2月19日、北京智譜華章科技有限公司は、同社のマルチモーダル創作プラットフォーム「清影」とAIキャラクター創作プラットフォーム「捏Ta」が戦略的パートナーシップを締結し、AIキャラクターデザインからアニメーション制作までの完全なワークフローを共同で探求し、IPの一貫性を実現するための技術実装を進めると発表しました。今回の連携は、二次元ユーザーのニーズとAIの活用シナリオを深く掘り下げ、ユーザーにより高品質な生成効果と高速な推論速度を提供することを目的としています。

南京大学の研究チームが、バイトダンス、西南大学と共同で、革新的な技術STAR（Spatial-Temporal Augmentation with Text-to-Video Models）を発表しました。これはテキストから動画を生成するモデルを利用し、現実世界の動画の超解像度処理を実現する技術です。この技術は時空間拡張手法を組み合わせることで、低解像度の動画の画質を効果的に向上させ、特に動画共有プラットフォームからダウンロードした低画質の動画に適しています。

本日、智譜テクノロジーチームは最新の動画生成モデルCogVideoX v1.5を発表し、オープンソース化しました。これは8月以来、智譜テクノロジーチームが発表してきたCogVideoXシリーズにおける重要な進歩です。今回のアップデートでは、5秒と10秒の動画の長さ、768Pの解像度、16フレームの生成能力をサポートするなど、動画生成能力が大幅に向上しました。同時に、I2V（画像から動画）モデルは任意のサイズ比率をサポートし、複雑な意味の理解がさらに強化されました。

北京智譜華章科技有限公司は、同社のCogVideoXシリーズモデルの最新バージョンであるCogVideoX v1.5を発表し、オープンソース化しました。8月初旬のリリース以来、このシリーズモデルは業界をリードする技術と開発者にとって魅力的な特性により、動画生成分野のトップランナーとなっています。新バージョンCogVideoX v1.5は、元のバージョンを大幅にアップグレードし、動画生成能力が強化され、現在では5秒/10秒、768P、16fpsの動画生成に対応しています。

北京智譜華章科技有限公司は、2024年8月29日、次世代基盤モデルの発表と新たなアプリケーションサービスを含む一連の重要な技術アップデートを発表しました。KDD2024カンファレンスにおいて、智譜は、言語モデルGLM-4-Plus、テキストから画像生成モデルCogView-3-Plus、画像/ビデオ理解モデルGLM-4V-Plus、ビデオ生成モデルCogVideoXを含む次世代基盤モデルを発表しました。これらのモデルは、それぞれの分野において国際的な最先端レベルに達しています。

智譜AIは、動画生成モデルCogVideoX-5Bをオープンソース化しました。これにより、動画生成の品質、視覚効果、推論性能が大幅に向上します。新しいモデルは、GTX1080Tiなどの比較的低スペックなGPUや、デスクトップ版RTX3060にも対応しています。大規模DiTモデルをベースにしたこのツールは、3D因果変分オートエンコーダと専門家変換器技術を採用し、3D-RoPE位置エンコーディングと3D全アテンション機構によって、効率的なテキストから動画への生成を実現します。詳細情報とコードは、指定のリンクからアクセスできます。

中国産のオープンソースビデオ生成モデルCogVideoX-5BがModelScopeコミュニティで正式にオープンソース化されました。ビデオ生成の質と視覚効果が大幅に向上しています。大規模DiTモデルをベースとし、3D因果変分オートエンコーダー、エキスパートTransformer技術を採用し、3D-RoPE位置エンコーディングと3D全アテンション機構により時空間の統合モデリングを実現しています。漸進的学習技術の活用により、顕著な動き、一貫性があり高品質な長時間のビデオ生成が可能になりました。

智譜AIは、ビデオ生成モデルCogVideoXのオープンソース化を発表しました。これは、ビデオ生成技術の急速な発展と応用を促進することを目的としています。CogVideoXモデルは、高度な大規模モデル技術に基づいており、商業レベルのアプリケーションのニーズを満たすことができます。現在オープンソース化されているCogVideoX-2Bバージョンは、FP-16精度での推論に18GBのビデオメモリのみ、微調整には40GBのビデオメモリのみが必要であり、単一の4090グラフィックカードで推論を実行でき、単一のA6000グラフィックカードで微調整を行うことができます。

智譜AIは、次世代動画生成モデルCogVideoXを発表しました。3D VAE構造と3D RoPEモジュールにより、時間的次元におけるフレーム間の関係の捕捉能力を向上させ、テキスト理解力と指示遵守能力を強化しました。テキスト、時間、空間の3次元を融合したTransformerアーキテクチャを採用し、ユーザーのニーズに合致した動画を効率的に生成します。本モデルは智譜清言プラットフォームで利用可能となり、テキストと画像からの動画生成サービスを無料で体験できます。高速生成、高効率な指示遵守、コンテンツの一貫性、柔軟な画面演出などが特徴です。