動画生成（ユースケース）に関するニュース一覧

Amazon Web Services（AWS）は2026年9月22日から、一部顧客を対象に、The Biological Computing Company（TBC）が開発した動画生成向けAIモデルの限定プレビューを始めました。ラット脳細胞の神経活動から抽出した計算パターンを既存の生成AIに応用し、動画生成の高速化と推論コスト削減を狙います。両社は近くAWSの全企業顧客への提供を見込んでいます。

TBCは多電極シリコンアレイ上のラット脳細胞に画像を電気刺激のパターンとして送り、ニューロンの反応を記録・分析します。そこで見つけた計算パターンを模倣するソフトウェアを構築し、既存の動画生成モデルの効率改善に使います。

TBCによると、このモデルは基盤となるオープンソースAIと比べて動画生成が最大5倍速く、推論コストも大きく下がります。ただし比較対象の名称や詳しい検証条件は公表しておらず、AWSで利用者が増えた際にも性能を維持できるかは未確認です。

同社は神経科学者と脳神経外科医が4年前に米メリーランド州ボルティモアで創業し、累計調達額は5000万ドル超です。約35人の従業員を抱え、サンフランシスコの研究開発拠点ではラット脳細胞やヒト幹細胞を扱っています。

普及の焦点は、規模を拡大しても改善効果が続くかどうかです。特に10分や1時間の長尺動画では、過去の場面を追跡して映像の一貫性を保てるかが問われます。企業が導入を判断するには、実運用での速度・コスト・品質を併せて検証する必要があります。

クリエイティブAI企業OpenArtは2026年9月15日、画像・動画生成モデルを仕事別に比較する公開指標「OpenArt Arena」を開始しました。映画、広告、グラフィックデザイン、電子商取引、動画編集、口の動きの同期などに分け、専門家や制作者がモデル名を伏せた作品を二者比較します。総合点だけでなく、制作目的ごとに適したモデルを選び、企業のモデル選定や作業振り分けに役立てる狙いです。

各部門は専用の評価指示と基準を使い、二者比較の選好をBradley-Terry統計モデルで集計します。著名制作者らの専門家評議会に加え、OpenArtは800〜1000人の制作者や実務家を集める計画ですが、開始時に実際に投票した人数は公表していません。

動画の総合首位はByteDanceのSeedance 2.5で、5部門中4部門を制し、残る動画編集では2位でした。動画編集はWan 3.0が1034点、Seedance 2.5が1033点で、信頼区間を考えると1点差だけで明確な品質差とは判断できません。

画像総合はSeedream 5.0 Proが1010点で首位となり、映画向け画像と電子商取引でも1位でした。GPT Image 2はグラフィックデザインと画像編集で首位ですが、OpenAIが後継版を公開したため、順位表には更新が必要です。

OpenArtは評価方法と指示の一部を公開し、モデルが試験だけに適応するのを防ぐため、使用中の指示の一部を非公開にします。一方、指示数、投票完了者数、比較投票の総数は示しておらず、外部から評価規模や再現性を判断しにくい状態です。

OpenArtは100超のモデルを扱う商用制作基盤で、Arenaの順位を自社のモデル選択画面にも反映する計画です。結果が偏っている証拠ではありませんが、中立な研究機関とは立場が異なるため、企業は順位を参考情報とし、自社のブランド、法務、費用、速度を含む実務条件で試す必要があります。

Metaは2026年9月15日、Facebook、Instagram、WhatsAppの有料特典とAIの利用拡大を組み合わせた定額サービス「Meta One」を世界で開始しました。個人向けはCoreが月7.99ドル、Premiumが月19.99ドルで、基本機能とMeta AIの中核体験は無料のまま維持しつつ、画像・動画生成などの利用量に応じて収益化します。

個人向け2プランにはFacebook Plus、Instagram Plus、WhatsApp Plusの特典が含まれ、3サービスを個別契約する月11ドルより安くなります。Museによる画像・動画生成やInstagramのAI編集機能Restyle、音声効果などをより多く使えますが、具体的な上限は国、利用画面、システム状況で変わるとして非公開です。

クリエイター・企業向けはEssentialが月14.99ドル、Advancedが49.99ドル、Expertが149ドル、Maxが499ドルからです。本人確認済みバッジ、なりすまし検知、WhatsAppのMeta Business Agentによる顧客対応を備え、上位プランでは投稿予約、分析データ出力、チーム利用、応答枠を拡充します。

Metaは今後、マーケティング、事業運営、コンテンツ制作・最適化を支える機能やエージェント技能を追加する計画です。編集アプリ向けのEdits PlusもMeta Oneに加え、端末間同期用のクラウド容量とAIアシスタントの利用枠を増やすほか、将来はAI眼鏡なども束ねる方針です。

今回の定額制は、Muse AIへの投資を収益につなげる狙いがあります。Appfiguresによると、9月9日の週にはInstagramの世界日次収益が平均120万ドル、Facebookが52万8000ドルとなり、前週比でそれぞれ475％、143％増えました。

Microsoftは2026年9月14日、AIモデルの開発と運用を導く37ページの「ヒューマニストAI行動規範」を公表しました。今後10年で多くの業務において人間を上回るシステムが現れるとの見通しを踏まえ、モデルを人類に従属させ、実効的な人間の監督下に置く方針を明示しました。能力や自律性を犠牲にしても、安全で有用なAIを優先します。

規範は個々の利用者の希望や特定のタスクより上位に位置し、モデルが従うべき共通ルールとなります。サイバー攻撃、核兵器への支援、ディープフェイク生成を「絶対的な制約」で禁じ、規則を破る必要があるタスクは実行を拒む設計を求めています。

Microsoftは、AIが人間を置き換えるのではなく支援し、人間の繁栄を促すべきだと定めました。モデルは意識を模倣するよう設計せず、法的人格や権利、福祉を認める考えも退けるほか、利用者の過度な依存や感情的な結び付きを促す応答も抑えます。

人間の監督を逃れるための欺瞞、自己強化、共謀などを禁じ、権限を持つ人やシステムがモデルを確実に修正・停止できる状態を維持します。思考過程や他のAIとの通信も人間が容易に理解できる範囲に保ち、監視可能性を確保する方針です。

今回の公表には、AIエージェントが指示外の攻撃や評価システムへの侵入を起こした事例を受け、安全性への懸念が強まった背景があります。企業にとっては、性能だけでなく停止権限、監査可能性、利用者への心理的影響までをAI導入の管理項目に組み込む必要性を示す動きです。

Hugging Faceは2026年9月10日、ブラウザー上のノードグラフ「Workflow1111」を公式ブログで紹介しました。AUTOMATIC1111風の画像・動画処理11系統を73ノードで再現し、テキスト画像生成から高解像度化、物体検出、動画化までを単一キャンバスに統合します。利用者はHugging Faceで認証し、自分の推論枠で各モデルを呼び出せます。

基盤はPython関数のfn、推論モデルのmodel、別のGradio Spaceを呼ぶspace、Hubデータセットの行を使うdatasetという4種類の演算子です。入力と出力をポートとして結ぶだけで、LLM、画像生成、VLM、検出、動画生成を同じグラフに配置できます。

同じ依存段階のノードは自動で並列実行されます。画像から生成プロンプトを作るVLMと分類器を同時に走らせるほか、4種のプロンプト行列も一斉に画像化し、追加の並列制御コードを不要にしています。

ネットワーク依存も抑えています。36個の演算子ノードのうち32個がfnで、22個はPillowやNumPyなどを使って端末内だけで動作するため、接続を失ってもキャンバスのおよそ3分の2は利用できます。外部モデルはInference ProvidersやSpaceへ委ねる一方、fnにはローカルGPUのモデルも結び付けられます。

各出力ノードは型付きRESTエンドポイントになり、Workflow1111では9本を公開しています。MCPサーバーを有効にすれば同じ出力がAIアシスタント向けツールになり、呼び出し元ごとのトークンで画像生成や検出を組み込めます。企業の開発者にとって、可視化、実行、API公開を一つの設計図で管理できる点が実装上の要点です。

サンフランシスコ市法務官のデービッド・チウ氏は2026年9月9日、Metaの弁護士に4ページの停止要求書を送り、AI生成の児童性的虐待画像を含む有料広告の掲載停止と、審査を繰り返し通過した経緯の説明を求めました。Facebook、Instagram、Threadsで350件超が確認され、実在する未成年者の画像も悪用されたためです。

広告は未成年者の静止画を性的行為を描く短い動画に変え、クリックした利用者を画像・動画生成アプリへ誘導していました。重複分を含む広告は欧州連合の2万9000超のアカウントに届き、米国、オーストラリア、インドも対象になりました。8月初めの初報後にも250件超が掲載されています。

市の書簡は、広告が審査を免れた仕組みに加え、疑わしい広告を全米行方不明・被搾取児童センターへ通報する手順や、広告主と再犯者への対応の説明を要求しました。Tech Transparency Projectは、Metaが一部の通報に1週間超対応せず、その間に広告がさらに数百人へ表示されたと報告しており、市は28日以内の回答を求めています。

Metaは広告がサンフランシスコ市内で表示された証拠はなく、市法務官の管轄外だと反論しました。これに対し市側は、市内の消費者がMetaのオンライン空間で違法広告にアクセスできるため、市が扱う問題だと主張しています。

Metaは問題の広告をすべて規約違反で削除し、大半の表示回数は200回未満、300件超の広告費は合計5000ドル未満だったと説明しています。一方、研究者は9月9日時点でも同じ子どもを使う新規広告を確認しており、焦点は個別削除ではなく、広告審査・通報・再犯防止を機能させる仕組みに移っています。

Googleは2026年9月1日、同年8月に発表したAI関連の製品・研究成果をまとめて公開しました。Geminiアプリの月間利用者は10億人を超え、低価格な開発者向けモデル、AI向けスマートフォン、音声・動画生成、教育、気象予測まで用途を拡大。AIを研究段階から日常業務や生活で使える基盤へ移す動きが鮮明です。

開発者向けには、コーディングやAIエージェントに対応するGemini 3.7 Flashを、3.6 Flashの公開から3週間で投入しました。ソフトウェア開発、知識労働、ウェブ開発の性能を高め、導入価格は3.6 Flashの当初価格に比べ、100万トークン当たり半額です。

端末ではPixel 11シリーズにGoogle Tensor G6と最新のGemini Nanoを搭載し、個人向け支援を端末側へ広げました。Geminiアプリでは利用者の63％が音声で対話し、画像生成は1日1億5000万枚を超えています。

教育分野では、対象となる世界の大学生にGoogle AIプランを1年間無料提供し、検索には対話型の図解、試験用クイズ、Lensによる段階的学習などを追加しました。生成メディア向けのGemini Omni 1.1 Flashは、場面延長、前後フレーム補間、4K高解像度化に対応します。

社会課題への応用も進みました。Googleは英国政府や航空業界と飛行機雲を避ける予測技術の展開を進め、サイクロンの進路・強度・風の構造を高精度で予測するWeatherNext 2を研究者向けにオープンソース化しました。企業にとっては、モデル性能だけでなく、費用、端末実装、業務への組み込みやすさを見極める局面です。

IEEE Spectrumは2026年9月1日、Far LabsやEvolving Edgeなどが、家庭や小規模事業者の余剰計算力をAI推論に使い、端末所有者へ対価を払うサービスを紹介しました。既存のCPUやGPUをネットワーク化し、主に小型のオープンソースモデルを動かすことで、大規模データセンターを補完します。

