Image / Video / Audio Generation

フェイフェイ・リー氏率いるWorld Labsが、テキストや画像、3Dを統合する世界モデル「Atlas」を発表。少数の画像から3D空間を再構成し、自由なカメラ制御やロボティクス向けシミュレーションを実現する。

• •3D空間コンテキストを保持し、自由な視点からの映像生成やバレットタイム効果の作成が可能になった
• •少数の画像入力から高精度な3D空間を再構成し、ロボティクスのシミュレーション環境としても活用できる
• •現在はパートナー向けに早期アクセスを提供しており、同社の製品「Marble」などへ順次統合される予定

Metaが単一モデルで音声認識、話者分離、発話終了検知を処理するリアルタイム音声認識モデル「Muse Voice Transcribe」を発表。20人以上の話者識別や多言語混在に対応し、Meta AIアプリなどで利用可能となる。

• •単一モデルで音声認識だけでなく、話者分離や発話終了検知を同時に処理する高度な機能を搭載している
• •20人以上の話者を識別可能で、日本語を含む多言語が混在する環境でも高精度な認識を実現する
• •「Meta Model API」を通じて提供され、Mac版「Meta AI」アプリや開発者向けツール「Muse Code」でも利用可能

Googleが画像生成・編集ツール「Google Pics」を提供開始。基盤モデル「Nano Banana」を使用し、特定領域の編集や文字翻訳が可能でWorkspaceにも統合される。

• •画像モデル「Nano Banana」を基盤とし、ポスター制作やSNS用画像の生成・編集を支援するツールとして提供
• •画像内の特定オブジェクトを編集したり、写真内の文字を翻訳・修正したりする高度な機能を実装している
• •Web版に加えGoogle Workspaceアプリにも統合され、対象となる有料プラン利用者へ順次展開される予定

DeepSeekが画像入力に対応したV4ファミリー初のモデル「DeepSeek-V4-Flash-Vision-Exp」の実験版を公開。MITライセンスで商用利用を含む無償提供を行い、既存モデルを上回る性能を誇る。

• •DeepSeek-V4-Flash-Vision-Expは画像入力に対応した初のV4ファミリモデルである
• •モデルの重みはMITライセンスで公開され、商用利用を含め無償で使用可能
• •性能は先行する「DeepSeek-V4-Flash-0731」を上回るレベルにある

World Labsが空間知能を実現するための世界モデル「Atlas」を発表し、3D環境の理解と生成を可能にする技術を公開した。

• •空間知能を実現する世界モデルAtlasが発表された
• •3D環境の理解と生成を目的としたAI技術
• •World Labsによる新しいアプローチの公開

GoogleはCanvaやAdobeが主導するクリエイティブソフトウェア市場に参入するため、プロンプト入力だけでデザインを作成できるAIファーストのツール「Google Pics」を提供する。

• •Googleは既存のデザインツール市場にAI優先のアプローチで新規参入を図っている
• •ユーザーは複雑なデザイン操作ではなく、テキストプロンプトを入力するだけでデザインを作成できる
• •CanvaやAdobeのような従来のクリエイティブツール市場で、AI生成技術による差別化を図っている

GoogleがWorkspace向けに「Google Pics」を提供開始。GeminiとNano Bananaモデルを活用し、プロフェッショナルなAI画像生成と編集をビジネスユーザー向けに簡素化。

• •Canvaのようなデザインツールだが、より高度なAI機能とプロンプト制御を提供する
• •Geminiと独自モデル「Nano Banana」を組み合わせ、画像生成の精度と制御性を向上させた
• •ビジネスユーザーが専門知識なしで高品質な画像を編集・生成できることを目的としている

fal.aiが動画生成AI「MiniMax H3 Max」を公開し、テキストや画像から音声付きの480p動画を約3秒という実時間以下で生成できる高速処理を実現した

• •生成AI開発基盤のfal.aiが、MiniMax社の動画生成モデル「H3 Max」を無料体験ページで提供を開始した
• •入力されたテキストや画像から、音声を含む480p解像度の5秒動画を実時間以下の約3秒で生成可能
• •アカウント登録なしでも利用でき、登録すれば1日最大5本まで無料で生成できるため、視聴者参加型コンテンツなどの即時フィードバック用途に適している

生成AI画像が消費者に「キショい」という違和感や炎上を招く背景について、危機管理広報のプロである長沼史宏氏がその本質を解説する。

• •生成AIで作成された画像をめぐる炎上や消費者の違和感が社会問題化している
• •製造メーカーやIT企業の危機管理広報に携わる長沼史宏氏が分析を行う
• •AI画像特有の違和感が生まれる心理的・技術的な背景が解説される

単一のHTMLファイルで動作するASCIIアートによるサイバーパンク都市の3D表現が公開され、ブラウザ上でインタラクティブに探索できる

• •テキスト文字のみで構成された3D都市空間を、軽量なHTMLとJavaScriptで実装したプロジェクトが紹介されている
• •ユーザーはブラウザ上でキャラクターを操作し、建物の内部や高層ビルなどを探索できるインタラクティブ性を備える
• •最新のアップデートでは交通システムや詳細な装飾が追加され、レトロな美学と現代のWeb技術の融合を示している