LongCat-Video登場：Meituanが統一動画生成モデルを発表、分単位の動画の限界に挑戦

Meituanが発表した最新のAI動画生成モデル、LongCat-Videoをご覧ください。これは、テキストから動画へ、画像から動画へなど、さまざまなタスクを処理できる統一されたフレームワークであるだけでなく、最大数分間の高品質な動画の生成にも優れており、「ワールドモデル」への重要な一歩を踏み出しています。

AI動画生成の競争は最近ますます激しくなっています。OpenAI SoraやKuaishou Klingが実証した驚くべき効果にまだ驚いている間に、別の有力なプレーヤーが独自の技術で競争に加わりました。

それが、Meituanチームが発表した統一された基本動画生成モデルであるLongCat-Videoです。

また別のAI動画ツールか、と思うかもしれません。何か特別なことがあるのでしょうか？正直なところ、現在のAI動画生成の核心的な問題点のいくつかを解決する上で、非常に魅力的なハイライトがいくつかあります。

単一の機能だけでなく、これは「オールインワン」の統一モデルです

多くのAIモデルは、「テキストから動画へ」や「画像から動画へ」など、単一のタスクに焦点を当てています。しかし、LongCat-Videoはより統合されたアプローチをとっています。複数の主流の動画生成タスクを1つのモデルに統合する統一されたアーキテクチャを採用しています。

これは、あなたが望むかどうかにかかわらず、次のことを意味します。

• テキストから動画へ： テキストの説明を入力して、対応する動画を生成します。
• 画像から動画へ： 静止画像を与えて、それを動かします。
• 動画の継続： 既存の動画を継続して、後続のコンテンツを生成します。

LongCat-Videoは、同じコアモデルですべてを処理できます。これは、たくさんの個別のツールではなく、動画作成用のスイスアーミーナイフを持っているようなもので、ワークフローを大幅に簡素化します。

真のハイライト：効率的に「分単位」の長い動画を生成する

これはおそらくLongCat-Videoの最もエキサイティングな機能です。

他のAI動画ツールで遊んだことがあるなら、数秒の短いクリップを生成するのは簡単ですが、数分間の長さで、一貫したコンテンツと安定した画質の動画を作成するのは大きな課題であることがわかるでしょう。多くのモデルは、時間が長くなると、画面のスタイルが大きく変わったり、色がずれたり、キャラクターが矛盾したりするなど、まるで物語の途中で主人公の顔を忘れてしまった語り手のような問題が発生します。

LongCat-Videoはこの問題を巧みに解決します。その秘密兵器は、モデルが事前トレーニング段階で「動画の継続」タスクに焦点を当てていることです。言い換えれば、最初から「物語のリレー」の達人になるように訓練されているのです。

このネイティブな継続機能により、長い動画を生成する際に、コンテンツの一貫性と品質の安定性をよりよく維持し、画面の崩壊やスタイルの混乱などの問題を回避できます。公式のデモンストレーションによると、品質を大幅に低下させることなく、最大数分間の動画を生成できます。

どのようにしてそれを実現したのか？その背後にある技術的な魔法を垣間見る

すごいと思いませんか？LongCat-Videoの高い効率と高品質は、主にいくつかの主要な技術の組み合わせによるものです。

• 粗から密への生成： この方法は非常に直感的で、画家が絵を描くように、まず下書きをしてから徐々に詳細を改善していきます。モデルはまず低解像度の動画プロトタイプを生成し、次に解像度と詳細を徐々に改善して、最終的に720p、30fpsの高品質動画を生成します。これにより、効率が向上するだけでなく、最終的な品質も保証されます。

• ブロックスパースアテンション： これは、計算効率を向上させるための巧妙な設計です。従来のアテンションメカニズムでは、AIが画面上のすべての情報を一度に処理するため、非常にリソースを消費します。一方、ブロックスパースアテンションを使用すると、AIは画面の最も重要な部分に「集中」し、無関係な領域をスキップできるため、スマートで省力化され、生成速度が大幅に向上します。

• マルチリワードRLHF： RLHF（人間からのフィードバックによる強化学習）については聞いたことがあるかもしれません。これは、モデルが人間の好みから学ぶようにするものです。LongCat-Videoはさらに一歩進んで、「マルチリワード」メカニズムを採用しています。これは、「似ているかどうか」だけでなく、画面の美しさ、アクションの流暢さ、物語の論理、テキストの説明との適合度など、複数の側面から動画の品質を判断することを意味します。これにより、最終的に生成される動画は、人間の美学と期待により合致したものになります。

生成だけでなく、「インタラクティブ」な動画作成も

LongCat-Videoは、インタラクティブな動画生成という非常に興味深い機能も実証しました。

これは、ユーザーが監督のように動画生成プロセスに介入し、新しい指示を与えることができることを意味します。たとえば、最初に「キッチンでパンを切る女の子」のシーンを生成し、次に動画を続けるときに、「彼女は牛乳を一杯注いだ」という新しい指示を入力すると、モデルはシームレスに次のアクションを生成します。

この機能により、クリエイターはもはや受動的な受信者ではなく、物語の方向性を積極的に導くことができる参加者となり、動画作成に前例のない自由度と想像力の余地をもたらします。

自分で試してみたい、またはもっと詳しく知りたいですか？

Meituanチームは、LongCat-Videoに関連するリソースを非常に寛大にオープンソース化しており、誰もがこの技術にアクセスできるようになっています。

• 公式サイト： https://meituan-longcat.github.io/LongCat-Video/
• GitHubコード： https://github.com/meituan-longcat/LongCat-Video
• Hugging Faceモデル： https://huggingface.co/meituan-longcat/LongCat-Video

興味のある開発者やクリエイターは、公式ページにアクセスして、さらに素晴らしいデモンストレーション動画を確認したり、GitHubやHugging Faceに直接アクセスして、モデルとコードをダウンロードして自分で体験したりすることができます。

「ワールドモデル」への小さな一歩

要約すると、LongCat-Videoは強力なAI動画生成ツールであるだけでなく、「統一されたアーキテクチャ」と「長い動画の生成」という2つの重要な方向で重要な進歩を遂げました。

公式には、「ワールドモデルへの第一歩」と位置付けられています。いわゆる「ワールドモデル」とは、現実世界の動作法則を理解し、シミュレートできるAIシステムを指します。そして、一貫した長いシーケンスの動画を生成できることは、世界の動的な変化をシミュレートするための基礎です。この観点から見ると、LongCat-Videoは確かに大きな可能性を示しており、AIの未来についてさらに多くの想像力をかき立ててくれます。