News (page 14)
ブラウザ上で動作するMusical Spirographは、幾何学的なパターンを生成しながら同時に音楽を作成するツールであり、視覚と聴覚の連動を楽しめる。
- •Musical Spirographはブラウザ上で動作する生成アートツールである。
- •画面を動く点の軌跡に応じて幾何学模様と音楽が同時に生成される。
- •子供の頃に人気だったスパイログラフの概念をデジタルかつ音楽的に再解釈している。
音声生成で知られるElevenLabsと、動画検索AIのTwelveLabs、ThirteenLabsという名前を持つAIスタートアップ群の概要や関連性を整理した記事
- •ElevenLabsがテキスト読み上げや音声クローニングで業界をリードしている現状を説明している
- •TwelveLabsが動画内のセマンティック検索を可能にする技術を提供している点を紹介している
- •ThirteenLabsの具体的なサービス内容や、他の2社との技術的な違いについて言及している
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
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
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
- •アプリは無料で提供されており、モデルの訓練方法や技術的な詳細についての質問に回答する
Redditは実験的にAI音声を使ってテキスト投稿やコメントを読み上げる動画やポッドキャスト形式のコンテンツを生成し、ユーザーがテキスト以外の方法で情報を消費できる環境を提供している。
- •AI音声技術を用いてメイン投稿と一部のコメントを動画音声に変換している
- •ユーザーがテキストを読む代わりに視聴できる新しいコンテンツ消費方法を試している
- •実験的な機能として一部の投稿に対して適用されている段階である
Snap出身の創業者が率いるHiggsfieldが4億ドルを調達し、AI生成動画・画像プラットフォームの評価額を54億ドルまで高騰させた
- •Snapの元執行役員であるAlex Mashrabovが設立したHiggsfieldがシリーズBで4億ドルを調達した
- •調達により企業価値は8ヶ月間で4倍の54億ドルに達し、AI動画生成市場での存在感を強めた
- •同社はユーザーがAIを活用して画像や動画を作成できるプラットフォームを提供している