AIニュース

AI21 Labsが開発したJambaは、Mambaアーキテクチャに基づいた初の商用レベルの大規模言語モデルです。現在、ほとんどの大規模言語モデル（GPT、Gemini、Llamaなど）はTransformerアーキテクチャに基づいています。しかし、Jambaは…

Voice Engineは、OpenAIが開発した最新のAI搭載音声合成・音声クローン技術です。15秒程度の短い音声サンプルとテキスト入力から、ほぼ自然な音声を生成できます。この技術は2022年から提供されています。

SWE-agentは、プリンストン大学の自然言語処理グループの研究者によって開発されたオープンソースのAIプログラマーおよびソフトウェアエンジニアシステムです。大規模言語モデル（GPT-4など）の機能を活用し、GitHubリポジトリ内の問題を自動的に解決します。

DreaMovingは、アリババグループの研究チームが開発した、拡散モデルに基づく人間動画生成フレームワークです。DreaMovingは、動画制御ネットワークとコンテンツガイドを通して、人間の動きと外見を精密に制御します。

AniPortraitは、アリババが以前リリースしたEMOと同様の、写真の口パク動画生成のためのオープンソースAIフレームワークです。音声と参照用のポートレート画像から、高品質なアニメーションを生成できます。

InstantStyleは、XiaohongshuのInstantXチームが開発した、スタイルが一貫したパーソナライズされたテキストから画像を生成するオープンソースのフレームワークです。テキストから画像を生成する際の重要な課題、つまり、スタイルの一貫性を維持しながら、どのように画像を生成するかという問題を解決することを目的としています。

DesignEditは、Microsoft Research Asiaと北京大学の研究チームが共同開発したAI画像編集フレームワークです。デザイン分野のレイヤー概念を取り入れ、多層ポテンシャル分解・融合技術を用いて、追加レイヤーなしで処理を実現します。

CodeGemmaは、Googleがリリースした大規模な言語モデルで、コード生成と理解に重点を置いています。このシリーズには、20億の事前学習済みモデル、70億の事前学習済みモデル、および70億の命令ファインチューニングモデルという3つの異なる規模のモデルが含まれており、コード生成と理解の精度向上を目指して設計されています。

Parler-TTSは、Hugging Faceが開発したオープンソースのテキスト音声合成（TTS）モデルです。入力されたプロンプトに基づいて、特定の話し手（性別、声のトーン、話し方など）のスタイルを模倣し、高品質で聞き取りやすい音声を生成します。

VASA-1は、Microsoft Research Asiaが提案したフレームワークで、静止画をリップシンク動画に変換します。1枚の静止画と音声データに基づいて、リアルな3Dの話し顔アニメーションをリアルタイムで生成できます。

Llama 3は、Metaが新たにリリースした次世代大規模言語モデル（LLM）の最新オープンソース版であり、8Bおよび70Bパラメータを持つモデルも含まれ、オープンソース人工知能分野における新たな重要な進歩を示しています。Llamaシリーズの第3弾として…

FunClipは、Alibaba DAMO Academyが開発した、完全オープンソースのローカル展開型自動動画編集ツールです。Alibaba Tongyi LabsのFunASR Paraformerシリーズモデルを呼び出すことで、動画の自動音声認識を実現しています。

Phi-3は、Microsoft Researchが開発した次世代の高度な小型言語モデルで、phi-3-mini、phi-3-small、phi-3-mediumの3つの異なるサイズがあります。これらのモデルは、小さなパラメータサイズを維持しながら、...

Hyper-SDは、ByteDanceの研究者によって開発された高効率画像生成フレームワークです。軌道分割一貫性蒸留（TSCD）技術と、人間のフィードバック学習および分画蒸留を組み合わせることで、拡散モデルのパフォーマンスを大幅に向上させ、より少ないデータ量で効率的な画像生成を実現します。

Arcticは、クラウドコンピューティング大手SnowflakeのAI研究チームが開発した、高性能なオープンソースのエンタープライズグレードの大規模言語モデルです。この大規模モデルは480億（480B）ものパラメータを持ち、128人の精緻な専門家によって構築されています。

OpenELMは、Appleの最新の高性能オープンソース言語モデルシリーズで、OpenELM-270M、OpenELM-450M、OpenELM-1_1B、OpenELM-3Bなど、さまざまなパラメータスケールを持つバージョンが含まれています。この大規模モデルはレイヤーを利用し...

ID-Animatorは、テンセントフォトンスタジオ、中国科学技術大学、中国科学院合肥物質科学研究院の研究者らが開発した、ゼロショット方式の人体動画生成技術です。単一の参照顔画像に基づいて動画を生成することができます。

IDM-VTONは、韓国科学技術院（KAIST）とOMNIOUS.AIの研究者らが提案した、高度なAI仮想試着技術です。拡散モデルを改良することで、衣服を着用した人物のリアルな画像を生成し、よりリアルな仮想試着効果を実現します。

VideoGigaGANは、Adobeとメリーランド大学の研究者によって提案された、斬新な生成型ビデオ超解像（VSR）モデルです。ビデオ解像度を最大8倍までアップスケールし、ぼやけたビデオを非常に鮮明な映像に変換することができます。

Viduは、盛舒科技と清華大学が共同開発した、中国初の長時間再生、高一貫性、高ダイナミックな動画モデルです。このAI動画生成モデルは、独自のU-ViTアーキテクチャを採用し、拡散とトランスフォーマーを組み合わせています。

PuLIDは、ByteDanceが開発したオープンソースのパーソナライズされたテキストから画像を生成する技術です。コントラスト調整と高速サンプリング手法により、モデルを調整することなく効率的なIDカスタマイズを実現し、画像顔交換効果を容易に実現します。

IC-Lightは、ControlNetの開発者である張緑民氏が開発したAI画像照明ツールです。光源の操作や画像内の光と影の再構築が可能で、様々な背景との完璧な融合を実現します。ユーザーは画像をアップロードし、適切な照明を選択するだけで済みます。

AniTalkerは、上海交通大学X-LANCE LabとAISpeechの研究者によって開発された、AIを活用したリップシンク動画生成フレームワークです。人物の静止画像1枚と入力音声から、まるで生きているかのようなアニメーションを生成できます。

Hunyuan-DiTは、テンセントのHunyuanチームが開発した高性能なテキストから画像への拡散変換モデルです。中国語と英語の理解能力に優れ、テキストプロンプトに基づいて複数の解像度の画像を生成できます。