アリババ、追加学習なしで複数シーンをシームレスに繋ぐ「Prompt Relay」を発表
アリババは動画生成技術「Prompt Relay」を発表した。追加学習が不要なプラグイン方式で、指定時間帯のプロンプトをクロスアテンション層で適切にルーティングし、シーン間の意味的な混ざり合いを防ぎながら滑らかな場面転換を実現する。現在は実装説明が公開されており、コードの完全提供が待たれる。
阿里巴巴
新しいニュースを見る
アリババが「Wan2.7-Image」公開：12言語の文字描画と最大12枚の一貫画像生成に対応
アリババが画像生成・編集・理解を統合した新モデル「Wan2.7-Image」を発表しました。12言語の印刷品質テキスト描画に対応するほか、1度のプロンプトで最大12枚の一貫した画像を生成可能。顔の骨格やHEXカラーコードの制御、視覚的指示による対話的編集もこなせます。
アリババが「Wan 2.7 Image」発表：生成と編集を統合、カラーコード指定や長文描画に対応
アリババは画像生成と編集を統合した新モデル「Wan 2.7 Image」を発表した。骨格や質感を調整して自然な人肌を再現できるほか、最大 8 個のカラーコード指定や 12 言語・最大 3000 トークンの文字・表描画に対応する。1 プロンプトで最大 12 枚の一貫した画像を生成でき、絵コンテやカタログ制作の手間を大幅に省ける。
アリババ、動画から効果音を自動生成する「PrismAudio」をオープンソース公開
アリババが動画向け効果音生成モデル「PrismAudio」をオープンソース公開しました。強化学習と思考の連鎖を組み合わせ、無音動画から動作に同期した音声を生成します。パラメータ数はわずか5.18億で、9秒の音声を0.63秒で生成でき、ベンチマークと速度の両面で数十億規模の競合を上回ります。
アリババ、唇の動きに同期する映像吹き替えAI「Fun-CineForge」公開
アリババが映像向け配音モデル Fun-CineForge をオープンソース公開した。動画とテキストを入力すると唇の動きや話者を認識し、顔が隠れた場面でもタイミングを合わせて発声。複数キャラクターの掛け合いも自然な声色で切り替えられる。
アリババが個人用AIアシスタント「CoPaw」を公開：Web UI搭載、ローカル実行にも対応
アリババが個人用AIアシスタント「CoPaw」をオープンソース公開した。専用Web UIを備え、OllamaやMLXを用いたローカル実行に対応するほか、DingTalkやLarkなど各種チャットアプリと直接連携できる。MCP拡張や定期タスクをノーコードで扱えるのが特徴だ。
アリババが「Mobile-Agent-v3.5」公開：PC・スマホ・Web を横断操作
アリババがマルチプラットフォーム対応の GUI エージェント「Mobile-Agent-v3.5」を公開した。Qwen3-VL ベースの基底モデル「GUI-Owl-1.5」（2B〜235B）を採用し、PC・モバイル・Web の知覚から操作までを統合。20 以上のベンチマークで最高スコアを記録し、重みとデモも提供されている。
アリババが DeepGen 1.0 を公開：画像生成と編集を 5B モデルで両立
アリババが画像生成・編集モデル「DeepGen 1.0」をオープンソース公開した。5B の軽量設計ながら、文字描画や画像編集に加え、迷路を解くような視覚的推论にも対応する。大型モデルを凌ぐ編集スコアを示す一方、Hugging Face 上の容量は 72GB あり、導入ハードルはやや高めだ。
アリババ、画像生成AIの基底モデル「Z-Image」をオープンソース公開
アリババの通義チームは画像生成AIの基底モデル「Z-Image」を公開した。蒸留前のフルモデルで、Turbo版で課題だった構図の固定化や顔の重複を解消し、LoRAなどの追加学習に適している。生成ステップ数は50歩に増えるが、ComfyUIで即日利用可能だ。
アリババが「Qwen3-TTS」をオープンソース公開：97msの超低遅延で即時音声クローン
アリババがオープンソースの音声合成モデル「Qwen3-TTS」を公開した。わずか数秒の音声から声色を再現できるほか、プロンプトで新しい声を生成することも可能。遅延97ミリ秒のデュアルトラック設計を採用し、多言語や方言のリアルタイム出力に対応する。
