最新の AI ニュースを、いち早く。

AIが引き起こす映画・テレビの大移動：李世民が山を下り、馬景涛が空を飛ぶ、張芸興はアメリカへ遠征

厳冬が到来し、それぞれが生きる道を模索している。

TraceQuery：拡散言語モデルにおけるフルデノイズング軌跡から再計算すべき内容を学習する

arXiv:2610.33008v1 公告タイプ：新規 要旨：拡散型大規模言語モデル（dLLMs）は、反復的なマスク付きデノイズングによって柔軟な生成を実現する一方で、デノイズングの各ステップにおいてトークン表現を繰り返し再計算するため、推論コストが大幅に増加します。既存のキャッシュベースの手法では、デノイズングの各ステップ間で中間結果を再利用し、各ステップごとに固定スケジュールまたは変化を示すヒューリスティック信号に基づいて選択された一部の位置のみを再計算することで、このコストを低減しています。一方、我々の軌跡実験は、むしろデコード軌跡こそがより重要な指標であることを示唆しています。キャッシュによる生成は、完全なデノイズング軌跡に近い状態を維持している限り精度を保ち、誤差は主にマスク順序の逸脱に集中し、参照プレフィックスが長くなるほど減少することが明らかになりました。これにより…

Oddin：画像生成からの自己蒸留による統合マルチモーダルモデルにおける潜在的視覚推論

arXiv:2610.33062v1 発表タイプ：新規 要旨：統合型大規模マルチモーダルモデル（ULMM）は、テキストと画像の交互生成を通じて視覚推論を実行できるが、明示的な中間画像を生成するには多大な計算負荷が伴う。視覚ラテンシー推論はこの問題を解決するものの、既存の手法の多くは、視覚生成が不可能な視覚言語モデル（VLM）に依存している。そこで私たちは、ULMMにおけるラテンス視覚推論を可能にする新しいフレームワークであるOddinを提案する。Oddinでは、中間画像をコンパクトなラテントークンに置き換え、これらは理解ブランチのみで処理し、生成ブランチは最終的な出力画像の生成に専念させる。我々は、オフラインの自己蒸留手法を用いて、3つの目的——最終画像生成損失、テキスト蒸留損失、およびクロスエントロピー損失——に基づいてモデルを学習する。

PhaseBreak：不正な画像から動画へのアニメーション生成に対する先制的時間的保護

arXiv:2610.33070v1 発表タイプ：新規 要旨：画像から動画へ（I2V）の拡散モデルは、単一のポートレートや写真をアニメーション化し、被写体の許可なしに共有された画像をモーション合成に再利用可能にします。私たちは、このような用途に対する先制的な視覚的保護を検討しています。すなわち、画像が公開される前に、所有者が共有ワークフローを維持しつつ、下流のモーション生成を妨害する制限付きの摂動を加えます。既存のスペクトル破壊手法は、時間的表現を全体的に減衰させるため、微妙な動きや空間的に局在した動きに対しては十分な制御が得られません。私たちの核心的なアイデアは、生成される動態が時間的特徴の強度だけでなく、特徴イベントの発生順序にも依存することです。そこで、我々はホワイトボックス型のスペクトルリタイミング保護手法であるPhaseBreakを提案します。

物理学に基づく最適化のためのエンドツーエンド微分可能な拡散条件付け

arXiv:2610.31721v1 発表タイプ：新規 要旨：評価コストが高く、複雑な制約条件下で高次元の物理系を最適化することは、科学および工学における中心的な課題である。オフラインのモデルベース最適化（MBO）では、テスト時に真の目的関数にアクセスできない状況下で、固定されたデータセットのみを用いて設計を改善しなければならない。しかし、既存の手法は一般的に保守的すぎる、代理モデルの無制限な活用、あるいは精密な物理的目標に対して候補を精緻に修正できない静的な推論時サンプリングとして機能するといった問題を抱えている。本稿では、確定的サンプリングにより逆ノイズ除去チェーンが条件付信号に関して微分可能となるという事実を活用した、オフラインMBO向けの微分可能な拡散条件付け（D2C）を提案する。D2Cは…

