画像・動画・音声

「tiny-voca」英語の音声合成モデル:必要VRAM 4GB〜・配布ファイル一覧

n4ze3m氏が公開した4.5Mパラメータの超軽量英語テキスト読み上げモデル「tiny-voca」のスペックや推論手順を解説します。

エンジン・ツール

Diffusers 0.43.0公開:MiniMax-H3-ImageやPAN 2など5モデル追加

huggingface/diffusers 0.43.0がリリース。MiniMax-H3-Image、Pika H3 Flex、P-H3-Image、Kandinsky S2V、PAN 2の5モデルが追加され、依存関係の要件や破壊的変 ...

新モデル

NVIDIA、物理世界での異常検知とビデオ検索に特化した「InternVideo2-CLIP-anomaly-dete…

NVIDIAが公開した「InternVideo2-CLIP-anomaly-detection」は、テキストによるビデオ検索や異常検知を目的とした約3.7億パラメータのモデルです。物理世界におけるイベント検索やTAOツールキットによる ...

エンジン・ツール

ComfyUI v0.42.0公開:MOSS-image対応とQwen 3.xの高速化

ComfyUI v0.42.0がリリース。MOSS-imageモデルのサポート追加やQwen 3.xの推論パフォーマンス改善、CPU実行時の量子化形式の制限などの変更点をお伝えします。

画像・動画・音声

「ARDY-SOMA-RP-30FPS-KimodoRep-Horizon60」人間動作生成モデル:配布ファイル一覧

NVIDIAが自己回帰型拡散モデルによる人間動作生成モデル「ARDY」の新しいバリアントを公開。30 fpsのポーズシーケンス生成に対応。

エンジン・ツール

ComfyUI v0.40.0公開:ネイティブLoRAスタックとQwen 3.5最適化

ComfyUI v0.40.0が公開。待望のネイティブLoRAスタックローダーノードの追加や、Qwen 3.5 LLMの低VRAM環境でのパフォーマンス改善、パートナーノードの拡充など主な変更点を解説。