Video Generation

Principais notícias

1. 1

   Appleが動画圧縮技術を公開、複雑度に応じた効率的なトークン化を実現

   Appleの研究チームが「VideoFlexTok」と呼ぶ動画トークン化手法を発表しました。従来の手法では動画全体を同じ細かさで処理していたのに対し、この新技術は動画の複雑度に応じて処理の詳しさを柔軟に変える仕組みです。 動画から低レベルの詳細まで「ピクセル単位で」すべて予測する必要がなくなるため、下流のAIモデル（テキストから動画を生成するモデルなど）の学習負荷が軽減される可能性があります。これにより、動画生成AIの効率が向上し、計算コストの削減につながることが期待されます。

   この研究成果はAppleの機械学習研究ページで公開されており、学術的な関心を集めています。

2. 2

   AI music video generation tools simplify creation for 2026

   AI tools now enable creators to turn ideas, songs, or images into music videos in just a few steps, without expensive software or advanced editing skills. This democratizes video creation for independent creators and businesses by dramatically lowering the cost and technical skill barrier to produce professional-looking content, potentially enabling more content producers to enter the market.

   The guide compares 10 different AI music video generators available in 2026, giving creators multiple options to choose from based on their specific needs.

3. 3

   Google lança dois novos modelos de IA: Nano Banana 2 Lite para imagens e Gemini Omni Flash para vídeos

   O que aconteceu：A Google apresentou dois novos modelos de IA generativa. O Nano Banana 2 Lite gera imagens em quatro segundos a $0.034 por imagem. O Gemini Omni Flash traz geração e edição de vídeos via prompts de texto à API pela primeira vez. Por que é importante：Os novos modelos permitem que desenvolvedores criem fluxos de trabalho mais rápidos e acessíveis, combinando geração rápida de imagens com capacidades de vídeo. Isso pode reduzir custos e simplificar a produção de conteúdo visual para empresas e criadores.

   O que observar：A Google recomenda encadear ambos os modelos para passar rapidamente de uma imagem para um vídeo animado, criando um fluxo integrado de criação de conteúdo.

4. 4

   Google、Gemini Omni Flashを企業向けAPI公開 動画編集が会話でOK

   GoogleがGemini Omni Flash（「Omni」ファミリーの最初のモデル）を開発者と企業顧客向けAPIとして提供開始しました。消費者向けには5月のGoogle I/O 2026で発表済みでしたが、今回APIを通じた提供により、プログラムで利用できるようになりました。 従来、企業が90秒の研修動画や製品説明動画を作成するには企画から撮影、編集、修正まで長期間がかかっていました。このモデルは完成した動画をテキスト会話で編集できる点が特徴で、法務審査後のテキスト変更のような修正作業が格段に簡単になる可能性があります。

   モデルの発表当初、プログラムインターフェースがなく消費者・プロユーザー向けに限定されていたという制限が解除されました。APIでの提供開始により、企業の映像制作ワークフローを大きく変える可能性があります。

5. 5

   DeepSeek R1 rival, QwQ da Alibaba, se posiciona como #2 em raciocínio aberto

   A Alibaba lançou o QwQ, um modelo de raciocínio de pesos abertos que atingiu a posição de #2 modelo de raciocínio de pesos abertos em benchmarks. O modelo processa até 1M tokens (expandido de 128K na versão anterior), oferecendo maior capacidade de contexto. O QwQ compete diretamente com o DeepSeek R1 e outros modelos de raciocínio, oferecendo uma alternativa de código aberto que os desenvolvedores podem usar e personalizar. Para empresas que usam IA generativa, ter opções de código aberto mais robustas pode reduzir a dependência de provedores proprietários.

   O modelo está disponível para acesso e download via plataforma Alibaba, permitindo que desenvolvedores o implementem em seus próprios sistemas. A expansão de 128K para 1M tokens representa aumento significativo na quantidade de contexto que o modelo pode processar.

6. 6

   投資がAIビデオ生成に殺到、過去5年で3倍超

   AIビデオ・メディア技術を開発するスタートアップへの投資が過去5年間で3倍を超え、今年は既に$5.6 billion（約9000億円） が投じられており、2025年の年間総額から43%以上増加しています。 ビデオ生成モデルを構築するスタートアップが VC 資金の大部分を集めており、市場がこの分野の成長初期段階にあることを示唆しています。事業規模の判断材料として、VC の資金流入傾向が業界の実装可能性をどう評価しているかが窺えます。

   今年の投資額 $5.6 billion（約9000億円） は、これまでで最高水準に達しています。