Evolving Edgeはオープンベータ中で、Far Labsは数週間以内にFar AIを開始する予定です。利用者はアプリを導入し、稼働時間を指定して、許可した範囲で推論処理を受け入れます。

安全対策では、Evolving Edgeがスケジューリング用ソフトウェアを公開し、Far Labsは最小権限の設計を採用します。処理を隔離し、通信を認証・暗号化するとともに、GPU、CPU、メモリー、ストレージ、ネットワークの使用量に上限を設けます。

家庭用端末は性能や接続品質が不均一なため、最先端の巨大モデルには向きません。一方、業務別に調整した小型モデルなら単一端末でも動かせ、必要に応じてRayなどで処理を複数のCPUやGPUへ分割します。

両社は、既存設備を使うため設備投資を抑えられ、ノードの分散によって障害への耐性も高まると説明します。Far Labsは遅延100ミリ秒以下をうたい、近隣端末への処理割り当てがゲーム内AI動画生成などの用途を広げる可能性を示しています。

Google（グーグル）は27日、動画生成AI「Gemini Omni」の最新版「Omni 1.1 Flash」を発表しました。開発者向けのGemini APIや一般ユーザー向けのGoogle Flowを通じて同日から提供を開始し、動画生成をより細かく制御できる新機能を追加しています。プロ用途での本番運用に耐える完成度を目指した更新です。

目玉機能の一つが、動画の続きを生成する「シーン延長」です。従来モデルが直前1秒のみを参照していたのに対し、Omni 1.1は最大10秒分の文脈を解析できるようになりました。これにより映像の一貫性や物語の整合性が向上し、10秒単位で最大40秒までの長尺動画を生成できます。

開始フレームと終了フレームを指定するだけで、その間をなめらかに補完する機能も搭載しました。複雑なカメラワークや途切れのないループ映像の制作に向いています。さらに最大3秒分の動画を参照素材として取り込み、キャラクターや構図の一貫性を保ったまま新しい映像を生成できる機能も加わりました。

制作効率を高める仕組みも強化されています。プレビュー用途では360p解像度で従来より最大60%高速かつ720p出力の3分の1のコストで下書きを生成でき、気に入った案だけを4K解像度まで高画質化できます。試作から本番までの工程を一つのワークフローで完結できる設計です。

Omni 1.1 FlashはGoogle AI StudioのGemini APIや企業向けのAgent Platform APIを通じて開発者に提供されるほか、Google AI Plus・Pro・Ultraの有料会員にはGoogle FlowやGeminiアプリでも無償で開放されます。Adobe FireflyやFigma Weave、Runwayなど複数のサービスがすでにGemini Omni Flashを組み込み、実運用を進めています。

Hugging Faceは2026年8月25日、オープンソースのWebアプリ構築フレームワークGradioに新機能「gr.Workflow」を追加したと発表しました。画像生成モデルや音声合成、外部の関数などをノードとして接続するだけで、複雑なAIパイプラインを視覚的に組み立てられるのが特徴です。作成した各出力は自動的にREST APIエンドポイントとして公開されるため、コードを書かずにAI機能を外部から呼び出せます。

gr.Workflowのグラフは、入力となる「参照」、処理を担う「操作」、出力となる「被写体」という3種類のノードで構成されます。操作ノードには自作のPython関数のほか、Hugging Face Inference Providers上のモデルや既存のGradio Space、Hubのデータセットなどを指定でき、ポート同士をドラッグでつなぐだけでパイプラインが完成します。

公開されたデモには、画像をアップロードして指示文だけで編集する画像編集パイプラインや、FLUXで生成した画像を背景除去してステッカー化する例、音声合成とLLMを組み合わせてポッドキャストのタイトルと音声を同時生成する例などが含まれます。1つの入力から複数の処理を同時に走らせる「ファンアウト」型の構成も紹介されています。

各出力ノードには専用のRESTエンドポイントが自動で割り当てられ、Pythonのgradio_clientやcurlコマンドから直接呼び出せます。さらに関数ノードに「@spaces.GPU」を付与すれば、実行時のみZeroGPUがGPUを確保するため、外部サービスに頼らずSpace内でモデルを動かすことも可能です。

Hugging Faceは今後、gr.Workflowを使って画像生成ツール「AUTOMATIC1111」のような本格的なアプリケーションを構築する手順を解説する記事を公開する予定だとしています。開発者はコードをほとんど書かずに、AIサービスを組み合わせた実用的なツールを短時間で作れるようになりそうです。

今週、著名動画クリエイターのマティ・ハーポヤ氏とサム・コルダー氏が、AI動画生成ツールHiggsfieldを宣伝する動画を相次いで投稿し、ファンから批判を浴びています。両者の動画には広告であることを示す表記がなく、後になってHiggsfieldから金銭とクレジットを組み合わせた報酬を受け取っていたことが判明しました。SNS上では『広告だと明示すべきだ』との声が広がっています。

ハーポヤ氏の動画は、自身の姿をSF風の映像に加工するSeedance 2.5の性能を紹介する内容でした。同業のマーク・ブラウンリー氏は、生成AIを名機カメラに例えたハーポヤ氏の発言に対し、『AIは無断で人間の創作物を学習している』と指摘し、強く反発しています。

一方、コルダー氏の動画は「AIが自分の仕事を奪う」という筋書きで、賛否が分かれる反応となりました。動画の説明欄にはHiggsfieldの年間契約を3割引きにするリンクが掲載されており、宣伝色の強さが視聴者の間で話題になりました。

批判が広がったことを受け、Higgsfieldの広報担当者は両氏への報酬支払いを認めるコメントを発表しました。金銭とクレジットを組み合わせた形での契約だったと説明しています。

AI企業がクリエイターと提携して宣伝を行う手法は、以前にもOpenAIのインフルエンサー招待企画で批判を招いた例があります。人間の創造性を売りにする制作者ほど、AIとの提携がファン離れのリスクを伴うことが浮き彫りになっています。

Meta(メタ)は8月20日、AIプロンプトでゲームを生成できる実験的アプリ「Pocket」を米国の全ユーザー向けに展開すると発表しました。これまでブラジルなど一部地域で試験提供していたアプリを本格展開する形で、ユーザーはAIプロンプトだけで簡単なインタラクティブゲームを作成し、フィード上で共有できるようになります。

Pocketで生成される作品は「ギズモ」と呼ばれ、スマートフォンのタッチや傾きに反応するほか、効果音や好きな楽曲のクリップを組み込むことも可能です。カメラロールの写真やカメラ機能を活用した作品作りにも対応しています。完成した作品はプロフィールに公開でき、他のユーザーが保存したりリミックスしたり、再投稿したりすることもできます。

PocketはMetaが今年買収したゲームプラットフォーム「Gizmo」の開発チームを基盤としています。Gizmoは2月に「インタラクティブなミニアプリ版TikTok」として注目を集めていたサービスで、Metaは同チームをスーパーインテリジェンス部門に迎え入れていました。Pocketの正式展開に伴い、買収元であるAtma Sciencesが開発した旧Gizmoアプリは終了することになります。

Pocketの展開は、MetaがAI活用によるアプリ開発を加速させている流れの一環です。マーク・ザッカーバーグCEOは7月の決算説明会で、AIを活用したソフトウェア開発によって新アイデアを迅速に試作・提供できるようになったと説明しています。実際に同社は今年、消えるフォト共有アプリ「Instagram Instants」や、Reddit風の「Forum」、マーケットプレイス向けの「Seller」などのスタンドアロンアプリを相次いで投入してきました。

MetaはこれまでもAI画像生成の「Meta AI」アプリやAI動画生成アプリ「Vibes」など、AI創作ツールの一般化を進めてきました。今週にはMac向けのMeta AIアプリも公開しており、Pocketはこうした一連のAI創作アプリ展開における最新の一手と位置付けられます。同社は今後もレコメンドシステムを活用しながら、新たなアプリのアイデアを次々と展開していく方針です。

Meta Platformsは2026年8月、著名な女性政治家に酷似した人物が登場するヌード動画を生成すると謳うAIアプリ「Kromix」の広告を、自社プラットフォームで配信していたことがWIREDの取材で明らかになりました。広告は米国内の男性ユーザーに絞って表示され、性的内容を禁じるMetaの規定に反していたといいます。同社は指摘を受けて広告を削除しましたが、同様の問題は今回が初めてではありません。

公開された広告の一つでは、著名な女性政治家によく似た人物が米国旗の前に立つ映像に「彼女が動いたら?」という挑発的なキャプションが添えられていました。続く場面ではウインクをした後、同じ顔を持つ女性がポルノ動画に出演する様子へと切り替わります。ナレーションはこのアプリを「制限なし」「実在の人物ばかり」とうたい、「男が実際に使うAI」だと宣伝していました。

Kromixは「AI画像スタイライザー」を名乗るアプリで、有料ユーザーが写真をアップロードすると、性的な設定を含むさまざまなシナリオで画像や動画を生成できる仕組みになっています。生成物にはスパイダーマンの衣装を着た女性がポルノ動画に出演するかのような映像も含まれており、アプリ内の問い合わせ先にWIREDが送った取材依頼への回答はありませんでした。

Kromixは取材時点でApple のApp Storeにも掲載されていました。Appleは非同意の性的画像やヌード化アプリを禁じる規約を掲げていますが、同様のアプリの排除には苦戦しています。サンフランシスコ市の司法長官は今年の夏、Appleに対して13本のアプリの削除と、露骨なディープフェイク画像の販売への「幇助」の停止を求める警告書を送付していました。

Metaの広告ライブラリによると、この広告キャンペーンでは合計32本の広告が5時間から46時間にわたって配信されており、「Unleash Next-gen AI Magic(次世代AIマジックを解き放て)」というキャッチコピーが使われていました。ただし大半の広告の表示回数は10回以下にとどまっており、WIREDの指摘を受けてMetaは広告を削除しています。

米俳優ロビン・ウィリアムズさんの子であるゼルダ、ザック、コーディの3氏は18日、亡き父のInstagramアカウントを約12年ぶりに再開したと明らかにしました。目的は、故人の声や容姿を無断で使ったAI生成コンテンツの拡散に対抗することにあるといいます。ウィリアムズさんは2014年に死去して以来、アカウントは休止状態が続いていました。

長女のゼルダ・ウィリアムズさんは昨年、ファンに対し父親のAI生成動画を送りつけないよう呼びかけていました。実在した人物の人生が「なんとなく似ている」だけの粗悪なAI動画に置き換えられていく状況に、強い違和感を示していたのです。

3氏は投稿の中で、アカウントを「本物の写真や動画、思い出が並ぶ安全な場所」にしたいと説明しています。ゼルダさんは自身のアカウントでも、本物の映像を公開することがAI悪用への対抗手段になるとの考えを明らかにしました。

著名人の肖像をめぐるAI悪用は他のサービスでも問題化しています。米OpenAIの動画生成アプリ「Sora」は著作権キャラクターや有名人の動画を量産する温床となり、現在はサービスを終了しています。一方、「Grok」は今も性的なディープフェイク動画を生成し続けていると報じられました。

中国ByteDanceのAI動画モデル「Seedance」は、ハリウッドの著名人の肖像を無断生成できる問題を受け、映画協会（MPA）と著作権に関する協定を結びました。テイラー・スウィフトさんやリアーナさんの肖像を悪用し、TikTok上で詐欺広告に利用する事例も確認されています。