SyncVid：同期ビデオ生成のための世界不変拡散モデル

arXiv:2610.31765v1 発表タイプ：新規 要旨：単一の参照ビデオから動的シーンの複数の映像を生成するには、視点間で観測された内容と未観測の内容を一貫して合成する必要があります。既存のビデオ拡散におけるカメラ制御手法は、通常、カメラ埋め込み、クロスビュー注意機構、幾何学的条件付けといったアーキテクチャ上の仕組みに依存しています。しかし、これらの手法は静的なシーンコンテンツに対しては有効であっても、視点間および時間経過において一貫性が求められる細部にわたる動的ジオメトリにはしばしば対応しきれません。我々は、各2次元画像平面で独立にサンプリングを行うのではなく、ソースビデオから導かれる標準的な3次元空間においてガウスノイズの事前分布をサンプリングし、それをターゲットとなるカメラへラスタライズすることで、拡散プロセス自体を同期させます。我々のm

AudioLift：マルチビュー映像生成による、音声駆動型の単一画像からフルヘッドのガウスアバターへの変換

arXiv:2610.31747v1 発表タイプ：新規 要旨：既存の3D対話型アバター手法は、主に3DMMやFLAMEを含むパラメトリック顔モデルに依存しており、そのコンパクトな動作表現により、極端な表情の合成や、頭飾りなどのアクセサリーのモデリング能力が制限されています。私たちは、パラメトリック顔モデルや個々のインスタンスに対する最適化を用いずに、音声駆動型アバター生成のための中間表現として生成されたマルチビュー映像を用いる二段階フレームワーク「AudioLift」を提案します。本フレームワークは、同期されたマルチビュー映像の生成段階と、不整合に強いガウス再構成段階を組み合わせることで、単一のポートレート画像から一貫性のあるフルヘッドの幾何形状を復元します。広範な実験により、AudioLiftはより多くの表情を捉えられる3D対話型アバターを生成することが示されています。

アポロのチーフエコノミストは、AIがテクノロジー業界以外の米国企業にもたらす「財務上のリターンはゼロ」だと述べた

アポロ・グローバル・マネジメントのチーフエコノミスト、トルステン・スロック氏は、S&P 493（S&P 500から7大テクノロジー企業を除外したもの）を分析した結果、非テクノロジー企業の利益率は1人当たり売上高と同水準であり、AIが生産性を向上させているという証拠は見当たらないと指摘しました。さらに、AIには説明責任や信頼、企業文化といったビジネスの重要な要素に対する理解が欠如しているため、まだ財務面での効果をもたらしていないと述べています。

注目する理由この見解は、主要な上場企業群（S&P 493）に関する実証的観察に基づいており、明示的なデータ範囲と制限条件（AlphabetやAmazonなど7社のテクノロジー企業を除外）を引用し、最近の複数の研究結果とも呼応しているため、検証可能な分析フレームワークと明確な帰属の境界を備えています。

Canvaは自社開発のAI画像生成モデル「Canva Craft」をリリースし、二段階設計のアーキテクチャを採用しています。

Canvaは、独自開発のAI画像生成モデル「Canva Craft」を初めて導入し、計画段階と生成段階の二段階アーキテクチャにより、デザインの精度・一貫性・制御性を向上させました。2K解像度および30種類以上のアスペクト比に対応し、ソーシャルメディア、マーケティングコンテンツ、デジタルアートなどの用途に適しています。

Canvaは、自社開発の初の画像生成モデル「Canva Craft」をリリースし、全ユーザーに公開しました

Canvaは、独自開発の初の画像生成モデル「Canva Craft」を正式にリリースしました。同モデルは二段階生成アーキテクチャを採用し、2K解像度と30種類のアスペクト比での出力をサポートするとともに、テキストの可読性とレイヤーの編集可能性を重視しています。このモデルは、プラットフォーム内の数百万人のヒューマンデザインテンプレートを基に学習されており、すでにDream LabおよびAPIに統合されています。今後はMCPを通じてChatGPTやGeminiなどの第三者チャットボットにも接続される予定です。

