AI ニュースを検索

iFLYTEK Xinghuo、90年代生まれが最前線へ

組織再編の一場面 1990年、17歳の理系学生が重要な決断を下した。 彼は清華大学の自動車工学専攻への推薦入学の機会を辞退し、中国科学技術大学で音声合成技術を専攻することを選んだ。その9年後、彼と十数人の科大生が立ち上げた「ガレージ....」

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。

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：コストの高い評価や複雑な制約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条件下で、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、既存の手法は一般に保守主義や、制約のない代理モデルの過剰利用といった問題を抱えており、あるいは精密な物理的目標に対して候補を精緻に改良できない静的な推論時サンプリング手法として機能している。本論文では、オフラインMBO向けに微分可能な拡散条件付け（D2C）を提案する。これは、決定論的サンプリングにより逆方向の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ものである。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：単一の参照映像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観測されていない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、幾何学的条件付けなどのアーキテクチャ上の仕組みに依存しています。静的なシーンコンテンツに対しては有効であっても、これらの手法は、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対処するのが困難であることがしばしばあります。私たちは、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、ソース映像から導かれる標準的な3D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ています。私たちのm

X-ダビング：時間的および視覚的制約下での音声間翻訳

arXiv:2610.32042v1 発表タイプ：新規 要旨：言語間吹き替えは、元の映像と同期したまま、ソース音声をターゲット言語の音声に変換することを目的としています。この課題の鍵は、言語ごとに異なる持続時間、リズム、発音特性といった違いを克服しつつ、元の映像のタイミングに合わせて自然に話せる忠実な翻訳を生成することです。本論文では、X-Dubbing を提案します。これは、時間意識型の音声からテキストへの翻訳と、映像意識型のテキストから音声への合成を統合した問題として捉えています。具体的には、本手法は、時間構造化された台本を生成する「ダビング・トランスレーター」と、ソース映像と同期してそれを再生する「ボイス・アクター」から構成され、両者とも言語非依存のタイミング予算に基づいています。さらに、我々はトランスレーターを改良し、ダブ…

AudioLift：マルチビュー映像生成を用いた、オーディオ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な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。本研究では、AudioLiftを提案します。これは、パラメトリックな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、生成された多視点映像を用いる二段階のフレームワークです。本フレームワークは、同期された多視点映像の生成段階と、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全頭部の幾何形状を復元します。広範な実験により、AudioLiftがより多くのエクス

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。

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。

How Diffusion Controller unifies and simplifies AI image generation

Algorithms & Theory

Automating coherent long-form video generation

Generative AI

Gemini 3.1 Flash TTS: the next generation of expressive AI speech

Our newest audio model introduces granular audio tags that give you precise control to direct AI speech for expressive audio generation.