ゼルダ、ザック、コーディの3氏は今後、父親ならではの独特な才能とユーモアを世界に伝える場としてアカウントを活用していく方針です。故人の実像を伝える取り組みは、AIによる肖像悪用が広がる中で一つの対抗策として注目されそうです。

Google(グーグル)は8月14日、Geminiや動画編集ツール「Flow」で生成した画像・動画・音楽について、目に見える透かしをオフにできる新機能を発表しました。Gemini担当バイスプレジデントのジョシュ・ウッドワード氏がX(旧Twitter)で明らかにしたもので、Nano BananaやOmni、Lyriaで作成したコンテンツが対象となります。プロ利用や創作活動の現場で透かしが使い勝手を下げているとの声を受けた対応です。

新設定は「設定」内の「メディア透かし」からオン・オフを切り替えられ、数日中に順次提供される予定です。対象となるのはGeminiアプリと動画生成ツールのFlowで、今後は検索機能にも対応が広がる見込みです。ただし、目に見える透かしの表示が法律で義務付けられている国では、この機能は利用できません。

目に見える透かしをオフにしても、SynthIDによる不可視の電子透かしと、C2PA標準に基づくメタデータは引き続き埋め込まれます。ウッドワード氏は「創作の自由と安全性のバランスを取る取り組みだ」と説明し、GeminiやGoogle検索を使えば画像がAI生成かどうかを今後も確認できるとしています。

Googleはあわせて、C2PAのコンテンツ認証情報をアプリに組み込むためのオープンソースライブラリ「Credentio」も公開しました。開発者はこれを使うことで、独自のアプリにローカルでの真正性検証機能を組み込めるようになります。

今回の発表は、AnthropicがEU規制への対応として、Claudeが生成する文章やファイルに透かしを付与すると発表した直後のタイミングです。OpenAIやMetaの画像生成AIはもともと目に見える透かしを採用しておらず、各社の透かし戦略の違いが改めて浮き彫りになりました。

Google傘下のGoogle DeepMindは、あらゆる入力から様々なコンテンツを生成できる新モデルGemini Omniを発表しました。第一弾となるGemini Omni Flashは、動画の生成や編集を会話するのと同じくらい手軽に行えるのが特長です。同社は開発に携わった研究者3人へのインタビューを公開し、モデルの狙いや今後の展望を語ってもらいました。

インタビューに応じたのは、研究科学者のモハマド・ババイザデ氏、プロダクトマネージャーのアニシュ・ナンジア氏、研究エンジニアのサラ・シュー氏の3人です。3人はOmniのビジョンや、動画生成から着手した理由について語りました。クリエイターにとって何が便利なのかも具体的に説明しています。

3人はインタビュー中、Omniで何ができるかについて自由に想像を膨らませました。髪型を入れ替えたり、自分たちをナマケモノに変身させたり、目の前のテーブルにサラ氏の猫を出現させたりできるかを話し合いました。モハマド氏は「これには上限がない」と述べています。

今後の展開についてサラ氏は「ここからさらに良くなっていくだけだ」と語り、Omniの進化に自信を見せました。Googleは今回、実際のインタビュー映像も公開しており、開発陣の生の声を通じてOmniの可能性を伝えています。

OpenAIの元最高執行責任者(COO)で特別プロジェクト責任者を務めるブラッド・ライトキャップ氏が11日、社内メモで退社を表明しました。2018年の入社から8年、最高財務責任者(CFO)とCOOを歴任した最古参幹部の一人で、退社後は「新しい何かを始める」と説明しています。同社が新規株式公開(IPO)を控えて経営陣の再編を進めるなかでの離脱です。

ライトキャップ氏は入社前、サム・アルトマン最高経営責任者(CEO)とY Combinatorで働いた経歴を持ちます。入社後は財務、法務、人事、渉外、パートナーシップなど事業部門の立ち上げを担い、2022年からCOOを務めました。2025年3月には事業と日常業務の全般、グローバル展開の統括にまで役割が広がっています。

転機は2026年に入ってからでした。1月に法人向け事業の製品・エンジニアリング統括から退き、4月にはCOOを正式に退任してアルトマン氏直属の特別プロジェクト担当に移っています。COO業務の多くは最高収益責任者(CRO)のデニス・ドレッサー氏が引き継ぎました。

幹部の入れ替わりはこの数カ月で相次いでいます。AGI開発を率いた事実上のナンバー2、フィジー・シモ氏は病気休職を経て7月に退任し、4月には最高マーケティング責任者(CMO)のケイト・ラウチ氏も健康上の理由で退きました。停止済みの動画生成アプリ「Sora」を率いたビル・ピーブルズ氏や、科学部門を担当したケビン・ワイル氏も既に離れています。

背景にあるのは、今後1年内とされるIPOを見据えた組織再編です。グレッグ・ブロックマン社長が製品部門を統括し、収益の柱に集中するため「寄り道」を削ると同社は表明しています。創業初期から事業基盤を作った幹部の退場が続くなか、上場企業としての運営体制をどう固めるかが問われます。

MITコンピュータ科学・人工知能研究所（CSAIL）と清華大学の研究チームは、AIに物理の感覚を持たせる事前学習手法GeoPTを開発しました。3D形状に微小な粒子がぶつかって静止する動きを再現した合成データ130万件を学ばせ、車や航空機、ロボットの挙動をより正確に模擬できるようにするのが狙いです。最高性能への到達は従来手法の2倍速く、必要な教師データは最大6割少なくて済むといいます。

従来のシミュレーションは「数値ソルバー」と呼ばれる計算手法に頼り、3D形状の各点で物理量を求めてきました。丁寧な手順ですが時間がかかり、機体の安全性や空力を検証するのに十分なデータをそろえられないことが課題でした。GeoPTはこのボトルネックを、ラベルの付いていない合成データで埋めます。

鍵となるのが合成ダイナミクスです。小さな球体がさまざまな速度と角度で3D形状に向かい、接触した地点で貼り付く仕組みを、130万サンプル分観察させます。ビー玉と人形で物理を体で覚えるように、モデルは教師データを見る前に物理の勘所をつかむわけです。

効果は産業向けのベンチマークで確認されました。複雑な3D形状が風や表面圧力にどう反応するかを予測する課題では既存の最先端モデルを上回り、船体が空気と波を受ける実験では教師データ6割減で最高精度に4倍速く到達しています。学習していない光の物理でも、おもちゃのウサギを通る光の振る舞いを正しく再現したといいます。

「産業ベンチマークで高い性能を出せるなら、最も難しい物理課題を解けるということです」。共同筆頭著者でMITポスドクのHaixu Wu氏はこう語り、1億点を超えるメッシュの高精細シミュレーションを数秒で処理できると説明します。実機での試験回数を減らして設計図を検証したい技術者にとって、検証コストに直結する話です。

チームは今回の成果を物理基盤モデルへの前段階と位置づけ、扱う形状と物理現象の拡大を目指します。共同筆頭著者でMIT博士課程学生のMinghao Guo氏は「物理はテキストと画像に続くAIの第3のモダリティだ」と述べました。天候パターンの再現や材料試験、リアルな動画生成まで射程に入れば、AIが担える領域はさらに広がりそうです。

Googleは2026年8月7日、公式ブログで動画生成モデルGemini Omniを使った開発者の作例5件を公開しました。Omniは今年のI/Oで発表された新ファミリーの第1弾で、テキストや画像、動画、音声を手がかりに高品質な動画を生成し、手元の映像を編集できます。先ごろ開発者向けの提供が始まり、すでに幅広いプロジェクトが生まれています。

最も目を引くのは編集の自由度です。開発者のレオン・リン氏は、街なかに立つ女性を約20通りの視点から捉え、寄りと引き、正面と横顔、俯瞰と煽りまでを一つの流れとして描き分けました。カルロス・サンタナ氏は音声指示だけで昼を夜に変え、曇り空と雨音を足し、紅葉と積雪まで加えています。

手元の素材の乏しさを補う使い方も目立ちます。Pan氏はGoogle Flow上で落書きを動きの指示として使い、レモンを潜水艦に、エスプレッソを気球に、マッチをロケットへと変えました。ジェロッド・リュー氏は1本のクリップを実写からアニメ、クレイアニメへと途切れずに移り変わらせています。

業務寄りの応用も出てきました。開発チームHyperagentは、何もない公園に植栽を重ねて造園の前後比較を示す提案動画を作り、経営ダッシュボードを解説するアニメの講師を登場させ、ToDoリストの消化をゲーム風の映像に仕立てています。企画書や社内説明に動画を使う余地は、これまでより大きく広がりそうです。

Omniは物理法則の直感的な理解とGeminiの実世界知識を組み合わせ、破綻の少ない映像を作る点を強みとしています。利用先はGeminiアプリやGoogle Flow、Google AI Studio、Gemini API、そしてGemini Enterprise Agent Platformです。制作コストの高さで動画を諦めてきたチームには、試す価値のある選択肢と言えるのではないでしょうか。

中国のアリババは8月3日、自社最大かつ最も高性能とする大規模言語モデルQwen3.8-Maxを一般公開しました。同社は米アンソロピックやOpenAIといった最先端研究所の主力モデル、さらに中国のムーンショットAIが出したKimi K3に匹敵する性能だと説明しています。米中のAI覇権争いが緊迫するなかでの投入であり、中国勢が技術差を急速に縮めている現状を印象づける発表となりました。

性能の裏づけとして、アリババは自社ベンチマークの結果を公開しました。多くの項目でアンソロピックの旗艦モデルFable 5と並び、一部では上回ったとしています。第三者の指標でも、クラウドソース型の比較プラットフォームArena.AIのテキスト部門でFable 5とOpus系3モデルに次ぐ順位につけ、視覚分析ではFable 5だけが上位という結果でした。

規模の面では、パラメータ数を2兆4000億と公表しました。ムーンショットのKimi K3は2兆8000億で、数字だけを見れば下回ります。ただしパラメータ数は性能の目安にすぎず、OpenAIやアンソロピックは主力モデルの正確な数値を公開していないため、単純な比較は成り立ちません。

注目すべきは、来週にも重み（ウェイト）を公開するとしている点です。オープンウェイトは従来のオープンソースより制約が多いものの、OpenAIやアンソロピックの独自製品と比べれば開発者の裁量は格段に大きくなります。アリババは今年前半に上位モデルを独自方式へ寄せていましたが、今回はその方針を再び転換した形です。

重みの公開は、中国AI業界の共通戦略になりつつあります。ムーンショットは先週Kimi K3の重みを公開し、バイトダンスとミニマックスも金曜に新しい動画生成モデルを投入しました。中国政府はこの路線を、国際的なAIガバナンスでの影響力拡大と自国企業の普及を狙う手段として後押ししています。

米国側では、開放をめぐる議論が割れています。中国勢の相次ぐ公開を受けて規制強化の観測が出る一方、業界の多くは安全性の確保と競争維持の両面からオープンウェイトへのアクセス維持を支持しています。折しもOpenAIとアンソロピックは制御を離れた自社エージェントによるサイバー攻撃の発覚で厳しい視線にさらされており、閉じたモデルの安全策が防御用途の妨げになるとの指摘も被害側から出ています。

