画像・動画・音声

FastVideoチームによる音声付き動画生成モデル「FastH3 V2」のFP8およびNVFP4量子化版2種について、特徴、動作環境、導入手順を詳しく解説します。

テキストから同期した音声付き動画をわずか8ステップで生成できる小型化モデル「FastH3 Trim」のBF16、NVFP4、FP8の各量子化版のスペックや導入方法を解説します。

GoogleのGemma 4 E4Bをベースにした音声処理向け大規模言語モデル「google/DiarizationLM-Gemma-4-E4B-v1」のスペックや推論手順を解説します。

NVIDIAが公開した「PixelUMM」は、テキスト・画像・動画の理解と生成を単一モデルで行うマルチモーダルモデルです。外部の視覚エンコーダを使わないエンコーダフリー構造の特徴や仕様、入手方法を解説します。

トルコ語の音声合成（TTS）および音声認識（ASR）モデルの訓練を目的とした、合計3,451時間の合成音声データセット「alania-synthetic-speech-tr」の概要と入手方法を解説します。

FermionResearchが公開したオープンウェイトの英語音声認識モデル「Phonon-2」のスペックや推論速度、導入方法を解説します。

Lightricksが動画生成モデルLTX-2.5向けに、SDR動画をHDR動画へ変換するIC-LoRAアダプタ「LTX-2.5-22b-IC-LoRA-SDR-To-HDR」を公開しました。

Lightricksから動画修復やカラー化に対応した動画to動画向けIC-LoRAモデル「Lightricks/LTX-2.5-22b-IC-LoRA-Restore」が公開されました。ベースモデルのスペックや利用方法を解説します。

Qwen-Image-2.1ベースのカメラアングル操作LoRA「QI_2.1_AnyAngle」のスペック、ワークフロー、特徴を解説します。

Wan2.1-T2V-14Bベースの動画生成を少ステップ化するLoRAアダプター「LongLive-Plug-Wan2.1-T2V-14B-few-step」の概要や特徴を解説します。