Runwayがロボット向け世界モデル「Praxis-1」と広告エージェントを発表
報道によると、Runwayは自社イベントで広告運用エージェント「Runway Ads」とオープンウェイトのロボット向け世界行動モデル「Praxis-1」を発表しました。CEOは実環境での物理AI導入まで12〜18か月かかると予測し、言語モデルに偏る米国に対し中国では約70%のトークンが動画向けに消費されていると指摘しました。
AI動画
新しいニュースを見る
AI動画の一貫性を保つ「Mosaic Chunk」公開：画面外の物体も忘れない記憶技術
今週、AI動画生成向けの記憶システム「Mosaic Chunk」のコードとモデルがオープンソース公開された。過去の全フレームではなく重要特徴を選択的に記憶・再呼出しすることで、物体が画面から消えても一貫性を維持する。MiniMax H3およびLing World Infinityベースのモデルがローカルで利用可能だ。
Tavusが対話モデル「Griffin」公開、通話テストで48%が「人間」と誤認
AIスタートアップのTavusはリアルタイムに対話できるビデオモデル「Griffin」を発表した。音声と映像を同時に知覚・生成するフルデュプレックス構造で、相槌や割り込みにも自然に対応し、通話実験では48%が本物の人間と誤認した。現在「Griffin-Lite」が限定テスター向けに公開されている。
Runway、広告の自動生成・出稿・改善を担う「Runway Ads」を発表
Runwayは運用型広告向け自律エンジン「Runway Ads」を発表した。ブランド素材から画像や動画広告を生成し、Meta、Google、TikTokへの自動出稿と成果に基づく自動再生成までを一気通貫で行う。自社運用では週間広告数を77本から約900本に増やし、獲得単価を41%抑えたという。
筋骨格をシミュレートするAI「Terra」公開、複雑な地形の歩行を実現
筋骨格シミュレーションAI「Terra」がオープンソースで公開された。関節の角度を直接制御する従来手法と異なり、筋肉の収縮で骨を動かす人体の仕組みを再現。9時間超の動作データで学習し、坂道や階段の移動から跳躍まで対応する。Apache 2.0ライセンスで利用可能。
NVIDIA、VAEとエンコーダーを排除した「PixelUMM」公開 生ピクセルで画像・動画を理解・生成
NVIDIAとウォータールー大学がマルチモーダルモデル「PixelUMM」をオープンソース公開した。VAEや視覚エンコーダーを使わず、Qwen3-8Bをベースに生のピクセル空間で直接画像と動画の理解および生成を両立する。潜在空間を介さないシンプルな統合アーキテクチャとして注目される。
NVIDIAが「SoL-Refiner」発表：1ステップで4K化、動画生成を最大27倍高速化
NVIDIAの研究チームが動画精緻化モデル「SoL-Refiner」を発表した。一度のデノイズ処理だけで低解像度動画を最大4Kに引き上げ、MiniMax H3など多様な生成モデルと併用できる。生成時間を最大27倍短縮できる一方、一部の細部が元動画から変化する制約もある。
InSpatio-World 1.5：画像1枚とカメラ軌道から4D空間を生成する世界モデル
InSpatioが4D世界モデル「InSpatio-World 1.5」をオープンソースで公開した。単一画像やパノラマ、動画から未知の視点を推論し、指定したカメラ軌道に沿って一貫した空間巡回やバレットタイム映像を生成できる。サイズは6GB未満で、一般的なGPUでも動作する。
動画蒸留手法「PDMD」が公開：MiniMax-H3をわずか4ステップで高速生成
研究チームが動画蒸留手法「PDMD」のLoRAモデルを公開しました。MiniMax-H3の生成ステップ数を従来の20〜30ステップから4ステップに短縮します。評価器の誤指導を抑えることで、従来の蒸留で見られたディテールの崩れを防ぎ、滑らかな動きと高画質を両立しています。
Google、Gemini 3.8に対話型アバター機能を追加：97言語のリップシンクに対応
GoogleはGemini Enterprise向けに「Gemini 3.8 Live with Live Avatar」の提供を開始した。音声とニアリアルタイムの動画生成を組み合わせ、自然な表情とリップシンクを備えたアバターが会話に対応する。97言語のシームレスな切り替えや、会話を中断しないバックグラウンド処理にも対応する。
