テンセント、3D生成・理解・編集を統合した「Hunyuan3D-Buffalo 1.0」発表

AIで3Dモデルを作ったことがある人なら、生成ボタンを押した後の手間に悩まされた経験があるはずです。

出力されるのは大抵、ひとつの塊になった編集不能なメッシュです。細部を少し変えたいだけでも、最初からやり直すか、Blenderに持ち込んで手作業でトポロジーを直すしかありませんでした。

Tencent（テンセント）の混元チームが公開した「Hunyuan3D-Buffalo 1.0」は、まさにこの制作工程の分断を埋めるために設計された統合型3Dマルチモーダルモデルです。3Dの生成、理解、自然言語による編集、さらにはパーツ分解までをひとつのフレームワークで処理します。

言葉で3Dを直し、パーツごとに分解する

従来の3D生成ツールは機能ごとに分断されていることが多く、生成ができるモデルは編集が苦手で、編集ツールは全体の理解力に欠けていました。Buffalo 1.0は共有バックボーンを用いてこれらを統合しています。

中核を担うのはHunyuan3D-VLMという視覚言語モデルです。これが言語と3D表現を結びつけ、3Dに関する質疑応答や空間認識、指示の理解を担当します。その統合表現をもとに、Hunyuan3D DiTモジュールが高品質な生成やパーツ単位の出力を担う構成です。

実際の編集デモでは、言葉による指示がそのまま反映されます。既存の3Dモデルを入力し「頭を牛の頭に変えて」と指示すると、体は維持したまま頭部だけが差し替えられます。

「帆船の帆を取り除く」「カエルにメガネをかける」「ロボットの両手にトゲ付きのガントレットを追加する」といった指示にも正確に応答します。さらに興味深いのは、自然言語で意味ごとにパーツを認識し、一体のメッシュを独立した部品へと分解して、組み立て状態や展開図（エクスプロードビュー）として表示できる点です。

プロジェクトサイトでは、コードの公開が予定されている旨がすでに告知されています。

なぜ重要か

ゲーム制作者やインディー開発者にとって、後から手直しできない3Dアセットは実際の制作現場ではほとんど役に立ちません。言葉で特定の部位だけを修正でき、さらにパーツ単位で分解して扱えるなら、生成AIはようやく鑑賞用のおもちゃから実用的なパイプラインツールへ進化できます。

業界全体で見ても、3D生成の競争は単なるポリゴンの綺麗さから、理解と編集を統合したワークフローの争いへと移行しつつあります。テンセントがVLMとDiTを緊密に組み合わせた統合モデルを打ち出したことは、競合他社に対しても単機能ツールの見直しを迫る動きに見えます。

一方で、ひとつのシステムにあらゆるタスクを詰め込む設計には懸念もあります。指示の解釈がわずかにずれただけで、修正対象以外のメッシュが歪んだり、意図しない箇所でパーツが分断されたりするリスクが残るためです。コードが実際に公開された後、複雑な産業用モデルでどこまで破綻なく動くかが真の評価基準になりそうです。