NVIDIA、AI動画を最大4K化する「Open H3 Regenerate 2K」をオープンソース公開
NVIDIAは動画高画質化ツール「Open H3 Regenerate 2K」をオープンソースで公開した。MiniMax H3などの低解像度動画を3ステップの拡散処理で2Kや最大4Kへと高精細に再描画する。ローカル環境で自由に実行・調整できる一方、人物の顔立ちなど細部がわずかに変化する場合がある。
英伟达
わずか163MBの音声認識「Bark 3.0」登場、5分の音声を0.5秒で文字起こし
今週、Underdogが音声認識モデル「Bark 3.0」をHugging Faceで公開した。サイズはわずか163MBながら、Apple Silicon上で5分の音声を半秒で処理できる。Whisper Largeを上回る精度を誇り、不要な相槌を自動除去するバージョンも用意されているが、現在は英語のみの対応となる。
NVIDIA、軽量世界モデル「SANA-WM」発表：単一GPUで1分間の映像を34秒生成
NVIDIAは静止画とキーボード操作から対話型映像を生成できる26億パラメータの世界モデル「SANA-WM」を発表した。単一のRTX 5090で1分間の720p映像をわずか34秒で生成可能。視点を変えても空間の一貫性が保たれ、コードとモデルは近日公開される予定だ。
NVIDIAが3D世界生成ツール「Lyra 2.0」をオープンソース公開、動画からロボット訓練環境を構築
NVIDIA は動画から一貫性のある 3D 空間を構築できる世界生成フレームワーク「Lyra 2.0」をオープンソースで公開した。サイズはわずか 131MB で、3D ガウススプラッティングにより視点を変えても破綻しないシーンを生成可能。作成した環境は Isaac Sim にエクスポートしてロボットの自律訓練に活用できる。