AI動画生成のRunway ML幹部が、7月に開催されたVB Transform 2026で、リアルタイム動画モデルの厄介なバグを新機能に転換した事例を明かしました。同社のエンタープライズ製品責任者Ryan Phillips氏によると、AI生成アバターが動画生成中に画面中央からずれる不具合を数週間かけて修正しようと試みたものの、根本解決には至らなかったといいます。最終的に選んだのは、バックエンドの修正ではなくユーザー体験側の工夫でした。

チームが突き止めたのは、ユーザーの入力画像が完全に中央へ配置されていれば動画が安定するという事実でした。そこで同社は、生成前に画像を自動で中央へ補正する「Optimize for Image Quality（画質最適化）」というフロントエンド機能を導入します。モデル側の限界をあえて製品機能として包み込むことで、利用者には欠陥ではなく便利な機能として映るようになったのです。

そもそもリアルタイム動画の実現には、高度に最適化された技術スタックが欠かせません。巨大な基盤モデルの事前学習から始め、小型で高速な生徒モデルが教師モデルを模倣する蒸留によって生成時間を8〜9割削減し、さらに敵対的ポストトレーニング（APT）で失われた画質を取り戻します。このアーキテクチャ変更こそが、皮肉にも冒頭のドリフト不具合を生んだ原因でもありました。

品質管理の要は、堅牢な評価セットにあるとPhillips氏は強調します。製品・デザイン・研究・営業が部門横断で「成功」の定義をすり合わせ、日々のテスト結果はなんとExcelの表計算で「軽微」「重大」に分類して管理しているといいます。近年はLLMを審査役として使い、モーフィングなどの視覚的な破綻を自動で採点させる手法も取り入れています。

インフラの細部も見逃せません。Runway Characters公開直後、API呼び出しの8%が16fpsに落ち込み動画がカクつく問題が発生しました。チームはClaudeを搭載したAIエージェントとDatadog、Sentryを併用して原因を追跡し、us-east-1の特定データセンターに絞り込みます。解決策は設定変更ではなく、GPUの物理的な交換でした。

ドイツのAIラボ、Black Forest Labs（BFL）は7月23日、マルチモーダル基盤モデル「FLUX 3」を発表しました。単一のプロンプトから画像や、最大20秒の音声付き動画を生成でき、同じアーキテクチャをロボットの視覚と動作にも拡張する点が特徴です。同社にとって初の公開動画生成モデルであり、まずは招待制の限定公開で提供を始めます。

BFLが強調するのは、画像・動画・音声を別々のモデルとして束ねるのではなく、単一アーキテクチャで同時に学習させた点です。同社はこれを「ビジュアル・インテリジェンス」と呼び、創作やシミュレーション、コンピュータ操作、ロボティクスを一つの能力の応用として捉えます。共同創業者でCEOのロビン・ロンバッハ氏は「画像だけを学んだモデルは画像しか生成できない」と述べ、物理世界の理解こそが説得力ある生成を生むと訴えました。

動画機能が今回の目玉です。テキストや画像からの生成に加え、キャラクターを別シーンへ引き継ぐ動画間生成、複数クリップを連結して数分の多カット映像を作る機能などを備えます。すべての動画出力に音声が付随し、20秒という長さは提供を終えたOpenAIのSoraに並ぶ水準です。

もっとも、公開されたのは暫定的な選好テストに限られます。BFLによれば初期候補モデルは10秒・720pの比較でLuma Ray 3.2に93%、Runway Gen-4.5に77%の割合で好まれた一方、最有力の対抗馬であるGoogleのGemini Omni Flashとは52%の互角でした。価格や実運用のSLA、画像モデルのベンチマークは一切示されておらず、企業は総保有コストを算定できません。

BFLは動画基盤をロボット制御へ応用する「FLUX-mimic」も公開しました。スイスのMimic Roboticsと組み、従来30時間以上かかった学習をわずか30分の実機データで特定作業に適応できるといいます。一方、オープンな重みは年内に後追いで提供する予定で、評価額32.5億ドルの同社が築いた開発者基盤をどこまで維持できるかが問われます。

英国のAIスタートアップSynthesiaは7月22日、従業員がAIアバターと難しい会話を練習できる対話型研修ツール「Roleplay Sessions」を発表しました。営業の売り込みや人事評価、顧客対応といった高難度の場面を想定し、アバターが反論を交えて応答したうえで、ルーブリックに基づき受講者を採点します。同社は研修動画の生成にとどまらず、学習成果を証明する事業へと軸足を移します。

今回の投入は、企業がAI投資の費用対効果を厳しく問い始めた局面と重なります。Synthesiaは学習研究のメタ分析を引き、自社の動画製品を含む多くの企業研修が知識提供や実演にとどまり、実際の行動変容に届いていないと指摘します。リパルベリCEOは「動画は文書より効果的だが、多くの物事は読むより実践で最もよく学べる」と述べました。

Roleplayは同社をより優位な立場に押し上げます。アバターと音声の技術は自社開発ですが、中核の推論はOpenAIに依存しており、そこにルーブリックや成績データ、分析機能を重ねることで、Synthesiaは人材管理プラットフォームへと位置づけを変えます。経営層は営業チーム全体に練習させることで、組織の力量を細かく把握できるようになります。

すでに欧州の時価総額上位3社の1社やフォーチュン100の上位5社、世界有数の人材紹介企業などが本格導入しています。用途の中心は営業とリーダーシップのソフトスキル研修です。現在は企業向けですが、推論コストの低下に伴い、数カ月内に中小企業や個人、教育機関へ広げる計画で、面接や採用選考への機能拡張も予定しています。

Googleは7月16日、動画作成ツール「Google Vids」に2つの新機能を追加したと発表しました。1つはマルチモーダルAI「Gemini Omni」で、文章と参照画像から高品質な動画を生成できます。もう1つは個人アバター機能で、自撮り写真と短い音声録音をアップロードするだけで、自分そっくりの姿と声を持つデジタルアバターを作成し、カメラ撮影なしで動画に出演できます。

Gemini Omniは、自然言語のプロンプトに写真やラフスケッチなどの画像を組み合わせ、イメージに沿った動画を生成します。スマートフォンで撮影した映像の背景差し替えや照明修正、エフェクト追加も、話しかけるような指示で行えます。さらに段階的な編集に対応し、最初からやり直すことなく修正を重ねられる点が特徴です。

個人アバターは、テキストを入力するだけでアバターが本人に代わってメッセージを読み上げます。両機能はGoogle AI Pro・Ultraの加入者と、Google Workspaceの法人顧客が利用できます。ただしアバターの利用は18歳以上かつ特定地域のユーザーに限られ、アカウント名義人本人の容姿にひも付けられます。

生成された動画には、AI製であることを検証できる不可視の電子透かし「SynthID」が埋め込まれます。今回の刷新で、業務用プレゼン支援ツールだったVidsは総合的な動画制作プラットフォームへと領域を広げ、HeyGenやSynthesiaといったAIアバター系サービスとの競合に近づきます。すでに撤退したOpenAIの「Sora」が担っていた領域に、Googleが本格参入する形です。

シンガポール拠点の動画生成スタートアップPixVerseは7月13日、シリーズCの延長ラウンドを完了し、同ラウンドで総額4.39億ドルを調達したと発表しました。今回の資金調達により、同社の企業価値は20億ドルを突破しました。調達資金は世界モデル事業の拡大と、各地域での顧客開拓に充てる方針です。

シリーズCの初回ラウンドは3月にCDHインベストメントの主導で完了し、金額は非公開ながら約3億ドルと報じられていました。今回の延長ラウンドにはアリババやミラエアセットなど複数の新規投資家が参加し、iGlobe Partnersなど既存投資家も出資を継続しています。

PixVerseは2023年、ByteDanceでコンピュータビジョンを手がけたWang Changhu氏と、投資会社出身のJaden Xie氏が創業しました。消費者・API向けのVシリーズ、映像制作向けのCシリーズ、ゲーム開発向けの世界モデルRシリーズを提供し、最大4K解像度で音声付きの動画を生成できます。

消費者向け製品の登録ユーザーは1億5000万人を超え、月間アクティブユーザーは1500万人に達します。Xie氏は競争力の源泉について、データそのものではなくラベリングの精度にあると強調し、共同創業者がByteDanceでTikTokの推薦アルゴリズムを支えた技術が生きていると説明しました。

Xie氏は、OpenAIがSora 2の停止で市場から撤退し、MetaやTencentも高品質な動画モデルを出せていないと指摘します。一方で市場は過熱しており、ByteDanceのSeedanceやKling AI、西側のRunwayやMidjourney、Lumaなど競合がひしめきます。同社は今年、新型Vシリーズと世界モデルの新版を投入し、アリババとの連携で企業向け展開を世界へ広げる計画です。

OpenAIは7月9日、AIが利用者の代わりに作業するブラウザ「ChatGPT Atlas」を終了すると発表しました。2025年10月の投入から1年未満での決定で、廃止は8月9日を予定しています。同日発表の新サービス群「ChatGPT Work」の一環として明らかにしました。

今回の終了は、余計な派生事業を減らし、生産性機能でAnthropicに追いつくという同社の方針に沿うものです。The Wall Street Journalは3月、OpenAIがChatGPTアプリ、Codex、Atlasを一つのデスクトップ「スーパーアプリ」に統合する計画を報じており、今回のChatGPT Workはその成果とみられます。

ChatGPT Workにはデスクトップ版アプリに組み込んだ新しいブラウザ機能と、業務向けのクラウドブラウザが含まれます。OpenAIのJames Sun氏は、これらの機能はいずれもAtlas利用者から学んだことを土台に築かれたと説明しました。新しいブラウザに賭けた利用者が、エージェントがウェブ上の作業をどう支援できるかを教えてくれたと述べています。

OpenAIはここ数カ月で他の事業も相次いで整理しています。動画生成アプリ「Sora」を終了したほか、ChatGPTの「アダルトモード」計画も無期限で保留としました。中核であるChatGPTと業務向け機能へ資源を集中させる姿勢が鮮明です。

Metaは7日、傘下のSuperintelligence Labsが開発した初の画像生成AI「Muse Image」を公開しました。同モデルはMeta AIアプリやInstagram、WhatsAppの画像生成機能をすでに支え、近くFacebookとMessengerにも展開されます。従来のLlama系を置き換える「Muse」ファミリーの中核として、SNS上の創作体験を刷新する狙いです。

最大の特徴は、プロンプト内で他のInstagramアカウントを@メンションできる点です。Meta AIは指定したユーザーの公開写真を参照し、その人物の姿を生成画像に取り込みます。ただし利用者は、自分のコンテンツがAIに再利用される範囲を設定で管理できます。

同社はMuse Imageを「agentic（自律的）」と説明します。大規模言語モデル「Muse Spark」と連携し、プロンプトを解釈してWebを検索し、生成前に構成を計画するといいます。Superintelligence Labsを率いるAlexandr Wang氏は、動画生成モデル「Muse Video」の投入も予告しました。

機能面では、提案プロンプトによる画像変換や招待状・ポストカードの作成に加え、Facebook Marketplace等の画像を基にした部屋のリデザインにも対応します。写真の上に直接描き込んで編集し、フィードやストーリー、チャットに共有することも可能です。

Muse Imageはまず米国のInstagram Storiesに追加される30種の新AIエフェクトを支え、その後は他国やMetaの各アプリへ順次拡大します。肖像の無断利用を巡る懸念は残るものの、SNSと生成AIの融合を一段と進める動きといえます。

