Meta、エージェント型画像生成AIなど公開

米Meta（メタ）のAI研究組織であるMeta Superintelligence Labs（MSL）は、自律的に外部ツールを呼び出して生成した画像を自己修正する、初のエージェント型画像生成モデル「Muse Image（ミューズ・イメージ）」を公開しました。さらに、音声のネイティブ生成に対応する動画生成モデル「Muse Video（ミューズ・ビデオ）」のプレビュー版も同時に公開しています。

1. 自律的にツールを利用する「エージェント型」の挙動

Muse Imageの最大の特徴は、ユーザーのプロンプト（指示テキスト）から直接画像を生成するのではない点です。生成の精度を高めるために自らWeb検索を行って事実情報を補ったり、プログラムのコードを書いて実行して正確なグラフやQRコードを描画したりする、自律型の機能（エージェント）として動作します。この自己修正能力は強化学習の過程で創発（自然発生）したものであるとMetaは説明しています。

2. 高度な編集機能と電子透かし技術の組み込み

本モデルは、指示された箇所のみを正確に変更でき、複数の参照画像から人物、物体、服装、スタイル、背景などの要素を組み合わせる合成にも対応します。また、不正利用や誤情報の拡散を防止するため、トリミングやスクリーンショットを行っても保持される不可視の電子透かし技術「Content Seal（コンテンツ・シール）」が組み込まれており、生成された画像の来歴を辿ることができます。

3. 音声ネイティブ生成対応の「Muse Video」

プレビュー公開された「Muse Video」は、Muse Imageと同じ学習基盤の上に構築されており、動画に加えて音声を同時に生成することが可能です。プロンプトへの追従性や時間的一貫性において高い性能を示していますが、映像と音声の完全な同期などについてさらなる性能向上を進めるとしています。

Metaが新たに立ち上げた「Meta Superintelligence Labs」の主導により、画像・動画生成AIは「ただ出力するツール」から「思考し、修正するエージェント」へと進化しました。この機能により、従来AIが苦手としていたテキストの正確な描写や論理的なオブジェクト配置の精度が劇的に改善されます。日常的なクリエイティブ用途の無料提供に加え、ビジネス向けの広告ツールでの実用化など、幅広いプラットフォームへの統合が予定されています。