AIニュース

StochSync（確率的拡散同期）は、360°パノラマや3D表面テクスチャなどの複雑な空間で高品質な画像を生成するために特別に設計された革新的な画像生成技術です。拡散同期と…

Sonicは、Tencentと浙江大学が共同開発した音声駆動型ポートレートアニメーションフレームワークです。グローバルな音声知覚に基づいて、リアルな表情と動きを生成します。Sonicは、コンテキスト強化型音声学習とモーション分離コントローラを利用して音声を抽出します。

FireRedASRは、Xiaohongshuが開発したオープンソースの産業グレード自動音声認識（ASR）モデルファミリーです。中国語（北京語）、中国語方言、英語に対応し、中国語ASRベンチマークテストで新たな最先端（SOTA）レベルを達成したほか、歌詞認識においても優れた性能を発揮します。

MVoT（Multimodal Visualization-of-Thought）は、マイクロソフトリサーチ、ケンブリッジ大学言語技術研究所、中国科学院自動化研究所が共同開発した、斬新なマルチモーダル推論パラダイムです。生成画像可視化に基づいています。

DynVFXは、シンプルなテキストコマンドに基づいて、動的なコンテンツを現実世界の動画にシームレスに統合する革新的な動画強化技術です。事前学習済みのテキスト・トゥ・ビデオ拡散モデルとビジュアル言語モデル（VLM）を組み合わせることで、動的なコンテンツを現実世界の動画にシームレスに統合することを実現します。

Xiaohongshuと上海交通大学が開発したWorldSenseは、実世界のシナリオにおける視覚、聴覚、テキスト入力のマルチモーダル大規模言語モデル（MLLM）の総合的な理解能力を評価するために使用されるベンチマークテストです。WorldSenseは…

Kiln AIは、大規模言語モデル（LLM）の微調整、合成データの生成、データセットの共同作業を簡素化するオープンソースのAI開発ツールです。Kiln AIは、Windows、macOS、Linuxに対応した直感的なデスクトップアプリケーションを提供しています。

Airweaveは、あらゆるアプリケーション（API、データベース、Webサイトなど）のデータをグラフデータベースやベクトルデータベースに同期できるオープンソースツールです。これにより、インテリジェントエージェントや検索メカニズムに基づいたデータ取得が可能になります。Airweaveは…

MotionCanvasは、香港中文大学、Adobe Research、モナッシュ大学が共同開発した画像から動画への変換（I2V）手法です。静止画像を、豊かな動的効果を持つ動画に変換できます。MotionCanvasは…

MedRAX（胸部X線検査用医療推論エージェント）は、胸部X線検査専用に設計された医療推論AIエージェントです。最先端の胸部X線分析ツールとマルチモーダルな大規模言語モデルを統合し、...

LangBotは、複数のプラットフォーム（QQ、WeChat、Lark、Discordなど）とさまざまな大規模言語モデル（ChatGPT、DeepSeek、Geminiなど）をサポートするオープンソースのインスタントチャットボットプラットフォームです。LangBotはマルチモーダルな機能を備えています。

LLMDetは、アリババグループの同義研究室、中山大学コンピュータ科学工学部、彭城研究室など複数の機関によって開発されたオープンソースの語彙的物体検出器です。大規模言語モデル（LLM）との共同学習に基づいて物体検出精度を向上させています。

VisoMasterは、強力でありながら使いやすいAIベースの顔交換・編集ソフトウェアです。画像、動画、ライブストリームの顔交換に対応し、エンターテインメント、映画制作、その他の分野でのアプリケーション向けに自然でリアルな効果を生み出します。

FlashVideoは、ByteDanceチームが提案した高効率・高解像度ビデオ生成フレームワークです。高解像度ビデオ生成における従来の単段拡散モデルが抱える計算コストの大きな問題を、2段階のアプローチで解決します。最初の段階では…

ACE++は、アリババ同義研究所が開発した高度な画像生成・編集ツールです。命令ベースかつコンテキスト認識型のコンテンツ補完技術により、高品質な画像作成・編集機能を実現しています。

LLaVA-Radは、Microsoft Researchが開発した小型のマルチモーダルモデルで、臨床放射線レポートの生成に重点を置いています。これはLLaVA-Medプロジェクトの派生プロジェクトであり、特に胸部X線（CXR）画像に特化しています。LLaVA-Medのアーキテクチャとトレーニングに基づいています。

Satoriは、MIT、ハーバード大学、その他の研究機関の研究者によって開発された、推論能力の向上を目的とした大規模な7Bパラメータ言語モデルです。Qwen-2.5-Math-7BをベースとするSatoriは、小規模フォーマットの微調整と大規模な機能強化を活用しています。

Gokuは、香港大学とByteDanceが共同開発した新しい動画生成モデルで、画像と動画の同時生成に特化して設計されています。高度な整流変換フレームワークに基づいており、テキストベースの動画、画像ベースの動画などをサポートしています。

AnythingLLMは、マルチモーダルなインタラクションをサポートする、無料のオープンソースのフルスタックAIクライアントです。AnythingLLMは、テキスト、画像、音声など、複数の入力方法をサポートし、あらゆるドキュメントやコンテンツをさまざまな言語モデルのためのコンテキストに変換します。

VideoCaptioner（中国語名：Kaka Subtitle Assistant）は、大規模言語モデル（LLM）に基づいたインテリジェントな字幕処理ツールで、動画字幕の生成と最適化プロセスを簡素化します。VideoCaptionerは、音声認識、字幕分割などをサポートしています。

Zonosは、Zyphraが開発した高忠実度テキスト音声合成（TTS）モデルです。Zonosは、16億個のパラメータを持つTransformerモデルとハイブリッドSSMモデルの2つのモデルで構成されており、どちらもApache 2.0ライセンスの下でオープンソースとして公開されています。Zonosは…

InspireMusicは、アリババ傘下のTongyi Labsが開発したオープンソースの音楽生成技術で、人工知能を用いてユーザー向けに高品質な音楽を生成します。マルチモーダル大規模モデル技術に基づいており、シンプルなテキストによる説明や音声プロンプトに対応しています。

YAYI-Ultraは、Zhongke Wengeが開発した企業向け大規模言語モデルのフラッグシップバージョンであり、強力なマルチドメイン専門機能とマルチモーダルコンテンツ生成機能を備えています。数学、プログラミング、金融、世論、漢方医学、セキュリティなど、複数の分野をサポートしています。

HUGWBC（Humanoid Unified and General Whole-Body Controller）は、上海交通大学と上海AI研究所が共同開発した、精密な動作制御を可能にするヒューマノイドロボットの全身制御装置です。HUGWBCは…