ByteDance、長尺動画のリアルタイム生成モデル「Helios」をオープンソース公開
ByteDance は長尺動画をリアルタイム生成できる 14B モデル「Helios」をオープンソース公開した。単一の NVIDIA H100 上で 19.5 FPS を記録し、最大 1 分間の生成でも画風が崩れない。コードや実行パイプラインが GitHub で提供されている。
AI動画
新しいニュースを見る
Google NotebookLMに映画風動画機能、Gemini 3とVeo 3でスライド解説を刷新
GoogleはNotebookLMに「Cinematic Video Overviews」機能を追加した。従来の音声付きスライド形式から進化し、Gemini 3、Nano Banana Pro、Veo 3を組み合わせて滑らかなアニメーション動画を生成する。Geminiがクリエイティブディレクター役として構成や映像の一貫性を調整する。現在はWebおよびモバイルのGoogle AI Ultra加入者（18歳以上、英語）向けに提供される。
LTX Studio、企業向け動画吹き替え・字幕機能を公開
AI 動画生成プラットフォームの LTX Studio は、企業の多言語コンテンツ展開を支援する吹き替えおよび字幕機能を発表した。企業が迅速に動画をローカライズできるようにする狙いだが、対応言語や料金の詳細はまだ明かされていない。
OmniLottie発表：マルチモーダル指示からLottieベクターアニメを直接生成
研究チームがベクターアニメーション生成フレームワーク「OmniLottie」を発表した。独自のLottieトークナイザーと視覚言語モデルを組み合わせ、テキストや画像などの指示から直接Lottie形式のJSONアニメーションを生成できる。200万件規模のデータセット「MMLottie-2M」も整備された。
Showlabが「Kiwi-Edit」を完全公開：指示文や参照画像で720p動画を自由編集
Showlabが動画編集フレームワーク「Kiwi-Edit」のコード、モデル、データセットを完全公開した。マルチモーダルLLMと5Bの動画拡散Transformerを組み合わせ、自然言語や参照画像をもとに720p動画の背景変更や被写体の追加・削除を行える。時間的一貫性を保った編集をオープンモデルで実現している。
ByteDanceとスタンフォード、画像・動画拡散モデルを4倍超高速化する「Spectrum」公開
ByteDanceとスタンフォード大学の研究チームが、画像や動画の拡散モデルを最大4.7倍高速化するフレームワーク「Spectrum」をオープンソース公開した。チェビシェフ多項式で未来のステップを予測する仕組みで、追加学習なしにFLUX.1やHunyuan Videoの画質を保ったまま生成を大幅に速くできる。
3枚の写真で破綻しない動画を生成、美団が「WildActor」を公開
美団の研究チームが、動画生成で人物の一貫性を保つ「WildActor」のコードを公開した。3枚の参照画像を使うことで、激しい動きでも顔や衣装が崩れず、実写とアニメキャラの双方に対応する。Wan2.2-5Bと連携して動作する。
ByteDanceと清華大がDreamID-Omni発表：画像と音声から複数人の対話動画を生成
ByteDanceと清華大学の研究チームがDreamID-Omniを発表した。画像、プロンプト、参照音声を組み合わせることで、本人の声で話す動画を生成可能。複数人の同画面会話や動画の顔・音声差し替えに対応し、3月にオープンソース公開が予定されている。
Google、AI創作基盤「Flow」を刷新：ImageFX統合で画像から動画へ直結
米GoogleはAI制作プラットフォーム「Flow」の大幅刷新を発表した。ImageFXやWhiskの画像生成機能をワークスペースに統合し、生成した画像を即座に動画モデルVeoの素材として利用できるようにした。自然言語で部分修正できるなげなわツールも追加された。
Cursorの新機能をAIエージェントが5分で再現、PRごとの自動動画記録も実装