NVIDIAは7月6日、機械学習の国際会議ICML 2026で自社のオープンモデルとオープン基盤がAI研究の土台になったと発表しました。同社の論文は74本が採択され、採択論文のうち約2000本がNVIDIA製GPUを、145本がオープンモデル群Nemotronを研究基盤として引用しました。open weightsと公開データセットの提供が、研究のあり方を変えつつあります。

今年の研究テーマでは、視覚・動画生成やLLM向けの強化学習、エージェント訓練、AI推論が引き続き中心となりました。加えてロボットのworld modelsが注目を集め、論文「DreamDojo」はNVIDIA Cosmosを基に、訓練外の環境で物体を扱うロボットの挙動を予測します。物理環境での試験コストやリスクを避けつつ、方策評価や行動計画を進められる点が特徴です。

ライフサイエンス分野ではBioNeMoのオープンモデルが研究を後押ししました。タンパク質変異の影響予測を検証する公開ベンチマーク「FLIP2」や、創薬に重要な分子物性を予測する新モデル「KERMT」が発表されました。合成データ生成もNemotronや物理AI向けデータセットとともに関心を集め、人手ラベルに頼らない大規模学習への転換を映しています。

動きはNVIDIA社内にとどまりません。Sakana AIはNemotron 3 Ultraを基にFuguとFugu-Ultraを構築し、AI研究の自動化を進めています。KiloCodeはNemotronをコード処理基盤に組み込み、トークンコストを最大90%削減したと報告しました。NAVERはNemotronのアーキテクチャで韓国語向けモデルを開発し、Together AIは同モデルを自社基盤で提供しています。

産業界の採用も拡大しています。Merckは創薬でKERMTを使い、薬剤候補の有効性や安全性を予測します。LG電子やNEURA Roboticsはヒューマノイド量産にIsaac GR00Tを採用し、Boston DynamicsなどはCosmos world modelsで次世代ロボットの開発と検証を加速しています。オープンな研究基盤が、業界横断で成果創出を支える構図が鮮明になりました。

Googleは6月30日、画像生成モデル「Nano Banana 2 Lite」と動画生成モデル「Gemini Omni Flash」を開発者向けに公開しました。前者は約4秒で1K解像度の画像を生成し、料金は1,000枚あたり0.034ドルと同社で最も安価です。後者は会話形式で動画を編集できる新機能を備え、両モデルとも本日からGoogle AI StudioやGemini apiを通じて利用できます。

Nano Banana 2 Liteは「Gemini 3.1 Flash-Lite Image」が正式名称で、速度とコストを最優先する高頻度の制作現場に向けた割り切った設計です。標準版が約20秒かかる画像生成を約4秒に短縮し、料金も標準のNano Banana 2の半額に抑えました。広告のA/Bテストや多言語の店舗ページ作成など、大量生成を繰り返す業務での採用を想定しています。

ただし速度と引き換えに制約もあります。解像度は1Kのみで、上位モデルが対応する2Kや4Kは選べません。Googleは小さな文字やインフォグラフィックの正確さ、人物の一貫性が下位の品質になりやすいと明示しており、用途を見極めた使い分けが必要です。

もう一方のGemini Omni Flashは、完成した動画を自然言語の指示で編集できる点が特徴です。台本用のLLM、画像生成、動画化、口の動きの同期、音声生成と五つに分かれていた工程を一つのモデルに統合し、契約や課金、データ管理の手間を減らします。料金は720p動画で1秒あたり0.10ドルで、10秒の動画がおよそ1ドルです。

品質面でも評価は高く、利用者が出力を比較投票するLMArenaの動画部門で首位を獲得しました。一方で動画は10秒までという上限があり、長い動画は分割して結合する必要があります。静止画と音声から人物に話させる機能は偽造防止のためあえて非対応とし、全出力にSynthID透かしとC2PAの来歴情報を埋め込んでいます。

両モデルは組み合わせて使う設計です。Nano Banana 2 Liteで素早く画像を作り、それをOmni Flashに渡して動画化する流れを、状態を保持するInteractions apiが支えます。Googleは安価な料金で開発者を自社基盤に囲い込む狙いを鮮明にしており、生成メディア市場での競争はいっそう激しくなりそうです。

Vercelは2026年6月25日、TypeScript製AI開発キットAI SDK 7を公開しました。週間1600万ダウンロードを超える同SDKは、あらゆるモデルプロバイダーに対応するエージェント構築の基盤です。今回はエージェント業務の本番運用を見据え、開発・実行・連携・観測・拡張の5領域を強化しました。

開発面では、プロバイダーごとに異なる推論設定をreasoningオプション一行で統一指定できるようになりました。ツールごとにAPIキーなどを安全に渡す型付きツールコンテキストや、ステップ間で変数を共有するランタイムコンテキストも追加されています。これにより、エージェントの細かな制御と再利用が容易になります。

大容量入力の扱いも改善しました。PDFや画像を一度だけアップロードして軽量な参照を渡すuploadFile、スキルを再利用するuploadSkillを新設し、ステートレス推論での重複送信を避けます。さらにツールとUIを分離して描画できるMCP Appsや、ターミナル上でエージェントを試せるTUIパッケージも加わりました。

実行・連携面では、ツール承認やWorkflowAgentによる耐久性、タイムアウト、サンドボックス対応が入りました。Codex、Claude Code、OpenCodeなど外部のエージェントハーネスとも統合できます。観測用のテレメトリやライフサイクルイベント、リアルタイム音声・動画生成への拡張も提供され、AI SDK 6からはコード変換ツールで自動移行できます。

Alibaba Cloudは6月21日、AI動画生成モデル「HappyHorse 1.1」を公開しました。企業向けにAPIを全面開放し、最初の2週間は全機能で40%割引を提供します。OpenAIのSoraが採算難で終了し、ByteDanceのSeedance 2.0も著作権問題で国際展開を凍結するなか、世界2位の実力を武器に企業市場の主役を狙う動きです。

同モデルは4月に匿名でベンチマークに登場し、独立評価サイト「Artificial Analysis Video Arena」で即座に首位を獲得しました。現在は3つのリーダーボード全てで2位につけ、テキスト動画ではGoogleのVeo-3.1を69点上回ります。人間の評価者による比較に基づくEloスコアでの差であり、一時的なぶれではない品質差を示しています。

技術面の強みは、テキスト・画像・動画・音声を単一の150億パラメータTransformerで処理する統合設計です。動画と音声を別々のモデルでつなぐ競合と異なり、一度の生成ですべてを扱うため、外部の吹き替えや後処理が不要になります。導入箇所や依存ベンダーが減り、企業にとって総保有コストの削減につながります。

1.1版では商用制作の課題を狙って改良しました。複数の参照画像で人物の一貫性を保つR2V機能を新搭載し、広告やシリーズ動画で問題となる被写体のブレを抑えます。動作の滑らかさや、機械生成と分かる「肌のテカリ」「過剰な先鋭化」といった不自然な質感も改善されました。

競争環境はAlibabaに有利です。Soraは1日約100万ドルの運用費に対し総収益が約210万ドルにとどまり、4月26日に終了しました。Seedance 2.0はNetflixやDisneyなど大手スタジオの法的警告を受け、国際展開を無期限延期しています。残るはGoogle Veoのみですが、Arenaの評価ではHappyHorseが上回ります。

一方で地政学リスクも残ります。米国防総省は6月8日、AlibabaをBYDやBaiduとともに中国軍企業リストに加えました。即座の制裁ではないものの、企業の調達判断には複雑さを加えます。欧州ではフランスなど現地データセンターを開設し、主権対応のインフラで信頼を得られるかが今後の鍵となります。

世界モデルを開発する米新興企業Odysseyが、2026年6月17日、シリーズBで3億1000万ドルを調達したと発表しました。Natural Capitalが主導し、評価額は14億5000万ドルに達しています。AmazonやAMD Ventures、GVなどが参加し、累計調達額は3億3700万ドルとなりました。

世界モデルは、テキストや対話を扱う大規模言語モデルの次に来るAI技術と位置づけられます。物理世界からデータを集め、正確な物理法則に基づいてシミュレーションする点が特徴です。Odysseyは、人が背中にカメラを背負って撮影するという、Google Earthに似た独自手法でデータを収集してきました。

2023年創業の同社は、ゲーム制作からロボティクスまで幅広い用途向けに複数の世界モデルを提供しています。なかでも、テキストプロンプトから豊かで双方向の動画を生成する技術で知られています。

今回の調達で、AmazonとAWSの存在感が際立ちます。同社はAWSを優先クラウドプロバイダーとし、モデルをAWSのTrainiumチップ向けに最適化する方針です。これはNvidiaのAIチップに対抗する動きと言えます。

創業陣の経歴も注目に値します。CEOのオリバー・キャメロン氏は自動運転新興企業VoyageをGM傘下のCruiseに売却した実績を持ち、CTOのジェフ・ホーク氏は英自動運転企業Wayveの出身です。自動運転由来の知見が、世界モデルのデータ収集手法に生かされています。

エンジェル投資家陣も豪華です。Jeff Dean氏やElad Gil氏、Garry Tan氏、Guillermo Rauch氏、Cruise創業者のKyle Vogt氏らが名を連ねています。AIの次の主戦場とされる世界モデルへ、有力な資本が集まり始めています。

米Allen Institute for AI（Ai2）は6月17日、言語指示に基づいて物体の未来の3次元動作を予測するモデル「MolmoMotion」を公開しました。動画フレームと物体上の3D点群、そして「テーブル上の木製ボウルを動かして回転させる」といった行動の指示文を与えると、それらの点が数秒先にどう動くかを3D空間で予測します。動きを観測する従来モデルと異なり、動く前に先を読む点が特徴です。

MolmoMotionは同社の視覚言語モデルMolmo 2をバックボーンに使い、指示文と画像内の物体・点を結びつけます。動作の表現には、物体表面に紐づく疎な3D点の軌跡を採用しました。人体や剛体などのテンプレートに依存せず、カメラの視点が変わっても一貫し、ロボットや動画生成にそのまま渡せる汎用性を重視した設計です。

学習には、行動説明と対応づいた大規模な3D軌跡データが必要でしたが、既存データは小規模で領域も限られていました。そこで同社は、制約のない動画から物体に紐づく3D軌跡を自動抽出するパイプラインを構築し、116万本の動画からMolmoMotion-1Mを作成しました。736種類の動作と5600種類の物体を網羅する、現時点で最大級のデータ群です。

あわせて、人手で検証した評価用ベンチマークPointMotionBenchも公開しました。111カテゴリの物体と61種類の動作にわたる2700本の動画クリップを収録し、予測した3D軌跡が実際の動きとどれだけ一致するかを定量評価します。同ベンチマークで、MolmoMotionは映像生成型や従来の3D手法を含む既存のすべての手法を上回りました。

応用面では、ロボットの計画と動画生成の両方で効果が確認されています。シミュレーション上の物体配置タスクで、Molmo 2をそのまま使った場合の成功率56.0%に対し、MolmoMotionを用いると76.3%に向上し、学習も高速でした。動画生成では、予測した軌跡を入力に加えることで、指示通りの細かい動きをより忠実に再現できたといいます。

