Black Forest Labs、画像と音声付き20秒動画生成可能な「FLUX 3」を発表、限定リリースから開始

AIの進化が止まりませんね！今回ご紹介するのは、Black Forest Labsという会社が発表した「FLUX 3」という新しいAIモデルです。これまでのAIは、画像を作るのが得意だったり、音声を作るのが得意だったりと、それぞれ得意分野が分かれていました。しかし、FLUX 3はちょっと違うんです。

FLUX 3のすごいところは、画像、音声、そして動画という、これまで別々だったものを、一つのAIでまとめて作れるようになった点です。例えば、「こんな感じの音楽に合わせて、このシーンの動画を作って」といった指示を一つ出すだけで、最大20秒の動画とそれに合う音声まで、AIが自動で生成してくれるんです。まるで、AIがクリエイティブなアシスタントになってくれるかのようですね。

では、どうやってそんなことが可能になったのでしょうか？それは、FLUX 3の学習方法に秘密があります。普通なら、画像を作るAI、動画を作るAI、音声を作るAIと、それぞれ別々に勉強させるところを、FLUX 3はこれらの異なる種類のデータを全部一緒に混ぜて、みんなで協力しながら学習したそうです。だから、AIは「この画像にはこういう音がありそうだな」とか、「この音声にはこんな映像が合いそうだ」というように、複数の情報を関連付けて理解できるようになったんですね。

この技術が実用化されると、私たちの生活にも色々な変化がありそうです。例えば、自分で映画やアニメーションの簡単なシーンを作ったり、オリジナルのBGMを付けたりすることが、もっと手軽にできるようになるかもしれません。また、ロボットが周りの状況を「見て」「聞いて」理解する能力が上がったり、複雑なシミュレーション技術にも応用が期待されています。Black Forest Labsでは、こうした「見る」「聞く」といった能力をまとめて「ビジュアルインテリジェンス」と呼んでいて、これらを連携させた便利なアプリやサービスがたくさん生まれることを目指しているそうです。