Alex Finn氏がCursorの発表した「AIエージェントによるデモ動画自動作成機能」をOpenClawエージェントに入力したところ、わずか5分で機能構築と動画記録を完了させました。現在はワークフローに組み込まれ、PR作成時にデモ動画が自動添付されるようになっています。
ソニーが動画音響生成「MMHNet」発表：Mamba採用で5分超の同期効果音に対応
ソニーの研究チームは動画から効果音を自動生成するアーキテクチャ「MMHNet」を発表した。階層型ネットワークとMambaを組み合わせ、5分を超える長尺動画でも映像とぴったり合う音響を生成可能にした。「短い素材で学習し長く出力する」手法により、物体の衝突や画面転換時の音ズレを抑えている。
Google、「Gemini」アプリに動画テンプレート機能を追加 写真1枚から短尺動画を生成
GoogleはGeminiアプリに動画テンプレートギャラリーを追加した。ツールの「Create video」からサイバーパンクなどのスタイルを選び、人物やペットの写真をアップロードするだけで、その被写体が主人公の9:16縦型動画を一括生成できる。
動画推論フレームワーク「VBVR」公開：100万本の動画で時空間の思考力を強化
研究チームは動画推論フレームワーク「VBVR」と評価ベンチマーク「VBVR-Bench」をオープンソースで公開した。200種類のタスクと100万本以上のクリップ、310GBの学習データを含み、物理法則や時空間の推論能力を向上させる。画質競争から一歩進み、未学習タスクへ汎化する兆候を確認した点が注目される。
VR向け全身アバター「SARAH」：3D空間認識で視線や姿勢を自然に同期
VR向けリアルタイム全身アバターシステム「SARAH」が発表された。ユーザーの3D空間内の位置を認識し、300FPS以上の高速描画で視線や身体の向きを同期させる。視線の強さを手動調整できる仕組みも備え、VR内での対話が格段にリアルになる。
VRの頭部と手の動きでリアルタイム生成：一人称視点の対話型動画モデルが登場
VRヘッドセットで追跡した頭部や手の関節の動きに応じて一人称動画をリアルタイム生成する世界モデルが発表された。テキスト指示と実際の身振りを組み合わせて生成空間と対話でき、約11FPSで動作する。生成XRの新たな可能性を示す一方、解像度や滑らかさは発展途上だ。
Replitが「Replit Animation」公開、Gemini 3.1 Proでバイラル動画制作
Replit は Gemini 3.1 Pro を搭載した動画制作ツール「Replit Animation」を発表した。数分でバイラル動画を「Vibecode」できるとアピールしており、告知動画も同ツールのみで制作された。同社がコード生成からマルチメディア制作へ領域を広げる一手となる。
動画セグメンテーションモデル「VidEoMT」：通常のViTで最大160FPSの高速追跡を実現
研究チームがエンコーダのみで動く動画セグメンテーションモデル「VidEoMT」を発表しました。複雑な追跡専用モジュールを排し、通常のViTとフレーム間のクエリ伝播のみで対象を追跡することで、従来手法より5〜10倍高速な最大160 FPSを達成しています。
AMC劇場、AI短編アニメの上映を取りやめ ネットの批判殺到を受け
米映画館大手AMC Theatresは、AI生成短編アニメ『Thanksgiving Day』の幕前上映を取りやめると発表した。映画祭の受賞特典として全米劇場での上映が予定されていたが、ネット上で反発が殺到したため急遽不参加を表明。伝統的な映画館でのAI作品展開の難しさが浮き彫りとなった。
OpenAI、Instagramの重役を引き抜き：Soraの肖像権交渉へ
OpenAIはInstagramのグローバルパートナーシップ責任者だったチャールズ・ポーチ氏を、新設のクリエイティブ提携担当VPに迎えた。メタで15年以上セレブの取り込みを主導した人物で、警戒心の強いハリウッドとの信頼構築やSoraのライセンス交渉を担う。
TavusがPhoenix-4を発表、感情制御が可能なリアルタイムAIアバター
Tavusは感情制御に対応したリアルタイム人物描画モデル「Phoenix-4」を発表した。事前録画のループ映像に頼る従来手法と異なり、ミリ秒単位の低遅延で頭部全体の動きや傾聴リアクション、会話文脈に沿った感情変化を動的に生成できる。