テンセントやBlock、新AIモデルを相次ぎ公開

テンセントは世界モデル「Hy-Nomas」をオープンソース化した。テキストの命令やカメラの動きに応じて動画の生成を継続するモデルで、生成の途中で物体の追加やキャラクターの動作、背景、画風の変更ができるほか、カメラの視点や経路も指定できる。モデルの重みとコードに加え、単一のRTX 4090で動作する低メモリ構成も公開されている。aitimes.comが報じた。

Blockは、テキストデータや事前学習済みモデルを使わず、人間の会話音声だけで学習したAI「Dessa」を発表した。Blockは、人間の声だけから学習し自然なリアルタイム会話を可能にする初のAIだとしている。

IBMは、英語、フランス語、ドイツ語、スペイン語、ポルトガル語、日本語に対応する多言語音声認識・音声翻訳モデル「Granite Speech 5.0 2B」を公開した。パラメータ数は20億で、雑音や残響のある環境での認識精度と長い音声の翻訳を改善し、最大2000個のカスタムキーワードに対応する。Apache 2.0ライセンスで提供される。

端末で動くモデルや映像生成ツールも

Perplexityは、Mac向けアプリ「Decider for Mac」を公開した。16GB以上のメモリを搭載したApple SiliconのMac上で40億パラメータの意思決定モデル「pplx-decider-flash-v1.2」をローカル実行する。APIキーや利用料は不要で、入力は外部サーバーに送信されず、初回起動時に5.8GBのモデルをダウンロードする。

また、Baselten傘下のBaselabsは、意思決定に特化したオープンソースモデル「Mammut-1」（270億パラメータ）と「Elephant-1」（90億パラメータ）をMITライセンスで公開した。Mammut-1はJev Decision Index 0.4で71.24を記録し、208モデル中1位となった。

開発者のAbdulla Ababakre氏は、Claude CodeやCodex、CursorなどのAIエージェントがスマートフォンの画面を読み取り、タッチや入力、スクロールによってモバイルアプリを操作できるようにするMCP/API「PhoneUse」を発表した。VAST AI Researchはリアルタイム生成レンダラー「EdenLive」をオープンソース化した。50億パラメータのモデルは単一のRTX 5090で720pの動画を毎秒24フレーム超で生成し、5Bと14Bの重みが公開されている。Kylonは、参考動画を解析して注釈ベースの編集を加え、自社製品向けの新しい動画として再構成する機能「Annotations」を発表した。