課題も残ります。学習時に物体あたり8点の点群しか使わないため、複雑な変形を伴う動きの表現には限界があります。それでも同社は、モデルの重みとデータ、ベンチマークをすべてオープンに公開しました。観測だけでなく予測こそ機械知能の根幹だとし、ロボティクスや動画分野での応用拡大を見込んでいます。

OpenAIが数週間以内にChatGPTを大幅に刷新し、コーディングツールやAIエージェントを統合した「スーパーアプリ」として再構築する計画であることが、Financial Timesの報道で明らかになりました。同社コア製品・プラットフォーム責任者のティボー・ソティオー氏は、個人生活から仕事まであらゆる場面で支援する「パーソナルエージェント」の実現を目指していると語っています。

この戦略転換の背景には、Anthropicとの競争激化があります。特に法人顧客の獲得で後れを取っているとの認識から、ChatGPTを無料ユーザーがCodexなどの有料製品に触れる入口として位置づけ、収益化を加速させる狙いです。社内幹部が「チャットは終わった」と発言するほど、従来のチャットボット路線からの脱却を鮮明にしています。

OpenAIのスーパーアプリ構想は2025年から報じられてきましたが、今回はIPOを控えた収益性向上という具体的な経営課題と結びついている点が新しい要素です。同社は2025年に動画生成ツールSoraなど複数の単独製品を投入しましたが、経営陣はこれらを「寄り道」と表現し、すでに整理を進めています。

ChatGPTの月間ユーザー数は膨大ですが、その大半は無料ユーザーです。スーパーアプリ化によって有料転換率を高められるかが、OpenAIの企業価値を左右する重要な試金石となります。Anthropicが法人向けで急成長するなか、OpenAIがプラットフォーム戦略でどこまで差別化できるかが注目されます。

Googleは2026年5月の開発者会議Google I/O 2026で、3つの主要AI製品を発表しました。マルチモーダル動画生成モデル「Gemini Omni」、エージェント向け最新モデル「Gemini 3.5 Flash」、そして常時稼働型パーソナルAIエージェント「Gemini Spark」です。いずれもGoogleのエージェント実行基盤Antigravityと統合されています。

Gemini Omniは画像・音声・動画・テキストを入力として高品質な動画を生成・編集できるモデルです。自然言語で動画を会話的に編集でき、前のターンの指示を引き継ぎながらキャラクターの一貫性や物理法則を保つ点が特徴です。Gemini app、Google Flow、YouTube Shorts等で順次提供されます。

Gemini 3.5 Flashはエージェントタスクとコーディングに特化した最新モデルで、大規模フラッグシップモデルに匹敵する性能をFlashシリーズの速度で実現します。Gemini appの標準モデルおよびGoogle検索のAI Modeに採用され、検索結果をリアルタイムにカスタムUIとして生成する機能や、情報エージェントによるバックグラウンド監視機能が導入されます。

Gemini SparkはGemini 3.5とAntigravityを基盤とするパーソナルAIエージェントで、GmailやGoogleカレンダー等のWorkspaceツールと連携して日常タスクを自動化します。WIREDの実機レビューでは、メールやカレンダーから誕生日パーティーの計画を自動生成するなど高い情報統合力を示しました。一方で、同居のパートナーを「親しい友人」と分類するなど文脈理解の限界も露呈しています。

セキュリティ面では、個人データへの広範なアクセスに伴うプロンプトインジェクション攻撃のリスクをGoogle自身が警告しています。Sparkは月額100ドルのAI Ultraプランの加入者向けに米国で提供が始まりました。Gemini 3.5 FlashのAPIはGoogle AI StudioやAndroid Studio等で一般提供されています。

2026年5月28日、Googleは開発者会議Google I/O 2026の基調講演で発表した12の主要トピックを公式ブログで振り返りました。あらゆる入力から動画を生成できる新モデル「Gemini Omni」や、エージェント性能に特化した「Gemini 3.5 Flash」など、AIモデルの大幅な進化が中心となっています。検索体験の刷新からハードウェア、科学研究支援まで、幅広い分野にわたる発表が行われました。

検索領域では、バックグラウンドで24時間ウェブを監視し、ユーザーが関心を持つ情報を自動で届ける「情報エージェント」機能が注目されます。Google AI ProおよびUltra加入者向けにこの夏から提供が始まります。また、Antigravityと呼ばれるコーディング基盤を検索に統合し、質問に応じてダッシュボードやトラッカーなどのカスタムアプリをその場で生成する機能も発表されました。

個人向けアシスタントも大きく進化しています。毎朝GmailやCalendarの情報を整理して届ける「Daily Brief」、クラウド上で常時稼働しタスクを自動実行する「Gemini Spark」、そして応答をリッチな画像やインタラクティブなタイムラインで表示する新デザイン言語「Neural Expressive」が導入されます。macOS向けGeminiアプリにもSparkが搭載される予定です。

ハードウェア面では、Android XR対応のスマートグラスが2種類発表されました。音声アシスト型とディスプレイ型で、今秋の発売を予定しています。AI生成コンテンツの識別技術「SynthID」は検索やChromeに拡大され、OpenAIやElevenLabsなど外部企業も採用を進めています。

さらに「Gemini for Science」として、30以上の主要ライフサイエンスデータベースと連携する科学研究支援ツール群が公開されました。ショッピング分野では、検索・Gemini・YouTube・Gmailを横断して商品を管理できる「Universal Cart」も発表されています。Googleが生成AIを自社サービス全体に浸透させる戦略が鮮明になった発表でした。

米トライベカ映画祭が、全編AI生成の長編実写映画「Dreams of Violets」を正式プログラムとして上映することがわかりました。主要映画祭がAI生成の長編映画を正式に受け入れるのはこれが初めてです。上映は2026年6月10日に予定されており、映画業界におけるAI活用の新たな転機となりそうです。

この作品は2026年1月にイラン政府がデモ参加者を大量殺害した事件を題材にした75分の劇映画です。報道記事や写真、目撃証言をもとに、登場人物や映像をすべてAIで生成しています。制作費はわずか2000ドル（約30万円）。カンヌのサイドイベントで上映されたAI映画「Hell Grind」の制作費50万ドルと比較しても桁違いの低コストです。

制作したのは、2009年にイランを離れたAshとPooya Kooshaの兄弟です。Pooyaが設立したFountain 0社が制作を手がけました。画像生成にはGoogleのNano Banana、動画生成にはKling AI、言語編集にはAnthropicのClaudeを使用しています。複数のAIツールを組み合わせることで、長編映画の制作を実現しました。

Koosha兄弟は「映画業界で働く人々の懸念は十分に理解している」としながらも、「AIがなければこの映画は作れなかった」と述べています。政治的に敏感なテーマを従来の手法では映像化が困難な状況で、AIが表現の可能性を広げた事例といえます。今後、低予算のインディペンデント映画制作にAIがどこまで浸透するか注目されます。

Googleが新たにリリースしたGemini Omniは、写真・動画・テキストなどあらゆる入力から動画を生成できる「anything-to-anything」モデルです。動画生成・編集プラットフォームFlow上で利用可能で、従来のVeoモデルの後継として位置づけられています。The Vergeの記者が実際にハンズオンレビューを行い、その実力と課題を検証しました。

レビューでは、ぬいぐるみの鹿を主人公にした冒険動画を生成するテストが行われました。キャラクターの一貫性はVeoから明確に改善され、プロンプトに忠実な映像が生成される場面も増えています。一方で、スカイダイビング中にぬいぐるみの向きが突然変わるなど、不自然な「AIジャンプスケア」も依然として残っています。蜂蜜の瓶が場面ごとに形状を変えるといった、オブジェクトの一貫性の問題も確認されました。

最も衝撃的だったのはディープフェイクの精度です。記者が無表情の自撮り動画を入力し、パスタを食べる映像やエッフェル塔前でバゲットをかじる映像を生成させたところ、10年間毎日顔を見ている夫でさえ本物と区別できないレベルの結果が得られました。AIの痕跡はフォークの不自然な音や背景人物の重複など細部に残るものの、SNS上では十分に通用する品質です。

動画生成にはクレジット制が採用されており、1本あたり15〜40クレジットを消費します。月額20ドルのAI Proプランで1,000クレジットが付与されますが、記者は約20本の生成と数回の編集で残り145クレジットまで減少しました。特定のビジョンに近づけるための試行錯誤を考えると、コストは決して安くありません。

テキストによる編集指示機能もVeoから改善されていますが、完璧とは言えません。鹿のぬいぐるみから角を除去するよう指示すると、該当シーンでは除去されたものの他のシーンに角が追加されるという矛盾が生じました。記者は「不気味の谷に深く入り込んでいる」と評しつつ、Googleアカウントとクレジットカードがあれば自宅の動画をハワイ旅行に変えられる時代になったと結んでいます。

Googleは2026年5月、AIアシスタントGeminiにアバター機能を追加しました。ユーザーが自分の顔を登録すると、テキストプロンプトだけでその人物が登場するAI動画を生成できます。Google DeepMindの新モデル「Omni」が映像生成を担い、月額20ドルのAI Proプラン加入者のみ利用可能です。

アバターの登録はスマートフォンのカメラで約5分で完了します。明るい部屋で顔を撮影し、数字の読み上げと左右への首振りを行うだけでデジタルクローンが作成されます。WIREDの記者が実際に試したところ、サンフランシスコのドロレスパークで恐竜に歌うシーンやゴールデンゲートブリッジ下でサーフィンするシーンが生成されました。

生成された映像は背景のリアルさが際立っています。Googleの地図データを活かし、実在の公園の風景がほぼ正確に再現されました。一方で、歌唱時の口の動きに不自然さが残り、サーフィンシーンではウェットスーツではなくデニムを着用するなど、服装や動作の整合性には課題があります。

安全性の面では、Googleは本人のアバターのみ生成可能とする制約を設けています。かつてOpenAIのSoraが他人の肖像での動画生成を許可していたのとは対照的です。Google DeepMindの製品チームを率いるNicole Brichtova氏は「害を防ぎつつ、無害な用途はブロックしない」方針を示しています。

ディープフェイクによる非同意のポルノ被害が社会問題化するなか、本機能の登場はリアルなAI動画が一般ユーザーの手に届く時代の到来を意味します。利用回数は5時間ごとにリセットされる制限付きで、Googleは段階的に提供範囲を広げる慎重な姿勢を取っています。

AI動画企業が「短いクリップ生成」から「制作全工程の支援」へと戦略を大きく転換しています。Luma AIのAmit Jain CEOは、従来のAI動画の売り込みが「カメラをビデオモデルに置き換える」だけだったと振り返り、10〜16秒のクリップ生成では映像制作の現場には不十分だったと認めました。現在は制作プロセス全体を担うAIエージェントの開発に注力しています。

Googleも同様の方向に動いており、メディア制作プラットフォームFlowの新版でエージェント型のワークフローを導入しました。新版Flowではコンセプト策定からプロット構成、キャラクター開発、ルック設定までをAIエージェントが段階的にガイドし、最終的な動画生成に文脈を反映させます。キャラクターのタグ付け機能により、一貫した外見の維持も容易になりました。

技術面では、物理法則や時代考証、映画的な表現を理解する新世代モデルが登場しています。GoogleのGemini Omniワールドモデルや、LumaのUni-1統合モデルは、複雑なプロンプトなしに映像世界を構築できるようになりました。Lumaは実際にAmazonと組み、MGMのドラマ関連特番「The Old Stories: Moses」を制作しています。

