AIニュース

Veoは、Google DeepMindが開発した動画生成モデルです。ユーザーは、テキスト、画像、または動画の指示に従って、希望する動画コンテンツを生成できます。1分以上の高画質1080p動画を生成可能です。

CogVLM2は、Zhipu AIが開発した新世代のマルチモーダル大規模モデルです。視覚と言語の理解において大幅な性能向上を実現し、最大8Kのテキスト長と1344×1344ピクセルの画像入力に対応し、強力なテキスト処理機能を備えています。

Universal-1は、AI音声認識スタートアップ企業AssemblyAIが開発した多言語音声認識・文字起こしモデルです。1250万時間以上の多言語音声データで学習されており、英語、スペイン語、フランス語、ドイツ語などの言語に対応しています。

Codestralは、フランスの人工知能スタートアップ企業であるMistral AIが開発したコード生成AIモデルです。ソフトウェア開発の効率化を目的として設計されており、Python、Java、C、C++など、80種類以上のプログラミング言語をサポートしています。

ChatTTSは、会話シナリオに特化して設計されたテキスト音声合成（TTS）モデルで、中国語と英語の両方をサポートしています。約10万時間分の中国語と英語のデータで学習されており、高品質で自然かつ流暢な会話音声を生成できます。

Seed-TTSは、ByteDanceが開発した高度なテキスト音声合成（TTS）モデルシリーズです。人間の音声に極めて近い高品質な音声を生成でき、優れた文脈学習能力と自然さを備えています。

Qwen2は、アリババクラウドの同義千文チームがオープンソース化した次世代の大規模言語モデルです。このシリーズは、0.5Bから72Bまでの5つのスケールモデルを網羅し、既存の中国語と英語のモデルに27言語の高品質データを追加することで、大幅な改善を実現しています。

Follow-Your-Emojiは、香港科技大学、テンセント渾源、清華大学の研究者らが開発した、拡散モデルに基づくポートレートアニメーションフレームワークです。拡散モデルを用いて、参照ポートレートにターゲット表情シーケンスを追加することで、アニメーションを実現します。

ToonCrafterは、Tencent AI Lab、香港中文大学、香港城市大学の研究者によって開発されたオープンソースのアニメーション動画補間ツールです。従来のアニメーション制作における直線運動の仮定という制約を打破し、革新的な手法を採用しています。

人工知能スタートアップのStability AIは、最新のテキストから画像への生成モデルであるStable Diffusion 3 Medium（SD3 Medium）の公式オープンソースリリースを発表しました。Stable Diffusion 3 Mediumには20種類のテキストから画像への変換モデルが含まれています。

MimicBrushは、アリババ、香港大学、アントグループの研究者によって開発されたAI画像編集・融合フレームワークです。ユーザーは簡単な操作でソース画像上の編集領域を指定でき、以下のような機能を備えたフレームワークを提供します。

Halloは、復旦大学、百度、チューリッヒ工科大学、南京大学の研究者らが共同で提案した、AIを活用したリップシンクポートレート画像アニメーション技術です。音声入力に基づいて、リアルでダイナミックな画像を生成できます。

Unique3Dは、清華大学が開発した、単一画像を3Dモデルに変換するためのオープンソースフレームワークです。マルチビュー拡散モデルとノーマル拡散モデルを組み合わせ、効率的なマルチレベルアップサンプリング戦略を用いることで、単一画像を3Dモデルに変換できます。

QinYue Big Modelは、Tencent AI LabとTencent TME Tianqin Labが共同開発したAI搭載の音楽制作モデルです。このモデルは、中国語または英語のキーワード、説明的なフレーズ、または音声を入力することで、ステレオ音声などを直接生成できます。

Diffutoonは、アリババと華東師範大学の研究者によって開発されたAIフレームワークで、動画を漫画やアニメ風に変換します。拡散モデルに基づいた編集可能な漫画調色技術により、リアルな動画をアニメ風アニメーションに変換できます。

アリババと華東師範大学の研究者によって開発されたExVideoは、ビデオ合成モデルのポストチューニング技術です。既存のビデオ合成モデルの時間スケールを拡張し、より長いビデオを生成します。このチームはStable Vをベースにしています...

Toucan TTSは、ドイツのシュトゥットガルト大学自然言語処理研究所（IMS）が開発したテキスト音声合成ツールキットです。7,000以上の言語（様々な方言や変種を含む）に対応し、複数話者による音声合成、音声認識などの機能を提供します。

MOFA-Videoは、テンセントAIラボと東京大学の研究者によって開発された、画像から動画への制御可能な生成を実現するオープンソースモデルです。この技術は、生成モーションフィールドアダプタを利用して画像をアニメーション化し、動画を生成します。

CriticGPTは、OpenAIがリリースした新しい人工知能モデルで、GPT-4をベースに構築されており、特に大規模言語モデル（ChatGPTなど）によって生成されたコードのレビューとエラーの特定を目的として設計されています。CriticGPTは人間のフィードバックに大きく依存しています。

Gemma 2は、GoogleのDeepMindがリリースした次世代オープンソース人工知能モデルで、90億パラメータ版と270億パラメータ版が提供されています。このモデルは、優れたパフォーマンス、効率的な推論速度、幅広いハードウェア互換性を特徴としており、様々なハードウェアで動作可能です。

MimicMotionは、Tencentの研究者によって開発された高品質な人体動作動画生成フレームワークです。信頼度を考慮した姿勢誘導技術を採用することで、高品質な動画フレームと滑らかな時間的遷移を実現しています。さらに、MimicMotionは…

FreeAskInternetは、GPT-3.5などの高度な大規模言語モデル（LLM）とSeerXNGメタ検索エンジンを統合した、無料のオープンソースネイティブAI検索エンジンであり、ユーザーに検索機能とインテリジェントな回答生成サービスを提供します。

Fish Speechは、Fish Audioが開発したオープンソースのテキスト音声合成（TTS）ツールで、中国語、英語、日本語に対応しています。約15万時間分の多言語データで学習されており、人間とほぼ同等の音声合成結果を実現しています。

Moshiは、フランスのAI研究機関Kyutaiが開発したエンドツーエンドのリアルタイム音声マルチモーダルAIモデルです。聞く、話す、見る能力を持ち、70種類の感情やコミュニケーションスタイルをシミュレートできます。ベンチマークとして…