AIニュース

RoopはオープンソースのAI動画顔交換ツールです。Roopを使えば、複雑なデータセットやトレーニングプロセスを必要とせずに、動画内の顔を一枚の画像に置き換えることができます。インストールと使用にはある程度の技術スキルが必要となるため、基本的な知識を持つユーザーに適しています。

VFusion3Dは、Metaとオックスフォード大学の研究者によって立ち上げられた、AI生成による3Dモデルプロジェクトです。単一の画像またはテキスト記述から高品質の3Dオブジェクトを生成できます。VFusion3Dは、事前学習済みのビデオAIを微調整し…

TurboEditは、Adobe Researchが開発したAI搭載のリアルタイム画像編集モデルです。反復エンコーダ反転と詳細なテキストベースの制御により、わずか数ステップで正確な画像編集を実現します。詳細なテキストプロンプトを活用し、...

edge-ttsは、40以上の言語と300以上の音声をサポートするオープンソースのAIテキスト読み上げプロジェクトです。Edge-ttsは、Microsoft Azure Cognitive Servicesの機能を活用して、テキストを流暢で自然な音声に変換します。

Wav2Lipは、音声ファイルを口の動きと同期した動画に変換できるオープンソースのリップシンクツールです。ビデオ編集やゲーム開発で広く利用されています。Wav2Lipはリアルタイムのリップシンクを可能にするだけでなく、...

LM Studioは、オープンソースで使いやすく、ネイティブ大規模言語モデル（LLM）のデプロイをワンストップで実現するネイティブ大規模言語モデルアプリケーションプラットフォームです。Llama、MPT、Gemmaなどをサポートしていますが、これらに限定されません。LM Studioはグラフィカルユーザーインターフェースを提供します。

AuraFlow v0.1は、Falチームが開発したオープンソースのAIテキスト画像生成モデルで、68億個のパラメータを誇ります。MMDiTアーキテクチャを最適化し、計算効率とスケーラビリティを向上させています。AuraFlowは、特に物体の画像生成において、高精度な画像生成に優れています。

LongWriterは、清華大学とZhipu AIが共同開発した長文テキスト生成モデルです。1万文字を超える一貫性のあるテキストを生成でき、オープンソースプロジェクトです。既存の大規模言語モデルの出力限界を分析し、「LongWriter-...」が作成されました。

Source 2.0-M32は、Inspur Informationが開発したハイブリッドエキスパートモデル（MoE）で、32人の専門家を擁しています。革新的な「アテンションルーター」技術を採用することで、専門家選定の効率と精度を向上させています。このモデルは、合計40億個のパラメータを持っています。

Zionは、視覚的な設定とドラッグ＆ドロップ操作によってアプリケーション開発の技術的な障壁を大幅に低減する、ノーコードAIアプリケーション開発プラットフォームです。ユーザーはプログラミングの知識がなくても、ミニプログラム、ウェブサイト、その他のアプリケーションを迅速に構築できます。Zionは、以下の機能を統合しています。

Difyは、大規模な言語モデルに基づいてアプリケーションを迅速に構築・展開できるオープンソースの生成型AIアプリケーション開発プラットフォームです。DeepSeekやOllamaなど、複数の主要なモデルをサポートしており、ユーザーはニーズに応じて柔軟に選択できます。

Video-LLaVA2は、北京大学のChatLaw研究グループが開発したオープンソースのマルチモーダルインテリジェント理解システムです。革新的な時空間畳み込み（STC）コネクタとオーディオブランチにより、ビデオとオーディオの理解能力を強化しています。このモデルはビデオにおいて優れた性能を発揮します。

MUMUは、テキストプロンプトと参照画像を組み合わせることで生成画像の精度と品質を向上させるマルチモーダル画像生成モデルです。MUMUモデルのアーキテクチャは、SDXLの事前学習済み畳み込みUNetに基づいており、...

LLaVA-OneVisionは、ByteDanceが開発したオープンソースのマルチモーダルAIモデルです。データ、モデル、視覚表現からの知見を統合することで、LLaVA-OneVisionは単一画像、複数画像、動画を含むコンピュータビジョンシナリオを同時に処理できます。

Insee AIGCは、Inseeグループが開発したAIマーケティングツールです。InsightGPTは、AI技術とマーケティング戦略に関する洞察、コンテンツの作成と制作、配信と提供、そしてパフォーマンスコンバージョンを組み合わせることで、マーケティング業界の生産性を向上させます。InsightGPTは、単に…

ComfyUI-Bxbは、ComfyUIワークフローをワンクリックでミニプログラムに変換する「SD収益化ツール」です。ミニプログラム開発者向けに特別に設計されており、迅速な収益化を可能にします。ComfyUI-Bxbの主要機能は、ComfyUIワークフローをWeChatミニプログラムに変換することです。

HMoE（Hybrid Heterogeneous Expert Model）は、テンセントのHunyuanチームが提案した新しいニューラルネットワークアーキテクチャであり、大規模言語モデルの性能と計算効率の向上を目指しています。このアーキテクチャは、さまざまな複雑さの入力を処理するために、異なるサイズのエキスパートを導入しています。

Transfusionは、Metaが開発した最新のテキストと画像の融合のためのマルチモーダルAIモデルです。Transfusionは、言語モデルによる隣接予測と拡散モデルを組み合わせることで、単一のトランスフォーマー上で混合モーダルデータを処理します。

RAGFlowは、高度な文書理解と強化された生成機能を備えたオープンソースのRAG（検索拡張生成）エンジンです。OCRと文書解析に基づいた次世代RAGエンジンです。RAGFlowは独自の…

StyleShotは、追加のトレーニングなしにあらゆるスタイルをあらゆるコンテンツに転送できるオープンソースのAI画像スタイル転送モデルです。スタイル認識エンコーダーを通じてスタイル特徴を抽出し、スタイルとコンテンツの融合エンコーダーを強化します。

IMAGDressingは、ファーウェイがテンセントと提携して開発した、AIを活用した服の着替えツールです。IMAGDressingを使うと、ユーザーはモジュール式に服を生成し、仮想環境で試着することができます。プロジェクトページには、自動化されたワークフロー、コード例などが掲載されています。

NextChatはNext.jsとVercelをベースにしたオープンソースプロジェクトで、ChatGPTなどの大規模なAIモデルをWebアプリケーションに統合できます。NextChatはすぐに使えるコードベースを提供するだけでなく、ワンクリックでの統合もサポートしています。

DistriFusionは、高解像度拡散モデルのための分散並列推論フレームワークです。分散並列推論により、複数のGPU上で高解像度画像の生成を大幅に高速化します。DistriFusionはパッチを利用し、

Still-Movingは、DeepMindが開発したAI動画生成フレームワークで、特定の動画データを必要とせずにテキストから動画への変換（T2V）モデルをカスタマイズできます。軽量な空間アダプタをトレーニングすることで、Still-Movingは静止画像から動画を生成できます。