AI関連の最新ニュースをピックアップ
マルチモーダル生成AI開発を手掛けるスタートアップ企業MiniMaxは、リアルな人間らしい会話の間合いや感情表現、自然なブレス（息遣い）のダイナミクスを再現する最新のテキスト読み上げ（TTS）・音声合成AIモデル「MiniMax Speech 2.8」を正式リリースした。また、同社の動画生成基礎モデル「Hailuo 3.0（H3）」における2K高解像度動画再生成および スパースアテンション（計算量を削減しつつ広範囲のデータ依存関係を処理するアテンション機構） 機構のオープンソース参照コードを同時公開した。
発表された「MiniMax Speech 2.8」は、対話型AIエージェント、アバター表示、自動音声制作などの用途に向けて開発された。従来の機械的な読み上げ音声とは異なり、人間の話者が持つ感情の微妙な変化、発話のテンポ、自然な呼吸音を正確にシミュレートできる点が特徴である。
API経由で低遅延の音声ストリーミング出力が提供され、応答性が求められるインタラクティブな会話システムに即座に組み込むことが可能となっている。
音声モデルの発表と並行して、MiniMaxは動画生成モデル「Hailuo 3.0 (H3)」向けの2K動画再生成コードをオープンソースとして公開した。この参照コードには、ローカル環境でのGPU処理や画像作成ツール「ComfyUI」との統合機能が含まれている。
クリエイターや映像制作ワークフローにおいて、生成済み動画の特定フレームの再生成、ローカルGPUでの2Kアップスケーリング、カスタム条件付け処理を柔軟に行うことが可能となる。
音声と動画の両領域で高精度な生成ツールを提供するMiniMaxの取り組みは、マルチモーダルコンテンツ制作の効率を著しく高める。特にオープンソース参照コードの提供により、ローカル環境で高解像度の動画編集を行いたい映像クリエイターやゲーム開発者にとって利便性が向上する。
未確認事項として、Speech 2.8における日本語を含む多言語対応の自然さや、商用利用時のライセンス条件およびAPI利用価格の詳細については、今後の同社公式開発者ポータルのアップデートを確認する必要がある。
編集部注: リアルタイムの高品質音声合成と、オープンソースベースの動画アップスケーリングコードを同時に提示することで、MiniMaxはマルチモーダル生成AI市場での存在感を強めている。音声と映像を組み合わせた高度なバーチャルヒューマンやAIアナウンサーの実現がより身近になった。
開発者がローカル環境で柔軟に動画再生成をコントロールできる開放的なエコシステム戦略は、プロプライエタリな競合サービスとの差別化要素として機能するだろう。
引用元：TechNode