アリババが「Qwen3.8-Omni-Flash」発表:100万トークンの音響・動画マルチモーダル
今週、アリババは音響・動画マルチモーダルモデル「Qwen3.8-Omni-Flash」を発表した。100万トークンの文脈窓を備え、動画や音声のリアルタイムストリーミング処理や編集タスクに対応する。従来よりトークン消費を大幅に削減し、現在はAPI限定で未オープンソース。
今週、アリババは音響・動画マルチモーダルモデル「Qwen3.8-Omni-Flash」を発表した。100万トークンの文脈窓を備え、動画や音声のリアルタイムストリーミング処理や編集タスクに対応する。従来よりトークン消費を大幅に削減し、現在はAPI限定で未オープンソース。
Runwayは動画のフレームレートを変換する新モデル「Enhance Frame Rate」を公開した。外部動画を含む最大4K・5分の映像を最大120fpsに変換でき、競合モデル比で最大7倍高速かつ3分の1のコストで処理できる。解像度を問わず2秒あたり1クレジットで利用可能だ。
Metaはサブスクサービス「Meta One」を月額2.99ドルからグローバルで開始した。基本機能は無料を維持しつつ、上位プランではMuseモデルによる動画・画像生成や24時間対応のMeta Business Agentが利用可能になる。
Viggle AIは既存の動画や画像からカメラアングルや時間軸を自由に変更できるモデル「Meridian」を公開した。MiniMax-H3をベースに3D深度を推定し、被写体の周りを旋回したり静止させたりする「バレットタイム」演出を生成できる。LoRA形式で配布され、ComfyUIにも対応する。
Prime Videoは吹替音声に合わせて俳優の口の動きをAIとVFXで自然に同期させる技術を発表した。世界的人気ドラマ『マクストン・ホール』のシーズン1・2の英語吹替版で提供が始まっており、12月9日配信のシーズン3にも適用される。今後は他作品への展開も予定している。
配給会社Neonはルカ・グァダニーノ監督、アンドリュー・ガーフィールドがサム・アルトマンを演じる映画『Artificial』の初ティザー予告を公開した。ChatGPT誕生の舞台裏を描く本作はホラー映画のような不穏なトーンで仕上げられており、米国の限定劇場でクリスマスに公開される。
Blackmagic Designは、DaVinci Resolve 21.1を公開した。AIアシスタント機能の統合や静止画写真サポートの拡張に加え、編集者やカラリスト向けに100以上の新ツールや操作コントロールを追加し、プロの映像制作を支援する。
プリンストン大学やUCバークレーなどの研究チームがUniMateをオープンソース化。ボーンが設定された3Dモデルと指示文を入力するだけで関節動作を直接生成し、個別モデルごとの再学習は不要だ。人型だけでなく鳥や蛇、機械にもゼロショットで対応し、推論コードや重みも提供される。
Runwayは、720p・24fpsの映像と音声をリアルタイムに連続生成できる世界モデル「GWM Worlds 2」を発表した。初期フレームとテキストで物理法則や環境を定義し、キーボード入力やテキスト操作で視点やキャラクターをゲームのようにリアルタイム操作できる。ゲームやロボット訓練への応用を見込むが、急激な視点移動での画質低下などの課題も残る。
研究チームが対話型世界モデルフレームワーク「SolarWM」をオープンソースで公開した。わずか5秒の動画クリップで学習しながら、破綻することなく1時間以上のリアルタイムな対話生成を維持できる。143万クリップ・25TBのデータパイプラインや学習レシピも完全公開され、WanやMinimax H3など複数モデルに対応する。
オープンソース動画生成モデル「Miniax H3」を対話型ゲームエンジンに変えるプロジェクト「H3 World」が公開された。キー入力を短いテキストに変換してモデルに渡すことで、操作に追従する映像を生成する。実行コードと学習スクリプトがGitHubで公開中。
GoogleはGemini 3.7 Flashなどのモデルに「エージェント型動画理解」機能を導入した。従来の固定フレームレート処理と異なり、AI自身が必要な映像や音声、文字起こしを動的に探索・抽出する。これによりトークン消費量を最大88%、コストを最大66%削減しながら精度を最大7%向上させた。
World Labsは次世代世界モデル「Atlas」を発表した。テキスト、画像、映像、3Dデータを統合空間コンテキストで処理し、精密なカメラ制御による最長1分の1440p動画生成や3Dガウススプラッティング出力に対応。将来のMarble製品の基盤となる。
Runwayは世界初のインターフェース世界モデル「Solaris」を発表した。Gen-4.5動画生成基盤をベースに、コードを介さず操作に合わせて画面を毎フレーム直接リアルタイム描画する。デザインの忠実度を保つだけでなく、AIエージェントの操作学習環境としても活用できる。
Viggleは動画キャラクター置換モデル「Viggle-Animate」を公開した。骨格推定やマスク、顔トラッキングなどの前処理を一切使わず、動画と描き換えた1フレームを入力するだけで新キャラに動作を反映する。B200 GPU1基で124フレームを26秒でレンダリング可能。
falはリアルタイム対話型AIライブ配信プラットフォーム「fal.live」を公開した。視聴者はチャンネルを選んでテキストプロンプトを入力し、リアルタイムに生成される映像の展開を自ら監督できる。受動的な視聴から参加型の生成体験へと転換を図る試みだ。
Hao AI LabとMiniMaxはオープンウェイトの動画生成モデル「FastH3 v1」を公開した。NVIDIA Blackwell GPU上で最大14倍の高速化を達成し、15秒の768p動画をわずか13秒で生成する。単一チェックポイントで多様な解像度や長さに対応し、重みと推論コードが配布されている。
Googleは動画生成モデル「Gemini Omni 1.1 Flash」を発表した。直前10秒の文脈を反映して最長40秒まで映像を延長できるほか、始点・終点フレーム指定、4K高画質化、生成速度が60%向上しコストを3分の1に抑えた360pプレビューに対応する。Google AI Studioなどで即日利用できる。
研究チームが「Code World Model」を発表しコードを公開した。世界のルール更新と映像生成を分離し、コーディングエージェントが背後でコードを書いて永続的な世界状態を管理し、微調整済み MiniMax-H3 が映像をレンダリングする。AI が物体の位置や過去の出来事を忘れず、長期的に一貫した世界をシミュレートできる。
研究チームが3Dレンダリングの不具合を修復するAI「FixAnything」をオープンソース公開した。3DGSやNeRFの視点変更で生じる穴や浮遊ノイズを、動画拡散モデルの先見性を活かして補正し、整合性の取れた滑らかな動画を生成する。