを崩さず再編集できる。Qwen3.8 27Bベースで容量は約55GB、実行には高性能GPUが必要。
ElevenLabsは音声と動画の制作フローを統合する新プラットフォーム「Chimera」を発表しました。独自の音声生成や吹き替え技術にSeedanceなどの動画生成ツールを組み合わせ、アプリ内から一連のAI音動画ワークフローを構築できます。
長尺動画向け3D再構築手法「HiP3R」が発表された。階層型ポーズグラフを用い、動画チャンク単位の位置合わせ後にフレームごとのカメラ姿勢を最適化することで、映像のズレや蓄積誤差を解消する。基盤モデルの再学習なしで既存手法にそのまま組み込めるのが強みだ。
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。
