画像生成

主要ニュース

1. 1

   OpenAI、GPT-Image-2が透明背景画像に対応

   OpenAIはGPT-Image-2の透明背景対応をAPIで試験運用開始。「background=transparent」パラメータを使用することで、背景なしのPNG画像を生成できる。 生成時にアルファチャネルを組み込む手法は、従来の背景除去より優れた結果をもたらす。透明なガラスや細い繊維といった難しい部分でも、きれいなエッジが実現でき、商品写真やデザイン要素など、エッジの精度が重要な用途に有用。

   ユーザーはPython、OpenAIライブラリ、Pillowライブラリ、およびAPIキーを使用してAPI経由でこの機能にアクセスできる。OpenAIは、プロンプトから背景説明を除外し、生成された値をチャートで手動検証することを推奨している。モデルはラスタグラフィックスを生成し、ピクセル完全度の保証がないため。

2. 2

   Adobe、AI音声ツールとGemini統合を発表

   Adobeは3つのAI音声ツール—Generate Music（動画用ロイヤリティフリー音楽）、Generate Speech（スクリプト→ナレーション変換）、Generate Sound Effects（シーン音声）—をFireflyプラットフォーム全体で公開し、すべて商用利用が可能。Firefly AI Assistantは無料の日次生成を提供開始し、AdobeはGoogle Gemini Omni Flashモデルを統合した。このモデルは動画、音声、画像、テキスト入力に対応し、Kling AI、Luma AI、Runwayなどの既存の第三者モデルと並行して利用できる。 音声ツールはFireflyの創作スイートをテキストと画像生成の範囲を超えて拡張し、クリエイターは単一プラットフォーム内でビデオサウンドトラックとナレーションを制作できるようになり、ライセンス上の懸念もない。Gemini Omni Flashの多モーダル入力（動画、音声、画像、テキスト）はFireflyが対応可能な創作タスクの幅を広げ、コンテンツプロデューサーのワークフロー効率化を実現する可能性がある。日本のコンテンツクリエイターがAdobe Fireflyで音声ナレーションや効果音を商用利用可能な形で単一プラットフォーム内で制作できるようになる可能性があります。

   Adobeは「Create Storyboard」と「Create Brand Kit」がFireflyの最頻使用機能の一部であることを報告しており、統合型創作ツールへのニーズを示唆している。音声ツールの採用状況は、ユーザーが同様のペースでこれらの機能を導入するかを示す指標となる。

3. 3

   MIT研究：AI生成画像は学習元を追跡不可能

   MITのコンピュータサイエンス・人工知能研究所の研究者らが、大規模データセットで学習した生成AIモデルは、学習データ内の個別画像に確実に遡及できないことを発見した。彼らはこの現象を「帰属減衰」と呼んでいる。モデルの学習データが多いほど、特定のアーティストの全作品を学習セットから削除したとしても、生成画像を特定の出所にリンクさせることがより困難になる。 この発見は著作権執行を複雑にしている。MidJourney、OpenAI、Microsoftを含むAI企業は、しばしば著者の許可なしに、書籍、記事、写真その他の作品を使用してモデルを学習させており、Disney、NBCUniversal、DreamWorks、The New York Timesから訴訟が提起されている。この研究の筆頭著者であるZheng Dai（元MIT研究者）は、帰属リンクを確立できないことが知的財産法とフェアユース政策の再考を強いるかもしれないと指摘している。「帰属リンクはいわば消滅する」とし、法廷での侵害立証をより困難にするという。

   法的な含意である。現在進行中の著作権事件は、帰属減衰が大規模生成モデルの基本的な特性であることを裁判所が認めるかどうかにかかっており、AIの学習慣行に対する知的財産請求がどのように評価されるかを大きく変える可能性がある。

4. 4

   AI生成画像、学習データへの追跡が困難—研究で判明

   AI生成画像を検証した研究によると、多くの画像について、研究者が詳細な分析を試みても、元の学習データソースへの確実な追跡ができないことが明らかになった。 この発見はAI画像生成における帰属と責任の問題を提起する。生成画像を特定の学習ソースにリンクさせられなければ、著作権侵害の特定、元の制作者の同意確認、AIシステムが生成するコンテンツの責任の明確化が難しくなる。AI生成画像の学習データ追跡の困難さにより、国内でAI画像生成サービスを利用する企業は、著作権侵害の責任が曖昧になるリスクに直面する可能性があります。

   画像生成を使用するAI開発企業とプラットフォームへの影響。法的・倫理的圧力により、追跡可能性の仕組みの改善や、生成コンテンツと学習元の結びつきを確立するための新たなセーフガードの導入を迫られる可能性がある。

5. 5

   Higgsfield、4億ドル調達で評価額54億ドル

   動画・画像・音声生成のAIプラットフォーム Higgsfield が、DST Global 主導のシリーズB資金調達で4億ドル を獲得し、1月以来の評価額を4倍に高める54億ドル に到達した。 同社は238カ国・地域で3,000万人以上のユーザーを抱え、Fortune 500の360社を含む企業需要の強さを示している。エージェント型AIツール（人間の継続的な指示なしにワークフローを自動実行するツール）が主要なドライバーになっており、Higgsfield が5月に Supercomputer をリリースした後の3カ月でプラットフォームのツール使用が42倍に跳ね上がった。

   Higgsfield の自律型エージェント機能とキャラクター・シーン生成の一貫性が、企業のコンテンツ制作スケーリング戦略を塗り替える可能性がある。Supercomputer リリース後、同社は月間2,000万件以上のコンテンツ生成を報告している。

6. 6

   開発者がAI画像分析を使った書籍レコメンデーションシステムを構築

   ソフトウェアエンジニアがBy-Its-Coverを開発した。このレコメンデーションシステムはCLIPの埋め込みを使用して書籍の表紙画像に基づいて本を提案する。CLIPは視覚コンテンツを理解する機械学習モデルで、セマンティック画像検索とニューラルコラボラティブフィルタリングモデルを組み合わせてパーソナライズされたレコメンデーションを提供する。 このプロジェクトは、テキスト、ジャンル、ユーザー履歴に頼らずに表紙画像だけで正確な書籍発見とレコメンデーションが可能かどうかを検証している。このアプローチは従来のメタデータではなく視覚的類似性に焦点を当てることで、本探しツールを簡潔にできる可能性がある。

   このシステムはby-its-cover.comで公開されており、ソースコードはGitHubで利用でき、フィードバックとさらなる開発に向けて公開されている。