Amazon SageMakerがKokoro-82M TTSモデルをリリースし、AI音声エージェントによる低遅延のストリーミング音声合成をサポートします

AWSは技術ソリューションを発表し、SageMakerでホストされるKokoro-82Mのテキスト音声変換モデルを活用して、双方向WebSocketを通じてAIエージェントがテキストを生成しながら同時に音声を合成することで、エンドツーエンドの音声応答遅延を大幅に低減します。このソリューションでは、Base64-SSEと統一バイナリ転送の2種類のオーディオ戻り方式を提供しており、明示的に「価値検証型」（proof-of-value）と位置付けられていますが、まだ本番運用に向けた準備状態には至っていません。

Amazon SageMaker TTSサービスによる測定駆動型の自動スケーリングの実現：Kokoro-82Mモデルを例として

AWSブログでは、テキスト音声変換（TTS）モデルをSageMakerのリアルタイムエンドポイントにデプロイする際の、経験に基づく推測に頼らない実証的な自動スケーリング手法について紹介しています。この手法は、Q_max（単一インスタンスで持続可能な最大同時リクエスト数）とT_total（計画的スケーリングに要する時間）という2つの実測指標を基に、再現性と検証可能性を備えたスケーリング戦略を構築します。

IBMがGranite Speech 5.0シリーズの音声モデルを発表：多言語の文字起こし・翻訳および話者識別に対応

IBMは、Granite Speech 5.0シリーズの3つのオープンソース音声モデルを発表しました。granite-speech-5.0-2b（高精度な多言語ASR/MT）、granite-speech-5.0-470m-turboctc（超高速なエッジ端末向け多言語トランスクリプション）、および更新版のgranite-speech-4.1-2b-plus（強化型の複数話者対応会話モデリング）です。これらはすべてApache 2.0ライセンスに基づいており、主流の推論フレームワークをサポートしています。

MistralがVoxtral 3音声インテリジェントエージェントSDKを発表：50以上の言語によるリアルタイム音声対話と感情表現型TTSをサポート

Mistralは2026年10月26日までに、多言語対応のリアルタイム音声対話向けエンドツーエンドSDKおよびモデルファミリーであるVoxtral 3を発表する予定です。同製品は、ASR（話者分離機能を含む）、推論層、TTSの三大モジュールを網羅しており、データ主権とモジュール型デプロイを重視しています。ただし、すべての性能に関する主張はメーカーによる自己テストに基づくもので、独立した第三者による検証は行われていません。

YouTube Musicが生成AIによる音楽タグ付けを開始：「AI創作」と表示し、禁止はしない

YouTube Musicは2026年10月から、世界規模で生成AIによる音楽コンテンツに表示されるラベルの導入を段階的に開始しており、これはYouTube本サイトにおけるAI生成動画へのラベリングの取り組みを引き継ぐものです。この措置は、コンテンツの削除や制限を意味するものではなく、クリエイターの出所に関する透明性に対するユーザーのニーズに応えるものです。

FLUX.3 Image KleinをDiffusersに導入するお知らせ

FLUX.3 Image KleinをDiffusersに導入するお知らせ

ディフュージョンコントローラーがAIによる画像生成をいかに統合し、簡素化するか

アルゴリズムと理論

一貫した長編動画の生成を自動化する

生成AI

Gemini 3.8 の音声合成がこんにちはと述べます

Gemini 3.8 の音声合成がこんにちはと述べます

低周波マルチリンガルボイスエージェントの構築: NVIDIA Magpie TTS で重量とフル展開制御を開く

低周波マルチリンガルボイスエージェントの構築: NVIDIA Magpie TTS で重量とフル展開制御を開く