AIニュース

Make-A-Character（略称：Mach）は、アリババグループのインテリジェントコンピューティング研究所が開発した、AIを活用した3Dデジタル人間生成フレームワークです。テキスト記述に基づいて、リアルな3Dキャラクターを迅速に作成することを目的としています。このシステムは特に…

MotionCtrlは、テンセント、香港大学、その他の研究機関の研究者によって開発された、ビデオ生成モデル向けに設計された統一的で柔軟なモーションコントローラーです。ビデオ内のカメラの動きとオブジェクトの動きの視点を独立して制御できます。

AnimateDiffは、上海人工知能研究所、香港中文大学、スタンフォード大学の研究者によって開発されたフレームワークです。パーソナライズされたテキストから画像への変換モデルをアニメーション生成器に拡張し、その中核となる機能は、以下の機能を利用できることです。

Depth Anythingは、TikTok、香港大学、浙江大学の研究者によって開発された、単眼深度推定のための深層学習モデルです。様々なシナリオの画像を処理し、深度情報を推定することを目的としています。

Metaの研究者によって開発されたV-JEPAは、特徴予測を通じて動画の視覚的表現を学習することに焦点を当てた、新しい動画自己教師あり学習手法です。この手法の核心的なアイデアは、モデルが...を予測できるようにすることです。

Boximatorは、ByteDanceの研究チームが開発したビデオ合成技術で、豊かで制御可能な動きを生成し、ビデオ合成の品質と制御性を向上させるように設計されています。この技術は、2種類の制約ボックス（ハードボックス...

DiT（拡散トランスフォーマー）は、ウィリアム・ピーブルズ（Soraの研究リーダーの一人）とニューヨーク大学の助教授である謝賽寧によって提案された新しい拡散モデルです。これは、ノイズ除去拡散確率モデル（...

VideoPoetは、Googleの研究チームが大規模モデルに基づいて開発したAI動画生成ソリューションです。テキスト、画像、または動画入力から高品質の動画コンテンツを合成し、それに合った音声を生成する機能をサポートしています。VideoPoetの中核となる機能は…

SDXL-Lightningは、ByteDanceの研究チームが開発した拡散モデルに基づくテキストから画像への生成技術です。従来の拡散モデルにおける画像生成速度と計算コストの限界を克服することを目的としています。このモデルは…

Stable Diffusion 3は、Stability AIが開発した高度なテキスト画像生成モデルです。Stable Diffusionシリーズの最新版であり、テキストプロンプトから高品質の画像を生成するように設計されています。

ConsiStoryは、NVIDIAとテルアビブ大学の研究者によって開発された、テキストから画像を生成するためのトレーニング不要の手法です。この手法を用いることで、元のスタイルと主題を維持しながら、さまざまなテキストスタイルに対応した画像を生成することが可能です。

ScreenAgentは、吉林大学人工知能学部の研究チームによって開発された、コンピュータ制御のインテリジェントエージェントです。このエージェントは、ビジュアル言語モデル（VLM）に基づいており、実際のコンピュータ画面と対話することができます。

YOLOv9は、中央研究院や台北科技大学などの研究機関の研究チームによって開発された次世代の高度な物体検出システムです。YOLO（You Only Look Once）アルゴリズムシリーズの最新バージョンであり、前バージョンを基盤として開発されています。

VideoPrismは、Google Researchが開発した汎用ビデオエンコーダーで、単一の固定モデルで様々なビデオ理解タスクを処理するように設計されています。このモデルは、ビデオから豊富な意味表現を抽出することができ、それによって…

GPT-SoVITSはオープンソースの音声クローンプロジェクトです。この音声合成ツールは、GPTモデルとSoVITS音声変換技術を組み合わせることで、少量のサンプルデータのみで高品質な音声クローンとテキスト音声変換を実現します。このツールは…

OpenCodeInterpreterは、大規模なモデルとコード生成、実行、反復的な改良機能を組み合わせることで、ソフトウェア開発プロセスにおけるコードの生成、テスト、最適化を支援するように設計されたオープンソースのコードインタープリタシステムです。

ChatMusicianは、音楽の理解と生成を目的としたオープンソースの大規模言語モデルであり、マルチモーダルアートプロジェクション研究コミュニティ、Skywork AI、香港科技大学の研究者によって開発されました。

EMO（Emote Portrait Alive）は、アリババグループのインテリジェントコンピューティング研究所の研究者によって開発されたフレームワークです。これは、単一の参照画像と音声入力から画像を生成できる、音声駆動型のAIポートレートビデオ生成システムです。

StarCoder 2は、BigCodeプロジェクトチームが開発した次世代の大規模コード言語モデルであり、コード生成、編集、推論タスクを強力にサポートするように設計されています。このモデルシリーズは、前世代のStarCoderモデルをベースに構築されています。

MeloTTSは、MyShell AIが開発したオープンソースの高品質な多言語テキスト音声合成（TTS）ライブラリです。テキストを自然で流暢な音声に変換し、複数の言語をサポートしています。MeloTTSは、驚異的な音声合成速度を誇ります。

Snap Videoは、Snap Inc.の研究チームが開発したAI動画生成モデルです。その目的は、テキストによる説明に基づいて動画を合成することです。ユーザーは説明文を入力することができ、モデルはそのテキストに基づいて動画を生成します。

スタンフォード大学の研究者らが提案したLayerDiffusionは、大規模な事前学習済み潜在拡散モデルを用いて透明画像を生成する技術です。単一の透明画像、あるいは複数の透明レイヤーを生成することができます。

Text-Diffuser 2は、Microsoft Research、香港科技大学、中山大学の研究者らが開発した、拡散モデルに基づく新しいテキストレンダリング手法です。テキスト生成における画像拡散モデルの限界、特に柔軟性の面での限界を克服することを目的としています。

UniEditは、浙江大学、マイクロソフトリサーチ、北京大学の研究者によって開発された革新的なビデオ編集フレームワークです。モデルの微調整を必要とせずに、ビデオの動きや外観を編集できます。