動画生成

主要ニュース

1. 1

   エゴセントリック動画処理プラットフォームが始動、研究機関とのパートナーシップを模索中

   スタートアップが、エゴセントリック動画および空間動画のデータ準備（ETL）パイプラインを自動化するプラットフォームを構築した。生の映像をロボティクスおよびビジョン・ランゲージ・アクション（VLA）モデル開発向けのモデル対応出力に変換する。同チームは研究機関および企業を公開募集し、このサービスを無料でテストするよう呼びかけている。 物理AI（フィジカルAI）およテレオペレーションシステムを開発するチームは、現在、動画データの前処理に膨大なGPU時間とエンジニアリング労力を費やしており、これがボトルネックとなっている。このプラットフォームはそのボトルネックを解消するよう設計されている。データの処理を上流で担うことで、計算資源とエンジニアリング工数がコアモデル開発に充てられるようになる。

   このオファーはフィードバックを提供できる研究機関に限定されている。関心のあるチームはコメントを投稿するか直接メッセージを送り、参加について協議するよう招待されている。価格、提供開始日、正式なローンチ予定時期は明かされていない。

2. 2

   Midjourney、占星術アプリCo-Starを買収

   画像・動画生成AIで知られるAIラボのMidjourneyが、ソーシャル占星術アプリCo-Starを買収した。買収条件は明らかにされていない。Co-Starの従業員約20人がMidjourneyに参加した。 Co-Starは月間約430万のアクティブユーザーを持ち、AIと人間による執筆でホロスコープと占星術の相性診断を生成している。この買収は、医療・スパ部門の構築に続き、Midjourneyが画像生成事業の中核を超えて消費者向けアプリへの展開を進めていることを示している。

   Midjourneyは現在、主にDiscordを通じて運営されており、独立したアプリを持たない。Co-Starチームの消費者向けアプリ開発経験により、Midjourneyが独自のスタンドアロンアプリケーション開発を進める可能性が高い。

3. 3

   Black Forest Labs、画像・動画・音声・ロボット制御を統合したFLUX 3発表

   Black Forest LabsがFLUX 3を発表しました。画像、動画、音声、行動予測を1つの統合アーキテクチャで扱うマルチモーダルモデルで、テキスト・画像からの動画生成、動画の継続・参照、マルチリンガル対話、複数スタイルの出力に対応しています。同時にFLUX-mimicも発表し、ロボット企業mimicと協力してFLUX 3をロボット制御に応用できることを示しました。 これまで画像や動画、音声は別々のモデルで扱われることが多かったのに対し、FLUX 3は1つの訓練済みアーキテクチャで複数の生成タスクと制御タスクを統合しています。FLUX-mimicの例からは、優れた動画の世界モデルがロボット制御の質と学習効率に直結する可能性が示唆されており、実工場での検証も進んでいるとみられます。

   FLUX 3 Videoはすでに早期アクセス段階で利用可能です。オープンウェイト版の開発者向けバージョンも予定されており、独立した研究機関による最先端性能の再現として業界で注目を集めています。

4. 4

   AI動画は明記されても実動画への信頼を揺るがす

   研究者らは100人の参加者を対象に2段階の研究を実施し、AI生成動画に接した人々と人間が作成した動画を視聴した対照群を比較した。AI接触グループその後、対照群と同じく人間が作成した動画を視聴したが、その後の動画の真正性への疑念が増大し、自らの判断への自信が低下し、知覚的な混乱が大きくなり、社会的つながりが弱くなったと報告した。これは合成コンテンツがAI生成であることが明確に開示されていたにもかかわらずのことである。 この知見は、AI生成動画に単に明記を付すだけでは、視聴者の実動画への信頼を損なうことを防げないことを示している。これは、視聴者が合成コンテンツの出典を知っていながらも、リアルな映像への心理的・知覚的影響が実動画視聴へと波及することを示唆している。プラットフォーム企業やコンテンツ制作者にとって、これは検知と開示を超えた戦略が必要であることを示し、人々が視覚メディアをどのように経験し信頼するかを守るための施策が求められることを意味している。

   本研究は、デザインと政策のアプローチが、AI生成動画への接触が生み出す経験的・心理的影響に対処する必要があることを示唆している。本研究は2026年度のCHI Conference on Human Factors in Computing Systemsで発表された。

5. 5

   Black Forest Labs、音声付き動画生成Flux 3公開

   ドイツのAI企業Black Forest Labs（BFL）が、画像・動画・音声を統合学習するマルチモーダル基盤モデル「Flux 3」を発表しました。動画に直接音声を付加する機能をAI動画生成では初めて実装し、最長20秒のクリップに対応しています。 BFLの初期評価では、Flux 3は10秒・720pの動画でLuma Ray 3.2に対して93%の比較で、Runway Gen-4.5に対して77%の比較で優位性を示しました。単一のモダリティでは現実を完全に捉えられないという考えに基づき、複数のモダリティを組み合わせることで、より正確な「世界モデル」の構築へ向かう動きの一環とみられます。

   Flux 3 Videoは既に利用可能で、Flux 3 Imageは数週間以内のアーリーアクセス提供を予定しており、オープンウェイト版「Flux 3 Dev」の段階的公開も計画されています。また、Mimic Roboticsと協力開発した動画・行動予測モデル「Flux-mimic」はAudiの生産タスクで現在テスト中です。

6. 6

   クリエイターがLLMを使って長編映画を制作、失敗作と評価

   あるコンテンツクリエイターがLLM（Claude Fable 5）を使用してウィリアム・ホープ・ホジソンの『ボーダーランドの館』の長編映画化作品を制作し、ミュージックビデオやAI生成アルバムと共にYouTubeチャンネルにアップロードした。 この実験は、大規模言語モデルが人間の介入なしに長編プロジェクト全体を通じて創作活動を継続できるかどうかをテストするもので、現在のAI技術の能力の限界を示す創作業務がどのようなものであるかについての重要な問題を提起している。

   クリエイターは作品をリリースしながらも失敗作として評価しており、映画全体のカテゴリーではなくYouTubeチャンネルの基準でのみ判断したと述べている。また、不足する点の原因をLLMの自律性や計画能力ではなく、詳細な記事で論じている他の要因に帰している。