
何が起きたか
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。
なぜ重要か
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。
注目点
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。
こういう要約が、毎朝あなたのメールに届きます。
Black Forest Labsが発表したFlux 3は、画像・動画・音声を単一モデルで同時学習する「Self-Flow」アプローチに基づいています。BFLは、単一のモダリティでは現実を完全に捉えられないと指摘しており、画像は空間構造を、動画は時間的な変化を、音声は機械的事象と音の関連性を明らかにすることで、各モダリティが互いのギャップを埋める効果があると説明しています。
Flux 3はこうした統合学習による高い動画生成品質を示す一方、BFL自身が「結果は予備的」と述べており、独立した第三者による検証はまだ利用可能ではありません。既に公開されているSeedance 2.0やGemini Omni Flashといった既成の有力モデルとの競争関係が焦点となります。さらに、BFLは行動予測コンポーネントを備えており、Mimic Roboticsとの協力によるAudiでの生産タスク向けテストなど、ロボティクス応用への展開も進んでいます。
業界と使っているAIツールを選ぶと、仕事に関係するニュースが毎朝届きます。
登録無料・Googleアカウントなら30秒・いつでも解除できますAITodayについて →
この記事についてわからないことをAIに質問できます。AIはこの記事・AIToday の過去記事・Wikipedia を読み、出典を付けて答えます。Q&Aはこのページに公開され、他の読者も読めます。
このようなAIの動きを、御社の業界・競合に合わせて毎日届ける法人プランもあります → 詳しく見る
Reson8は5億パラメータの音声認識モデルRumble-2-FlashをApache 2.0ライセンスの無償オープンウェイトとして公開した
Googleは2月に買収したProducerAIとともにFlow Musicなどの生成AI音楽機能を展開し、Spacesで独自プラグインを制作するアーティストレジデンシー「Flow Music Sessions」を開始し…

Sunoは、楽曲向けに最長15秒の画像やクリップを生成するVisualsを開始

Twilioは、AI音声通話を妨げる問題を解決するConversation Relayの新機能を発表し、モデルと音声プロバイダーを柔軟に組み合わせられるようにした

ソフトバンクは日本バスケットボール協会と連携し、米Built Different AIのHOOPERアプリを国内大会で実証

Googleスライドのファイルメニューに「動画に変換」が追加され、AIがスライドを読み取り、ナレーションとBGM、アニメーション付きの動画を生成し、Google Vidsで開く