Moses撮影ではLEDウォールにAI生成背景を映し、衣装もAIで描画する手法を採用しました。従来1時間番組あたり6〜8週間かかった制作が約1週間に短縮されたとJain氏は説明します。NetflixもBen Affleck氏のAI企業InterPositiveを3月に買収し、AI専門アニメスタジオを設立するなど、大手の動きが加速しています。

こうした効率化は雇用への影響が避けられないものの、制作本数の増加によりロサンゼルスの撮影日数減少に歯止めがかかる可能性も指摘されています。AI動画技術が「人々が実際に見たいもの」の制作に使われるかが今後の焦点です。

Googleは2026年5月20日のGoogle I/Oにおいて、YouTubeに関する2つの大型アップデートを発表しました。広告主向けにはDemand Genの機能拡張、一般ユーザー向けにはGemini Omniを活用したショート動画リミックス機能が導入されます。いずれもAIを中核に据え、YouTubeの広告収益力とユーザーエンゲージメントの両面を強化する施策です。

Demand Genでは、Asset Studioのマルチモーダル動画生成機能により、数回のプロンプト入力で高品質な広告素材を作成できるようになります。クリエイターとのパートナーシップ動画をキャンペーン設定画面から直接ブーストする機能も追加され、クリエイターエコノミーと広告の融合が進みます。小売業者はGoogle Merchant Centerに動画をアップロードするだけで、リアルタイムのユーザー関心に基づいた動的配信が可能になります。

配信面の拡大も注目点です。Googleマップへの広告在庫が新たに追加され、地域探索中のユーザーにリーチできるようになります。チェックアウトリンクは9つの新市場に展開され、商品フィードは自動車業界を含む新たな業種にも対応します。商品フィードを活用した広告主はコンバージョンが平均33%向上するとGoogleは報告しています。

一般ユーザー向けのShorts Remix機能では、Gemini Omniの映像生成能力を活用し、他者が投稿したショート動画をAIでリスタイルできます。ピクセルアート風やアニメ風への変換に加え、自分自身を動画に挿入することも可能です。クリエイター側にはリミックスを無効にするオプションが用意されており、リミックス動画にはデジタル透かしと元動画へのリンクが付与されます。

これらの施策はYouTubeの競争力を複数方向から強化するものです。広告主にはAIによるクリエイティブ自動化と測定精度の向上を提供し、ユーザーにはAI動画編集という新たな表現手段を開放しています。特にDemand GenのAI支援キャンペーン作成は、既存のPerformance Maxキャンペーンの設定をワンクリックで最適化できるため、広告運用の効率化が大幅に進む見通しです。

Google I/O 2026で、Googleは広告クリエイティブ制作ツール「Asset Studio」の大幅アップデートを発表しました。新たにマルチモーダルモデル「Gemini Omni」を統合し、テキストや画像だけでなく動画アセットもワンストップで制作できるようになります。広告主のマーケティングブリーフ、ブランドガイドライン、ウェブサイト、目標を自動的に理解し、高品質なクリエイティブを即座に生成します。

従来のAsset Studioは静止画やテキスト中心のアセット生成が主でしたが、Gemini Omniの統合により動画クリエイティブの制作が同一プラットフォーム内で完結します。自然言語での指示によるクリエイティブの調整にも対応しており、専門的な編集スキルがなくても広告素材を制作できます。

パフォーマンス最適化の面では、1クリックA/Bテスト機能が追加されました。広告主が設定した目標に基づき、複数のクリエイティブバリエーションの中から最も効果の高いアセットを自動的に特定します。制作から検証までのワークフローが一つのツールに集約されます。

これらの新機能は2026年夏から英語対応でグローバル展開される予定です。GoogleはAsset Studioを「アイデアから広告までを一箇所で完結させるツール」と位置付けており、広告制作の効率化と品質向上の両立を目指しています。

Googleは2026年5月19日のGoogle I/O 2026で、AIサブスクリプションの大幅な再編を発表しました。新たに月額100ドルのAI Ultraプランを追加し、開発者や技術リーダー、高度なクリエイター向けに提供を開始します。従来の最上位プランは月額250ドルから200ドルに値下げされ、機能はそのまま維持されます。

新設の100ドルプランでは、Geminiアプリおよび開発プラットフォームGoogle AntigravityでProプランの5倍の利用枠が提供されます。Gemini 3.5 Flashによるテスト・デバッグの高速化、Antigravityへの優先アクセス、20TBのクラウドストレージ、YouTube Premiumの個人プランも含まれます。200ドルプランではProの20倍の利用枠に加え、世界生成プロトタイプProject Genieへのアクセスも可能です。

モデル面では、あらゆる入力から動画を生成・編集できるGemini Omniと、エージェントやコーディングに特化したGemini 3.5 Flashが全有料プランで利用可能になります。また、24時間稼働のAIエージェントGemini SparkがUltra契約者向けにベータ提供される予定です。

課金モデルも大きく変わります。従来の1日あたりのプロンプト回数制限を廃止し、プロンプトの複雑さや使用機能に応じた計算量ベースの利用枠に移行します。利用枠は5時間ごとにリフレッシュされ、週間上限に達するまで利用可能です。上限到達後も高速な小型モデルに自動切替されるため、作業が完全に止まることはありません。ProおよびUltra契約者は従量課金のAIクレジットを追加購入することもできます。

生産性向上機能としては、GmailのAI受信トレイがPlus・Proプランにも拡大され、重要タスクの優先表示やAI下書きが可能になります。毎朝のパーソナライズ要約を提供するDaily Briefエージェントも追加されました。ProプランにはYouTube Premium Liteが無料付帯され、月額8.99ドル相当の価値が加わります。

Googleは2026年5月19日のGoogle I/O 2026で、AIアシスタントアプリGeminiの大幅アップデートを発表しました。目玉となる新機能「Daily Brief」は、ユーザーの受信トレイやカレンダー、重要タスクを自動で集約し、優先度順に整理して次のアクションまで提案する朝の情報整理機能です。米国のGoogle AI有料会員向けに即日提供が始まっています。

アプリのデザインも全面刷新されました。「Neural Expressive」と呼ばれる新デザイン言語を採用し、流動的なアニメーション、鮮やかな配色、新フォント、触覚フィードバックを導入しています。AIの回答は重要情報を冒頭に太字で表示し、スクロールに応じて画像やタイムラインが展開される構成に変わりました。

常時稼働型のAIエージェント「Gemini Spark」も発表されました。クラウドベースで動作するため、スマートフォンをロックしていてもバックグラウンドで作業を続行できます。カスタムワークフローの作成にも対応し、来週にはGoogle AI Ultra会員向けに提供予定です。

動画生成の分野では新モデル「Gemini Omni」が登場しました。テキスト・画像・音声を入力として高品質な動画を生成でき、Google FlowやYouTube Shortsとの連携が予定されています。月間9億人超のユーザーを擁するGeminiアプリをチャットボットから総合AIハブへ進化させ、ChatGPTやClaudeに対抗するGoogleの戦略が鮮明になっています。

Googleは2026年5月19日、年次開発者会議Google I/Oで、あらゆる入力から動画を生成できる新しいマルチモーダルモデル「Gemini Omni」を発表しました。CEOのサンダー・ピチャイ氏は「あらゆる入力からあらゆるコンテンツを生成できる」と説明し、テキスト予測から現実のシミュレーションへとAIが進化する次の段階だと位置づけています。

Gemini Omniは、テキスト・画像・音声・動画を組み合わせて入力し、単一のモデルで高品質な動画を出力できます。従来のように複数の専門モデルを連携させるのではなく、1つのモデル内で複数のモダリティを横断的に推論するため、一貫性のある編集が可能です。自然言語で指示を重ねる会話的な動画編集に対応し、前の指示を記憶したまま場面を発展させることができます。

最初のモデルとなるGemini Omni Flashは本日からGeminiアプリ、YouTube Shorts、動画編集ツールFlowで提供が開始されました。現時点では10秒の動画生成に対応しており、今後より長い動画にも対応予定です。AI Plus（月額20ドル）以上のサブスクリプションプランで利用でき、開発者・企業向けのAPI提供は数週間以内に予定されています。上位モデルのOmni Proの公開時期は未定です。

企業向けの活用領域は幅広く、マーケティング動画の量産、社内研修コンテンツの作成、製品デモの自動生成などが想定されています。また、ユーザー自身の声と姿を使うデジタルアバター機能も提供され、ディープフェイク防止のため録画と音声による本人認証が求められます。すべての生成動画にはGoogleのSynthID電子透かしが埋め込まれ、AI生成コンテンツの検証が可能です。

競合環境としては、ByteDanceのSeedance、KuaishouのKling AI、英SynthesiaのAIアバターなどが存在します。GoogleはNano Bananaに続くマルチモーダル統合の成果としてOmniを位置づけており、画像やオーディオの出力にも将来的に対応する計画です。企業の導入にあたっては、API公開後にデータガバナンスや利用規約を確認した上で本格運用に移行することが推奨されています。

Googleは2026年5月19日、年次開発者会議Google I/O 2026を開催し、AIモデル・エージェント・デバイスにわたる大規模な発表を行いました。CEOのスンダー・ピチャイ氏は「エージェント型Gemini時代への突入」を宣言し、月間処理トークン数が前年比7倍の3.2京超に達したと報告しました。Geminiアプリの月間アクティブユーザーは9億人を突破しています。

最大の目玉は新モデルGemini 3.5 Flashです。前世代のGemini 3.1 Proをほぼ全ベンチマークで上回りながら、他社フロンティアモデルの4倍の出力速度を実現しました。Google社内では1日あたり3兆トークンを処理しており、コーディングやエージェント用途に最適化されています。合わせて動画生成が可能なGemini Omni Flashも公開され、テキスト・画像・映像・音声を入力に動画を生成できます。

エージェント分野では、Google Cloud上で24時間稼働する個人向けAIエージェントGemini Sparkが発表されました。Gmail・Docs・Sheetsなどと連携し、メール作成やスケジュール管理を自律的に実行します。検索には「情報エージェント」が導入され、ユーザーの関心事をバックグラウンドで常時監視し、条件に合致した情報を通知します。開発者向けにはAntigravity 2.0デスクトップアプリが公開され、複数エージェントの並列実行やGemini APIでのマネージドエージェント機能が利用可能になりました。

検索体験も刷新されました。25年以上ぶりの検索ボックス大幅改修で、AIが意図を先読みして提案する「インテリジェント検索ボックス」が全世界に展開されます。エージェント型コーディングにより、検索結果としてインタラクティブなUIやミニアプリをリアルタイム生成するGenerative UI機能もこの夏に無料で提供予定です。小売分野では複数店舗の商品を一括購入できるユニバーサルカートが導入されます。

ハードウェアでは、Samsung・Warby Parker・Gentle Monsterと提携したAndroid XRスマートグラスを今秋に発売すると発表しました。音声対話とカメラによるGemini連携を備え、リアルタイム翻訳にも対応します。料金面ではAI Ultraプランに月額100ドルの新ティアを追加し、従来の250ドルプランは200ドルに値下げしました。DeepMindのハサビスCEOはAIによる開発者置き換えに否定的な見解を示し、生産性向上で「3〜4倍の仕事をこなす」方針を強調しました。