複数キャラを破綻なく動かす動画生成モデル「CoDance」がオープンソース化
任意の人数のキャラクターを自然に動かせるアニメーションモデル「CoDance」が公開された。ポーズと位置の固定的な結びつきを解き、テキストとマスクで再マッピングすることで、位置ズレや多様な画風に対応する。現在コードと重みが無償提供されている。
アリババが「Thinking with Map」発表：AIが地図を探索して撮影場所を特定
アリババの研究チームは画像の位置特定フレームワーク「Thinking with Map」を発表した。人間のように地図を探索する強化学習と並列推論スケーリングを組み合わせることで、500m以内の位置特定精度を 22.1% に引き上げ、Gemini-3-Pro の 2.8 倍の精度を記録した。
AlibabaのQwen Codeがv0.3.0に更新：Stream JSON対応と多言語化を導入
AlibabaのQwenチームはコーディング支援CLI「Qwen Code」のv0.2.2〜v0.3.0アップデートを発表した。最大の目玉はStream JSONによるストリーミング入出力への対応で、CI/CDや自動化ツールとの連携が容易になる。さらにUIと出力の多言語化や20MBのメモリ上限による安定化も施された。
Qwen、画像編集モデル「Qwen-Image-Edit」発表：画像内文字の修正や180度回転に対応
Qwenは20B基盤の画像編集モデル「Qwen-Image-Edit」を公開した。フォントスタイルを維持したまま画像内の中英テキストを直接修正できるほか、物体の180度視点回転や局所的な要素編集に対応する。現在Qwen Chatの「Image Editing」機能から試すことができる。
アリババが20B画像モデル「Qwen-Image」公開、英中の文字描画と編集に対応
アリババは20BのMMDiT画像基盤モデル「Qwen-Image」を公開した。英中両言語での複雑なテキスト描画や段落レイアウト、高精度な画像編集をネイティブでこなす点が特徴。画像生成AIが苦手としてきた中国語の文字崩れを大幅に改善するオープンソースモデルとなる。
Qwenが推論モデル「QwQ-32B」公開、DeepSeek-R1に匹敵
Qwenは320億パラメータの新推論モデル「QwQ-32B」を公開した。強化学習のスケーリングにより数学とコーディング性能を大幅に向上させ、中規模モデルでありながら巨大なMoEモデルに対抗できる実力を示した。
Animate Anyone 2発表：静止画のキャラを動かすだけでなく、背景や物体との自然な相互作用も再現
研究チームが画像アニメーションモデル「Animate Anyone 2」を発表した。キャラクターと背景の分離による違和感を解消するため、環境特徴の入力やオブジェクトガイダーを採用。生成された人物が背景に浮くことなく、周囲の物体と自然に触れ合いながら滑らかに動けるようになった。
Alibaba、AI研究者のSteven Hoi氏を起用：消費者向けAI部門のトップに就任
AI研究者のSteven Hoi氏がAlibabaへの参画を発表し、AI-to-Consumer事業のAIチームを率いることを明らかにしました。同氏は今後10年で消費者向け基盤モデルやAIエージェントに大きな勝機があると指摘。一般ユーザー向けAI展開の本格化が伺えます。
アリババが「Qwen2-VL」公開：2Bと7Bをオープンソース化、長尺動画にも対応
アリババのQwenチームが視覚言語モデル「Qwen2-VL」を公開した。2Bと7BをApache 2.0でオープンソース化し、72BはAPIで提供する。動的解像度や20分以上の動画認識、端末操作エージェント機能に対応し、72BはGPT-4oに匹敵する性能を示す。
アリババが「EMO」発表：1枚の静止画と音声から表現力豊かな歌唱・対話動画を生成
アリババの研究チームは音声駆動型ポートレート動画生成フレームワーク「EMO」を発表した。1枚の人物画像と音声（会話や歌唱）を入力するだけで、豊かな表情と自然な頭部動作を伴う動画を任意の長さで生成できる。早口な歌詞や絵画の人物の動画化にも対応する。