先日、魔楽コミュニティ（Modelers）で、階躍星辰が開発したオープンソースのマルチモーダル大規模モデルであるStep-VideoとStep-Audioが正式に公開されました。これらのモデルは、それぞれ動画生成と音声対話に使用され、開発者と企業ユーザーにより強力なAIツールを提供することを目指しています。Step-Videoモデルの正式名称はStep-Video-T2Vで、300億パラメーターという世界最大のオープンソース動画生成モデルです。このモデルは、20秒の動画を直接生成できます。

智譜AIが最新のオープンソース画像生成モデルCogView4を発表しました。CogView4は、6億のパラメータ数を誇り、中国語入力と中国語テキストから画像への生成を全面的にサポートしており、画像の中に漢字を生成できる最初のオープンソースモデルとして注目されています。CogView4は、中国語と英語の両言語プロンプトに対応できる点が最大の特徴であり、特に複雑な中国語指示の理解と遵守に優れており、中国語コンテンツ制作者にとって朗報です。画像の中に漢字を生成できる最初のオープンソース画像生成モデルとして、オープンソース分野における大きな空白を埋めるものです。

DeepBeepMeepチームがGitHub上で、ローエンドGPUユーザー向けに最適化されたビデオ生成モデルWan2.1GPを公開しました。このモデルはアリババのWan2.1をベースにしており、高性能GPUリソースにアクセスできないユーザーに強力なビデオ生成能力を提供することを目指しています。Wan2.1GPの登場は、特にオープンソースの分野において、ビデオ生成技術の重要な進歩を示しています。画像出典：AI生成画像、画像ライセンスプロバイダーMidjourney

本日、アリババは自社の動画生成モデル「万相2.1」を全面的にオープンソース化すると発表しました。14Bパラメーターと1.3Bパラメーターの2つのバージョンが公開されます。14Bパラメーターの専門家向けバージョンは、高性能で業界最高レベルの表現力を提供し、動画品質に非常に高い要求があるシナリオに対応します。一方、1.3Bパラメーターの高速バージョンは、消費レベルのグラフィックカード（8.2GBのVRAM）で480Pの高品質動画を生成でき、二次モデル開発や学術研究に適しています。公式発表によると、今回オープンソース化されたWan2.1は、複雑な動き処理、現実的な物理法則の再現、映画のような質感の向上において優れた性能を発揮します。

最近、通義は最新の通義万相大規模モデルWan2.1のオープンソース化を発表しました。Wan2.1は、高品質な動画生成に特化したAIモデルであり、複雑な動き処理、現実的な物理法則の再現、映画のような質感の向上、指示への遵守の最適化において優れた性能を発揮し、クリエイター、開発者、企業ユーザーにとってAI時代を切り開くための最適なツールとなっています。

Googleは最近、動画生成AIモデルVeo2の価格情報を静かに発表しました。Veo2は昨年12月に初めて公開され、この新しいモデルは多くの関心を集めました。Googleの価格ページによると、Veo2の使用料は1秒あたり50セントで、これを計算すると1分間の動画料金は30ドル、1時間の動画料金は1800ドルに達します。Google DeepMindの研究者ジョン・バロンはこの価格設定に興味深い比較を行い、彼は言及しました。

本日、階躍星辰と吉利汽車集団は、階躍Stepシリーズのマルチモーダル大規模モデル2つ——Step-Video-T2V動画生成モデルとStep-Audio音声モデル——を共同でオープンソース化すると発表しました。その中で、階躍Step-Video-T2V動画生成モデルは、パラメータ数と性能において世界をリードするレベルにあります。このモデルは300億個のパラメータを持ち、204フレーム、540Pの高解像度動画を直接生成でき、生成されたコンテンツの情報密度が高く、一貫性が高いことを保証します。評価結果によると、

先日、Meta Reality Labsの研究チームは、一枚の任意に撮影された写真から、最大1000ピクセルの高解像度の密集した回転ビデオを生成できる革新的な生成モデル「Pippo」を発表しました。この画期的な技術は、コンピュータビジョンと画像生成分野における重要な進歩を示しています。Pippoモデルの中核は、その多視点拡散変換器のデザインにあります。従来の生成モデルとは異なり、Pippoは追加の入力、例えば適合パラメータなどを必要としません。

香港大学とバイトダンスが共同開発した、フローベースの動画生成モデル「Goku」が最近正式に発表されました。このモデルは高度な生成アルゴリズムを利用し、テキストプロンプトに基づいて高品質な動画コンテンツを生成することで、デジタルアート表現の可能性を大きく広げます。Gokuモデルの強力な機能を示すため、研究チームは一連の魅力的な動画サンプルを作成しました。これらのサンプルは、モデルの技術的能力だけでなく、創造的な表現における無限の可能性も示しています。Gokuモデルの特徴は、その高速な生成速度と高画質の画像です。

豆包大模型チームの公式アカウントによると、北京交通大学と中国科学技術大学の共同研究により、豆包大模型チームが提案したビデオ生成実験モデル「VideoWorld」が近日、正式にオープンソース化されました。このモデルの最大のハイライトは、従来の言語モデルに依存せず、視覚情報のみで世界を認知・理解できる点です。この画期的な研究は、李飛飛教授がTED講演で述べた「幼児は言語に頼らずに現実世界を理解できる」という考えから着想を得ています。「Vide」

Googleは先日、最新の画像生成モデルImagen 3を正式に発表し、Gemini APIで開発者向けに利用可能になりました。このモデルは、超現実主義の作品、印象派の風景画、抽象画、アニメキャラクターなど、様々なスタイルの高品質な画像を生成できる優れた視覚効果を備えています。Imagen 3は、画像の鮮明さと構成能力を向上させただけでなく、簡素化されたテキストプロンプトにより、ユーザーがアイデアを画像に変換しやすくなりました。当初、Imagen 3は有料ユーザーのみに提供されます。

フィットネス技術企業Whoopの元製品副社長Rami Alhamad氏が設立したAI栄養アプリAlmaが、本日北米iOSプラットフォームで正式にローンチされました。このアプリは、生成AIモデルとハーバード大学栄養学知識庫を統合することで、「対話型インタラクション＋スマート認識」によって従来のカロリートラッキングモデルを革新し、面倒な手動入力を自然な会話に変え、ユーザーにパーソナライズされた食事管理サービスを提供します。イメージ：Alma音声から写真まで：AI駆動によるシームレスな記録とMyFitnessPal

2025年1月22日、上海階躍星辰智能科技有限公司は、ビデオ生成モデルStep-Videoが正式にV2版にアップグレードされたことを発表しました。今回のアップグレードにより、技術的なブレークスルーと機能強化が実現し、現実世界のシミュレーションにおいてより強力になりました。