ドイツのAI企業ブラックフォレスト・ラボが、動画・画像・音声を一つのモデルで同時に生成できるマルチモーダルAI「FLUX 3」を発表しました。音声付きで最長20秒の動画を作れるのが特徴で、生成AIの新たな地平を切り開くと注目されています。まずは動画機能から早期アクセスの形で提供が始まりました。
3種類のデータを一体学習
7月23日に公開された「FLUX 3」は、画像・動画・音声という3種類のデータを共通の重み（モデルの内部パラメーター）で同時に学習させた点が大きな特徴です。従来は画像なら画像、音声なら音声と、用途ごとに別々のAIを使うのが一般的でしたが、FLUX 3は一つのモデルで映像と音を同時に生み出せます。マルチモーダルとは、複数の種類の情報をまとめて扱う技術を指します。
音声同期の20秒動画
生成できる動画は最長20秒で、映像に合わせた自然な音声が同期して付く点が強みです。テキストから動画を作る「text to video」や、画像を動画化する機能、多言語のセリフ生成、映像上の動きに音を合わせる機能などを備えます。ブラックフォレスト・ラボは、画像編集やロボットの動作予測まで同じモデルでこなせるとしており、単なる動画生成の枠を超えた「視覚的知能」の基盤を目指しています。
段階的な提供と激しい競争
提供は段階的に進みます。まず「FLUX 3 Video」が早期アクセスで公開され、画像生成や動作予測の機能は今後数週間のうちに追加される予定です。同社の社内評価では、競合のランウェイ「Gen 4.5」との比較で77%、ルマの「Ray 3.2」との比較で93%の割合でFLUX 3が好まれたとしており、生成AIの競争が一段と激しさを増しています。
日本への影響
高品質な動画・音声生成AIの登場は、日本のコンテンツ産業や広告業界に大きな変化をもたらします。映像制作にかかる時間とコストを大幅に削れる可能性があり、電通やサイバーエージェントといった広告・制作分野の企業にとっては、新たな制作手法として活用の幅が広がります。個人のクリエイターやYouTuberにとっても、短い動画を手軽に作れる道具として関心を集めそうです。
一方で、精巧な偽動画（ディープフェイク）が容易に作れるようになる懸念も無視できません。音声まで自然に同期する映像が広まれば、なりすましや誤情報の拡散といったリスクが高まるため、日本でもコンテンツの真偽を見極める力が一段と求められます。また、多言語のセリフ生成に対応することから、日本語コンテンツの海外展開が加速する可能性もあります。日本の読者としては、こうした生成AIの進化がもたらす利便性と危うさの両面を理解し、目にする映像を鵜呑みにしない姿勢を持つことが大切だといえます。
まとめ：AIが動画も音声も一体で生み出す時代が近づいています。便利さの裏にある偽情報のリスクにも、私たち一人ひとりが目を向けていく必要があります。
出典:
GlobeNewswire – Black Forest Labs Unveils FLUX 3
Yahoo Finance – Black Forest Labs Unveils FLUX 3
Photo: Google DeepMind / Unsplash
