Tencent混元、画像から動画を生成する13Bモデルをオープンソース公開

Tencent混元は、画像生成動画モデル「HunyuanVideo-I2V」をオープンソース公開し、モデルの重み、推論コード、LoRA学習コードを一挙に提供開始した。

ユーザーは静止画像を1枚アップロードし、被写体の動きやカメラワークを簡単に指示するだけで、環境音などの音効が付いた5秒間の2K動画を生成できる。

何ができるのか

静止画を動かす通常の機能に加え、実用的なリップシンクと動作駆動の2つの機能が用意されている。

人物写真をアップロードして文字や音声を指定すると、その内容に合わせて画像内の人物が自然に話したり歌ったりする動画が作れる。

動作駆動を使えば、ポーズを反映させたダンス動画などをワンクリックで生成できる。実写の人物だけでなく、アニメキャラやCGIアセットなど幅広いスタイルに対応している点も特徴だ。

手軽に試したい一般ユーザー向けには公式サイト上でWebデモが公開されており、API利用を希望する企業はTencent Cloud経由で申請できる。ローカルで動かしたい開発者は、GitHubやHugging Faceから直接リポジトリを取得可能だ。

公開内容と技術的な特徴

今回のモデルは、先行して公開されていた混元のテキスト生成動画モデルの基盤を受け継ぎ、パラメータ数は130億を維持している。

技術レポートによると、テキスト動画生成と同じデータセットで事前学習が行われており、画像、テキスト、音声、姿勢情報といった複数の入力条件を組み合わせて制御できる設計になっている。

開発者にとって大きな利点は、推論コードだけでなくLoRA学習コードも同梱されている点だ。13Bの大規模モデルをフルチューニングすることなく、手元の小規模なデータセットで独自の画風やキャラクターの追加学習が行える。

混元のオープンソースシリーズはテキスト、画像、動画、3Dの各領域を網羅しており、GitHub上でのスター数は累計で2万3000件を超えている。

なぜ重要か

動画生成AIのオープンソース領域では、基盤モデル自体の公開にとどまり、微調整のためのコードや周辺ツールが揃っていないケースが多かった。

混元が13Bクラスの実用的な重みとLoRA学習スクリプトを揃えて公開したことで、インディーゲーム制作者やアニメーションスタジオが自前で動画生成パイプラインを構築するハードルは確実に下がった。

130億パラメータをローカルで動かすには一定以上のGPU性能が求められるものの、自由度の高い制作基盤を探している開発者にとって今すぐ試す価値がある選択肢と言える。商用のクローズドモデル勢に対しても、機能と自由度の両面で強い刺激を与える一手になりそうだ。