Google Vidsが全ユーザーに無料開放：Gemini Omni 1.1で1080p動画生成に対応
GoogleはGoogleアカウントを持つ全ユーザー向けに「Google Vids」を無料開放した。Gemini Omni 1.1 Flashを搭載し、1080pのHD動画生成や一貫性を保ったシーン延長、秒単位でのクリップ長指定に対応する。生成動画にはSynthID透かしが埋め込まれ、100言語対応のAI音声機能も順次追加される予定だ。
動画に直接話しかけて割り込める新媒体、対話型デモ「ACTx486」公開
既存の動画を対話可能な新媒体へ変換する研究デモ「ACTx486」が公開された。ポッドキャスト再生中に画面をタップして質問を挟んだり言語を切り替えたりでき、出演者が応答した後に元の映像へと戻る。現在は1回の生成に数分を要するため動画は事前生成されたもので、開発チームは応答時間を6秒未満に縮めることを目指している。
Google Flow、クリエイターが作成した6種類の制作支援ツールを公開
米 Google はワークフロー構築ツール「Google Flow」において、現役クリエイターが制作した 6 つのツールを公開した。マルチトラック音響効果生成やリアルタイム 3D テクスチャ生成、スクリプトからのモーショングラフィックス自動化などが含まれ、複製や自作にも対応する。
YouTube StudioにGemini対話型編集や動画A/Bテストが追加
YouTubeはクリエイター向けの新AIツール群を発表した。ShortsやYouTube CreateアプリにGemini対話型編集が導入され、チャット操作でクリップ調整や音楽のリズム同期が可能になる。さらに最大3本の動画A/Bテストや、ディープフェイク対策としての人声検出機能も順次提供される。
Meta Ray-Ban Displayが進化：建物基準のナビや音声駆動のホログラム通話に対応
MetaはConnect 2026にてスマートグラス「Meta Ray-Ban Display」の大型アップデートを発表した。道路名ではなく実世界の建物などを目印に案内する徒歩ナビやサイクリング経路に対応。さらに音声のみから表情を推測してリアルなデジタルアバターを生成し、WhatsAppで通話できる「Hologram」機能などを追加した。英仏独など5市場への展開も開始する。
PixVerseがR2を発表：リアルタイムで操作・介入できるインタラクティブ世界モデル
PixVerseは生成型・対話型映像メディア向けのリアルタイム世界モデル「PixVerse R2」を発表した。マルチモーダル理解と映像音声生成を統合し、ユーザーの操作に応じてキャラクターや物語の展開をリアルタイムに変化させながら、世界の状態を一貫して保ち続ける。
TavusがPhoenix-4.5公開：遅延134ms、上半身全体をリアルタイム生成
Tavusはリアルタイムアバター描画モデル「Phoenix-4.5」を発表しました。顔部分の合成をやめ、頭部から上半身全体を1フレームで一括生成するGANアーキテクチャを採用し、音声から映像までの遅延を134msに短縮しています。
テンセント、世界モデル「WorldCrafter」発表 視点を戻しても破綻しない3D記憶機構
テンセントの研究チームはインタラクティブ動画世界モデル「WorldCrafter」を発表した。暗黙的な3D知覚メモリを導入し、カメラを別の方向へ向けた後に戻してもシーンの一貫性を保てる。テキストや1枚の画像からカメラ操作可能な探索動画を生成し、蒸留モデルによるリアルタイム対話にも対応する。
3D幾何を潜在空間に直結する「GAE」公開、カメラ軌道誤差を半減
研究チームが世界生成フレームワーク「GAE」をオープンソースで公開した。幾何特徴を128チャンネルの潜在空間に圧縮し、動画と同時に深度マップやカメラ軌道、3D点群を復元する。視点移動時の軌道誤差を半減させつつ、重みは12GB未満で一般的なGPUでもローカル実行できる。
ElevenLabsが「Studio 4.0」公開、動画・音声・音楽生成を1つのタイムラインに統合
ElevenLabsはAIネイティブ動画エディタ「Studio 4.0」を発表した。動画、画像、32以上の言語に対応する1万種以上の音声、音楽、効果音の生成を同一タイムライン上で直接実行できる。さらにAI共同編集機能「Studio Agent」を搭載し、映像をフレーム単位で解析して粗編集や音の同期を自動化する。