TwelveLabs、Pegasus 1.5をAmazon Bedrockで提供開始

TwelveLabsの動画言語モデルPegasus 1.5がAmazon Bedrockで利用可能になった。長尺動画を解析し、指定した条件に合致する区間をタイムスタンプ付きの構造化JSONで返す。Amazon S3のURIまたはbase64文字列から、事前のインデックス作成なしで動画を解析でき、動画の処理能力は1リクエストあたり最大2時間まで拡大された（Pegasus 1.2は1時間）。

xAI、画像から動画を生成する grok-imagine-video-1.5-preview をAPIでプレビュー公開

xAIは、静止画から動画を生成する画像から動画へのモデル「grok-imagine-video-1.5-preview」を、xAI APIでプレビュー提供開始した。開始フレームと動きを説明するプロンプトを与えると、カメラの動き、雰囲気、物理表現を含めて場面をアニメーション化し、入力画像に忠実な映像を生成する。最大720pのクリップを作成でき、複数のシーンを連結して、プロジェクト全体で一貫した見た目の長い映像を作ることもできる。

xAI、画像から動画を生成するGrok Imagine Video 1.5をImagine APIで一般提供

xAIはGrok Imagine Video 1.5をImagine APIで一般提供し、高速版のVideo 1.5 Fastをgrok.com/imagineとiOS・Androidアプリで公開した。Video 1.5 Fastは6秒、720pの動画を約25秒で生成し、従来モデルの40秒以上から短縮された。Projects、複数エージェントの並列実行、ライブラリ検索の新機能も数日かけて順次提供される。

xAI、Imagine Video 1.5に画像・音声リファレンスと1080p生成を追加

xAIは動画生成モデルImagine Video 1.5に、画像と音声のリファレンス、プロンプトのみのtext-to-video、ネイティブ1080p生成を追加した。リファレンスは1回の生成で最大7つまで使え、顔や商品、場所などを固定できる。画像・音声リファレンスは米国のSuperGrok HeavyとSuperGrok Plus向けに先行提供され、数日以内に全プランへ拡大する。

Higgsfield、AI動画の長さを1分から10分超へ

Higgsfield AIは、GPT-6 Astraを使ってAI動画の長さを従来の約1分から10分超に延ばした。同社はGPT-6 Astraで10分超の教育用動画を生成するワークフローも構築したとしている。小規模事業者の販促コンテンツ向けには、GPT-Image-2.5で読みやすいテキストやインフォグラフィックを含む画像を作成できると説明されている。

Claude@claudeaiAIスコア3232

Claude DashboardsとClaude Motionが本日ベータ版として登場。 Claudeに依頼すれば、データをライブダッシュボードに、アイデアをアニメーション付きの解説動画に変えられる。

Pollo AI、OpenAIのモデルで創作アイデアを広告キャンペーンに

Pollo AIは、GPT‑5.6、GPT‑6 Astra、GPT‑Image‑2.5を使ったAIエージェント「Pollo Agent」で、ユーザーの創作アイデアを画像や動画に仕上げている。同社によると、ユーザーはモデルの選択や切り替えに費やす時間が50%以上減った。静止画とプロンプトから約15秒の動画広告を作れる「Photo to Video Ads」も提供している。

Google Research、GeminiとVeo上で長尺動画の一貫性を自動制御するAIビデオ共同監督フレームワークを発表

Google Researchは、GeminiとVeoの上に構築したマルチエージェント型のAIビデオ共同監督フレームワークを発表した。複数カットにわたる視覚的な一貫性を計画し、キャラクターや環境のずれを抑えながら数分規模の動画生成を目指す。創作方向の選択にはマルチアームドバンディットを用い、Pre-Production、Production、MLLM Judgeの各エージェントが制作を進める。SynthIDによる透かしなどの安全機構も継承するとしている。

Gemini 3.8 Live、リアルタイム映像アバター「Live Avatar」を発表

Googleは、Gemini 3.8 Liveにリアルタイム映像アバター機能「Live Avatar」を追加した。音声対話と低遅延の映像生成を組み合わせ、口の動きや表情を伴う対話型の仮想担当者を実現する。Live Avatarは現在Gemini Enterpriseで利用可能で、97言語への対応とツール呼び出しの非同期実行をサポートする。カスタムアバターの作成はエンタープライズ向けの許可リスト制で、現時点では限られた企業のみが対象となる。

invideoがGPT-6 Astraでカラーグレーディングを3倍改善する方法

invideoは、GPT-6 Astraを使って動画編集の計画をより高い精度で行えるようにし、カラーコレクションとカラーグレーディングを3倍改善した。1日で50種類のカスタムエフェクトを生成できるという。