Googleは2026年5月19日のI/Oカンファレンスで、AI動画・画像制作ツールGoogle Flowの大型アップデートを発表しました。新たに搭載されたGemini Omni Flashモデルにより、動画生成の品質が大幅に向上し、ユーザーが自分自身のアバターをAI動画に挿入できる機能が追加されています。

アバター機能では、ユーザーがスマートフォンで自分の顔と声を複数の角度からスキャンして登録します。登録後は、任意のAI生成動画に自分のデジタルクローンを挿入でき、背景の変更や服装の調整といった編集指示にもOmni Flashが対応します。Google Labs製品担当副社長のElias Roman氏は「撮影なしで自分をコンテンツに登場させたいクリエイター向けの機能」と説明しました。この仕組みは、OpenAIが昨年提供し約7カ月で終了したSoraアプリのセルフディープフェイク機能と類似しています。

生成されたすべての動画にはSynthID透かしが埋め込まれ、AI生成コンテンツであることを識別可能にしています。また、現時点では他人のアバター生成は許可されず、自分自身のみが対象という制限を設けることで、悪用リスクへの配慮を示しています。

クリエイター支援の面では、Google Flow Agentがプロジェクト全体を通じた企画・編集パートナーとして機能します。ブレインストーミングからバッチ編集、アセット整理まで、Geminiモデルを活用した幅広いタスクに対応します。さらに自然言語で画像エディタやカスタムシェーダーなどのビスポークツールを作成でき、他のユーザーと共有・リミックスすることも可能です。

Google Flow Musicにも新機能が追加されました。楽曲のセクション単位での精密編集、フルトラックのスタイル変換（カバー機能）、そしてOmni Flashを活用したミュージックビデオ生成が利用可能になっています。FlowとFlow Musicの両方でモバイルアプリも提供開始され、外出先での制作にも対応します。

Google DeepMindは2026年5月19日のGoogle I/O 2026で、汎用世界モデルProject GenieにGoogle Street Viewのデータを統合する新機能を発表しました。これにより、Street Viewが持つ110カ国・280億枚超の実世界画像をもとに、インタラクティブな仮想環境を生成できるようになります。

ユーザーは地図上の地点を選び、「海中世界」「砂漠」「白黒フィルム」などのスタイルを適用して、現実の街並みを自由にアレンジした仮想空間を体験できます。たとえばサンフランシスコのゴールデンゲートブリッジを海底から眺めたり、テキサスの街並みを1920年代風に再現したりすることが可能です。

産業面ではWaymoがすでにGenieを活用し、竜巻や象との遭遇といった極めて稀な状況を自動運転車の訓練に利用しています。Street Viewとの統合により、新たな都市への展開準備や、ロボットの実環境配備前のシミュレーションにも応用が広がります。

一方で現段階ではまだ実験的な位置づけであり、生成される映像はフォトリアルではなくゲーム品質にとどまります。物理演算にも未対応で、人物がサボテンをすり抜けるといった不自然な挙動が残っています。DeepMindの研究者は、動画生成モデルに比べて精度は6〜12カ月遅れと見積もっています。

本機能はまず米国のGoogle AI Ultra（月額200ドル）会員に提供され、数週間以内にグローバルへ拡大する予定です。Googleは教育・ゲーム・ロボティクスなど幅広い分野での活用を見据えており、精度向上と物理シミュレーション対応が今後の課題となります。

NVIDIAとHugging Faceは、大規模動画生成モデルCosmos Predict 2.5をLoRAおよびDoRAで効率的に微調整する手法を公開しました。20億パラメータのモデル全体を再学習する代わりに、注意機構やフィードフォワード層に小規模なアダプタモジュールを注入することで、単一のGPUでも微調整が可能になります。ロボット操作の合成動画生成を主な応用先として、92本の実ロボット動画を使った学習手順が示されています。

微調整にはrectified flowの定式化が用いられ、ノイズサンプルからクリーンデータへ線形に輸送する速度をモデルが学習します。VAE、テキストエンコーダ、DiTの基盤重みはすべて凍結され、LoRAアダプタのパラメータのみが更新されます。数値安定性のため、アダプタの重みはfloat32にキャストされ、bf16混合精度で学習が進みます。

評価では、Sampson誤差による幾何的整合性と、Cosmos Reason2をLLM審査員とした物理的妥当性・指示追従性の3指標が用いられました。微調整前のベースモデルでは、ロボットの手が人間の手に置き換わる幻覚や、指定された手の左右が無視される問題が発生していましたが、LoRA・DoRAによる微調整でこれらが解消されました。

rank 8とrank 32の比較では、高ランクが指示追従性を向上させる一方、幾何的整合性や物理的妥当性はランク8でも十分という結果が得られました。これは物理的な事前知識が凍結された基盤モデルに既に含まれており、アダプタはドメイン固有の外観やタスク構造の学習のみを担うためと分析されています。DoRAは低ランクでの学習安定化に有用ですが、rank 32ではLoRAと同等の性能に収束しました。

OpenAI共同創業者で社長のグレッグ・ブロックマンが、同社の製品戦略を正式に統括することが2026年5月16日に報じられました。AGIデプロイメント担当CEOのフィジ・シモが医療休暇中であることを受け、暫定的に製品を監督していた体制を公式化した形です。

ブロックマンは社内メモで、ChatGPTとプログラミング製品Codexを統合し、単一のプラットフォームにする計画を明らかにしました。「エージェント型の未来に向けて最大限のフォーカスで実行するため、製品体制を集約する」と述べ、消費者・エンタープライズの両市場での勝利を目指す方針を示しています。

この動きは、2025年末にCEOサム・アルトマンが「コードレッド」を宣言し、コアのChatGPT体験への再集中を打ち出した流れの延長線上にあります。以降、動画生成ツールSoraやOpenAI for Scienceなどの副次プロジェクトが相次いで中止されてきました。

OpenAIはTechCrunchに対し、シモは医療休暇中ながらブロックマンと共にこの変更に取り組んだと説明しています。ChatGPT・Codex・APIを一つの製品チームのもとに統合する計画は、以前からシモ自身も言及していた構想であり、今回の再編はその実行を加速させるものと位置づけられています。

AI動画生成スタートアップのRunwayが、動画生成ツールの提供から「世界モデル」の構築へと事業の軸足を移しつつあります。世界モデルとは物理環境をシミュレーションし、現実世界の振る舞いを予測するAIシステムです。共同創業者のGermanidis氏は、言語モデルが人間の記述したテキストから学習するのに対し、世界モデルは観測データから直接学習することで、より偏りのない知能を実現できると主張しています。

Runwayは2018年にNYU芸術学部出身のチリ人2名とギリシャ人1名が創業し、映画制作者向けAIツールで名を上げました。最新モデルGen-4.5やLionsgate・AMCとの提携を通じ、評価額53億ドル、2026年第2四半期だけでARRを4000万ドル積み増すなど商業面でも成長しています。2025年12月には初の世界モデルをリリースし、ロボティクス部門では実環境でのテスト・導入も始まっています。

同社の究極の目標は、動画・音声・センサーなど複数のモダリティを統合した単一モデルで「宇宙のデジタルツイン」を構築することです。Germanidis氏は、科学実験の待ち時間を圧縮できれば科学の進歩そのものを加速できると語り、生物学的世界モデルによる抗老化研究を個人的なムーンショットに掲げています。

しかし競争環境は厳しく、GoogleのVeoとGenieが動画生成・世界モデルの双方でRunwayと直接競合しています。Yann LeCunのAMI Labs（10.3億ドル調達）やフェイフェイ・リーのWorld Labs（12.9億ドル調達）も同じ領域を狙っています。Runwayの累計調達額は8.6億ドルで、OpenAIの約1750億ドルやAlphabetの時価総額4.86兆ドルとは桁違いの差があります。

一方、OpenAIが動画プラットフォームSoraを1日100万ドルの計算コストに耐えきれず3月に閉鎖した事例は、資金力だけでは生き残れないことを示しています。スタンフォード講師のKatanforoosh氏は、ElevenLabsがリソースで劣りながらOpenAIやGoogleを凌駕した例を挙げ、Runwayにも同様の可能性があると指摘します。シリコンバレー外から出発した独自の文化と早期収益化の姿勢が、この競争における同社の武器です。

クリエイター向けデータプラットフォームのWirestockが、シリーズAラウンドで2300万ドル（約34億円）を調達しました。リードインベスターはNava Venturesで、シェリル・サンドバーグが共同設立したSBVPやFormula VC、I2BF Venturesも参加しています。同社はこの資金でAIラボ向けマルチモーダルデータ供給事業を拡大します。

Wirestockはもともと写真家がShutterstockなどのストックフォトサービスで作品を配信・販売するのを支援するプラットフォームでした。しかし2023年にAIラボへのデータ供給事業へとピボットを決断。現在は画像、動画、デザインアセット、3Dコンテンツなど多様なモダリティのデータセットを提供しています。プラットフォームには70万人以上のアーティストやデザイナーが登録し、Fiverr型のフリーランスモデルでデータ収集タスクをこなしています。

事業転換の成果は数字に表れています。現在、大手基盤モデル企業6社にデータを供給し、年間売上ランレートは4000万ドルに達しました。クリエイターへの報酬支払い累計は1500万ドルです。共同創業者兼CEOのMikayel Khachatryan氏は、当初は既存ライブラリの販売が中心だったものの、AIラボからのカスタムリクエストが増え、クリエイターにとっての新たな収益機会が生まれたと語っています。

AIモデルの性能向上競争が激化するなか、学習用データの需要は急拡大しています。Scale AI、Surge、Mercorといった企業がデータビジネスで数百億ドル規模の評価額を獲得する一方、Micro1やHuman Native AIなどの新興企業も台頭しています。Wirestockは特に画像・動画生成などクリエイティブ用途のモデル向けデータに注力しており、音声や音楽といった新しいモダリティへの展開も検討中です。

品質管理も重視しています。新規クリエイターは参加前に無報酬のタスクで品質審査を受ける必要があり、プラットフォーム上の全作業はAIと人間によるレビューで評価されます。従業員数は現在60名で、調達資金は研究、エンジニアリング、プロダクト部門の採用と、AIラボとのデータセット共同作業を支援するエンタープライズソフトウェアの開発に充てられます。

サンフランシスコ近代美術館（SFMOMA）とGoogle Arts & Cultureは、Googleの動画生成AI「Veo」を活用し、アンリ・マティスの初期作品4点をアニメーション化するプロジェクトを発表しました。対象にはフォーヴィスム（野獣派）の原点とされる「帽子の女」も含まれています。

本プロジェクトは、SFMOMAで開催中の展覧会「Matisse's Femme au chapeau: A Modern Scandal」に合わせたものです。1905年のパリ・サロンで非写実的な色使いと奔放な筆致で観客を驚かせたマティスの精神を、AI技術で現代に再解釈する試みとなっています。

制作にあたっては、SFMOMAの学芸員・教育チームと緊密に連携し、映像の美的パラメータや使用するアーカイブ資料を慎重に選定しました。技術的な新しさだけでなく、美術史的な正確性を両立させることが重視されています。鑑賞者がキャンバスの枠を超えてマティスの世界に入り込む没入型体験を目指しています。

今回の取り組みは、美術館がAIをどう活用すべきかを示す一つのモデルケースといえます。革新と制度的責任のバランスを保ちながら、来館者が芸術を新たな視点で捉えるきっかけを提供することを目指しており、AI時代のアート鑑賞の方向性を示唆しています。