Google、Geminiアプリ内で直接画像編集が可能に:背景変更や要素追加に対応
GoogleはGeminiアプリに直接画像をアップロードして編集できるネイティブ機能を追加したと発表しました。AI生成画像や手持ちの写真に対し、プロンプトで背景の変更やオブジェクトの差し替えが可能です。編集後の画像にはSynthIDの透かしが付与されます。
GoogleはGeminiアプリに直接画像をアップロードして編集できるネイティブ機能を追加したと発表しました。AI生成画像や手持ちの写真に対し、プロンプトで背景の変更やオブジェクトの差し替えが可能です。編集後の画像にはSynthIDの透かしが付与されます。
GoogleはNotebookLMのポッドキャスト風会話機能「音声概要」を50以上の言語に対応させたと発表した。設定に「出力言語」が追加され、ポルトガル語や英語などの多言語資料を読み込ませても、希望の言語で解説音声を生成できる。
GoogleはMetaの最新モデル「Llama 4」をVertex AIのフルマネージドAPI(MaaS)として一般提供したと発表した。GPUの調達や環境構築を行う必要がなく、Model Gardenで規約に同意するだけでOpenAI互換エンドポイントから即座に利用できる。
YouTubeは今週、AIを活用した検索結果カルーセルの試験運用を発表した。動画のテキスト要約ではなく、検索内容に最も適した動画クリップをAIが自動抽出して検索画面上で直接再生する。現在は一部のPremium会員向けに英語検索でテスト中だが、クリエイターの再生数への影響も懸念されている。
Adobeは新世代の画像生成AI「Firefly Image Model 4」と高精細版「Ultra」を発表した。最大2K解像度や文字描画の向上に対応し、1080p動画モデルも一般提供へ移行。刷新されたWeb版では、OpenAIやGoogle、Fluxといった競合モデルの利用も可能になった。
Google ResearchはHHMI Janeliaやハーバード大学と共同で、幼体ゼブラフィッシュの約7万個の神経細胞を捉えた全脳活動データセットと評価基准「ZAPBench」を発表した。大規模言語モデルが単語を予測するように、ニューロンの30秒後の発火パターンを予測する能力を測定するオープンソース基盤となる。
Googleは音楽制作ツール「Music AI Sandbox」の機能強化と米国クリエイター向けのアクセス拡大を発表した。新世代モデル「Lyria 2」やリアルタイム生成が可能な「Lyria RealTime」を搭載し、テキスト指示による曲調変換やフレーズの続きの自動生成に対応。出力音源にはSynthID透かしが付与される。
米司法省による Google への独占禁止法訴訟で、ChatGPT プロダクト責任者のニック・ターリー氏が、Chrome の分離が命じられた場合 OpenAI が買収に関心があると証言した。一方、Perplexity の CEO は Chrome 分割に反対し、Android の開放を優先すべきだと主張している。
韓国のスタートアップNari Labsはオープンソースの音声合成モデル「Dia」を公開した。AI開発経験が浅い学部生2人が外部資金ゼロで開発した16億パラメータのモデルで、感情の抑揚や複数話者、笑い声や咳といった非言語音まで再現可能。実測テストでElevenLabsを上回る表現力を示し注目を集めている。
GoogleはTEDカンファレンスにて、Android XRとGeminiを搭載したスマートグラスの実機デモを初公開した。小型カラーディスプレイを内蔵し、置いたカードキーの場所を記憶したり、リアルタイム翻訳やレンズ上での道案内を行える。ただし発売時期は明かされず、市場投入は2026年になる見込みだ。
Googleは量子化認識トレーニング(QAT)を適用したオープンモデル「Gemma 3」の新版を公開した。学習時に量子化を模擬することで、int4圧縮時のパープレキシティ低下を54%抑制。高価なデータセンター向けGPUを使わずとも、RTX 3090などの民生用GPUで27Bモデルをローカル実行できる。
OpenAI は推論モデル「o3」と「o4-mini」向けに「Flex processing」ベータ版を発表した。応答時間が延びる代わりに API 料金が半額になり、モデル評価やデータ拡充などの非同期タスクを想定する。o3 利用には本人確認が必要となる。
ウィキメディア財団はより、AI開発者向けに構造化されたWikipediaデータセットをKaggleで提供開始した。英語とフランス語に対応したJSON形式で提供され、開発者のクローリングやデータ整形の負担を減らすと同時に、サーバー負荷の軽減を目指している。
GoogleはGemini 2.5 Flashのプレビュー版を公開した。思考プロセスのオン・オフを切り替えられる初のハイブリッド推論モデルで、思考予算を0〜24,576トークンの間で設定し、回答精度・コスト・レイテンシのバランスを自在に調整できる。
Googleは動画生成モデル「Veo 2」を開発者向けに公開した。Google AI Studioでの検証やGemini APIの有料枠経由での組み込みに対応。テキストや画像から物理法則を再現した8秒の動画を生成できる。
AnthropicはClaudeにエージェント型の深層調査機能「Research」とGoogle Workspace連携を導入した。Web検索とGmailやDocs、カレンダーの社内情報を横断検索し、引用付きの回答を数分でまとめる。現在一部有料プランでベータ提供中。
Googleはジョージア工科大学およびWDPと共同で「DolphinGemma」の進捗を発表した。Gemma基盤の約4億パラメータの音声モデルで、イルカの鳴き声パターンを予測・解析できる。Pixelスマートフォン上で直接動作し、2025年夏にオープンモデルとして公開予定。
PerplexityはLM Arenaの新設ベンチマーク「Search Arena」で同社のSonarモデル群が上位を独占したと発表した。最上位のSonar-Reasoning-ProはGoogleのGemini 2.5 Proと並び1位タイを獲得。直接対決でも勝率53%を記録し、競合より2〜3倍多い情報源を引用した。
Google DeepMindのデミス・ハサビスCEOはポッドキャスト番組で、Geminiと動画生成モデル「Veo」を将来的に統合する計画を明かした。VeoがYouTube動画から学習した物理法則の理解を組み合わせることで、現実世界で役立つ汎用デジタルアシスタントの実現を目指すという。
Google DeepMindのDemis Hassabis氏はGeminiモデルおよびSDKでMCPプロトコルをサポートすると発表した。MCPがAIエージェント時代のオープン標準になりつつあるとし、今後はMCPチームや業界と連携して開発を進める方針だ。