Google、Windows向けGeminiアプリを提供開始

GoogleはWindows向けのGeminiアプリを公開した。Alt + Spaceで作業中の画面上にGeminiを呼び出せる。Windows 10と11に対応し、世界中で本日から利用でき、gemini.google/desktop からダウンロードできる。

Google、8月のAI発表をまとめる Gemini 3.7 FlashやPixel 11など

Googleは8月のAI関連発表をまとめた。Gemini 3.7 Flash、Gemini 3.5 Transcribe、Pixel 11シリーズなどを公開している。Geminiアプリの月間利用者数は10億人を超えたと説明している。

Google AI Developers@googleaidevsAIスコア3333

Geminiは拍手の回数を数えられるか？👏 素早い動きを正確に数えることは、AIにとって難しいタスクとして知られている。静的な処理ではデフォルトで動画が固定の1 FPSで取り込まれるため、拍手のような一瞬の動きは完全に見逃されたり、指鳴らしやクリック音と混同されたりしやすい。 Gemini 3.7 Flashが新しいエージェント型の動画理解機能を使い、必要に応じて処理速度を自動で調整することで、拍手の一回一回を正確に識別して数える様子をご覧ください：

Google DeepMind、Geminiにエージェント型動画理解を導入、トークン消費を最大88%削減

Google DeepMindは、Gemini 3.7 Flash、3.6 Flash、3.5 Flash-Lite向けにエージェント型動画理解を提供開始した。標準的な動画分析ベンチマークで、コストを最大66%、トークン消費を最大88%削減し、精度は最大7%向上したという。Gemini API（Google AI Studio）とGemini Enterprise Agent Platformで、動画アップロードとYouTube動画に対応し、追加料金はない。

Google DeepMind、Gemini Omni 1.1 Flashを発表 シーン延長や4Kアップスケールに対応

Google DeepMindは、開発者向け動画生成モデルGemini Omni 1.1 Flashを発表した。シーン延長、最初と最後のフレーム指定、360pドラフト、1080p/4K出力、動画参照入力に対応する。Google AI StudioのGemini APIやGoogle Flowなどで本日から利用できる。

SB Intuitions、リアルタイム対話キャラクター向けストリーミング音声駆動動画生成を紹介

SB Intuitionsは、ストリーミング音声を入力に対話キャラクターの動画応答を生成する、音声駆動動画生成のエンドツーエンド試作を紹介した。ベースにはLTX 2.3を用い、Self-Forcingを改良したODE初期化とDMD蒸留の2段階でポストトレーニングして自己回帰モデルを得ている。推論では参照画像と最初の動画チャンクのトークンをアテンションシンクとして保持する。

Google DeepMind、Nano Banana 2 LiteとGemini Omni Flashを開発者向けに提供開始

Google DeepMindは、最速かつ低コストの画像モデルNano Banana 2 Liteと、動画生成・対話型編集モデルGemini Omni Flashを開発者向けに提供開始した。Nano Banana 2 Liteは1K画像あたり$0.034、text-to-imageの出力は4秒で、Omni Flashは動画出力1秒あたり$0.10である。どちらもGoogle AI Studioとgemini APIから利用できる。

Sony AI、CVPR 2026で6本の論文を発表、拡散モデルのチュートリアルも実施

Sony AIと共同研究者は、米デンバーで開かれるCVPR 2026で6本の論文を発表する。対象は生成モデリング、3Dシーン理解、ビデオからの音声合成、ドメイン適応、ビジュアルトークンの効率化である。MeanFlowとRepresentation Autoencoderを組み合わせたMF-RAEは、ImageNet 256で1ステップFID 2.03を記録し、学習コストを83%削減した。6月3日には拡散モデルのチュートリアルを実施し、Peter Stoneが関連ワークショップで基調講演を行う。

Sony AI、効果音生成の基盤モデルWooshを発表

Sony AIは、効果音生成に特化した基盤モデルWooshを発表した。ライセンス済みのスタジオ品質ライブラリで学習した非公開モデルと、公開データで学習した公開モデルの2種類を並行して開発した。公開モデルはオープンウェイトと推論コード付きで、非商用の研究・実験向けに提供される。

Google DeepMind、あらゆる入力から動画を生成するGemini Omni Flashを発表

Google DeepMindは、画像・音声・動画・テキストを入力して動画を生成し、会話で編集できる新モデルGemini Omni Flashを発表した。Gemini app、Google Flow、YouTube Shortsで提供を開始し、Google AI Plus、Pro、Ultraの購読者が利用できる。今後数週間で開発者や企業向けにAPIでも展開する予定である。