Image / Video / Audio Generation

DeepSeekが画像認識機能を備えたマルチモーダルモデル「V4-Flash-Vision-Exp」をAPI公開し、既存モデルと同価格で提供開始した。

• •DeepSeekは画像を読み解ける実験的なマルチモーダルモデルをAPIプラットフォームで公開した
• •料金は既存のDeepSeek V4 Flashと同額で、画像1枚あたりの課金上限は384トークンと設定されている
• •現時点ではモデルの重み（パラメータ）を無償公開する予定かどうかは明言されていない

Google Pixel 11がスマートフォン写真の画質を向上させ、2014年のスマホ写真と比較しても詳細な描写とシャドウ処理でデジタルカメラライクな質感を再現している

• •2014年のスマホ写真は詳細が柔らかくシャドウが暗かったが、Pixel 11はそれを改善した
• •Pixel 11は近年見られなかったレベルの写真クオリティを実現している
• •スマートフォンカメラがデジタルカメラのトレンドに再び近づいている兆候が見られる

Nari LabsがQwen3 TTSモデルの最適化手法を公開。推論速度を50ミリ秒未満に短縮し、リアルタイム性を高めるための技術的アプローチとコスト削減効果を解説している。

• •テキストから音声への変換（TTS）モデルの応答時間を50ミリ秒未満に短縮する技術が紹介されている。
• •Qwen3ベースのモデルを使用し、高速化とコスト効率の両立を実現したと報告している。
• •この技術は、より自然で遅延の少ない音声対話システムの実現に向けた重要な進歩となる可能性がある。

コダックが月軌道カメラの開発で果たした歴史的役割と、SAMOSプロジェクトの技術的遺産が現代の画像処理技術にどのように影響を与えたかを探求する記事

• •コダックが月探査ミッションのために開発した初期のデジタル画像読み出し技術の詳細が紹介されている
• •SAMOSプロジェクトにおける技術的課題と、その解決策が後のCCDやCMOSセンサーの発展に与えた影響が解説されている
• •歴史的な文書や技術資料に基づき、コダックの貢献が現代のコンピュータビジョンの基礎を形成した過程が描かれている

HiggsfieldのSeedance 2.5機能を紹介する動画を投稿した著名な映像クリエイターらが、AI技術への過度な推奨や金銭的な動機付けをめぐり、視聴者から強い批判と反発を受けている

• •Matti HaapojaやSam Kolderら著名クリエイターがAI動画生成プラットフォームHiggsfieldの機能を宣伝した
• •彼らはSeedance 2.5を映像制作の未来として推奨する動画を投稿している
• •AI技術への依存や金銭的利益との関連性が指摘され、コミュニティから批判の声が上がっている

デジタルコマースは成人向けECサイト「FANZA」で、AIを活用したコンテンツ創作・公開サービス「FANZAスタジオ」の先行体験を8月24日から開始すると発表した。

• •FANZA上でAIによるコンテンツ創作と公開を可能にする新サービスが発表された
• •先行体験は8月24日から開始される予定である
• •成人向けコンテンツ市場における生成AIの活用が本格化しつつある

Google DeepMindによる「DiffusionGemma」の技術レポートが公開された。これはGemmaアーキテクチャに拡散モデルを組み合わせたもので、テキスト生成だけでなく画像生成などのマルチモーダルなタスクにも対応する新アプローチを紹介している。

• •Gemmaアーキテクチャを拡張し、拡散モデルと統合したDiffusionGemmaの技術詳細が論文として公開
• •従来のLLMとは異なり、拡散プロセスを用いてより多様な生成タスクへの適応性を高めている
• •arXivで公開されたレポートでは、モデルの構造や訓練手法、性能評価結果が技術的に解説されている

ボカロP向けに歌詞付きMV制作ソフト「Lyrica」が無料公開された。現時点ではmacOS版のみ提供され、追加機能を含むPROモードは有料で後日リリース予定。Windows版も準備中である。

• •歌詞付きMV制作に特化した映像編集ソフト「Lyrica」が無料公開された
• •現在はmacOS版のみ提供され、Mac App Storeからダウンロード可能
• •高解像度出力などの追加機能を含むPROモードは有料で後日提供される予定

開発者がiPhone 15上で動作する1億2500万パラメータのTransformerモデルを公開。MIDIピアノで数音弾くだけで、デバイス内でリアルタイムに演奏を補完する仕組みだ。

• •1億2500万パラメータのTransformerモデルが、iPhone 15上で秒間約108音符の処理速度を実現した
• •コード補完ツールと同様の概念を音楽に応用し、ユーザーの入力に基づいて演奏を自動継続する
• •Core MLを活用したオンデバイス推論により、クラウド接続なしでリアルタイムの音楽生成が可能

PKSHAは複数の音声AIエンジンを一元管理・選定できるプラットフォーム「PKSHA Voice KIT」を提供開始し、音声合成の最適化を支援する

• •多様な音声AIエンジンを一つのプラットフォームで統合し、プロジェクトに最適なボイスの選定を効率化する
• •企業ユーザーが音声合成技術の導入障壁を下げ、迅速に高品質な音声コンテンツを作成できる環境を提供する
• •音声AIの活用シナリオを拡大するため、エンジン間の比較やテスト機能を備えた統合環境が構築された