OpenMOSS、50億パラメータの画像生成モデル「MOSS-Image」をオープンソース公開
OpenMOSS は 50 億パラメータの軽量画像生成モデル「MOSS-Image」を公開した。境界ボックスによる構図制御や正確な文字描画に対応し、Transformer 部分は約 10GB で民生用 GPU でも動作する。ただし現状はテキスト生成のみで、自然言語による画像編集には非対応だ。
OpenMOSS
OpenMOSS、11Bのリアルタイム動画理解モデル「MOSS-VL-Realtime」を公開
OpenMOSSは、ストリーミング動画をリアルタイムに処理できる11Bパラメータのモデル「MOSS-VL-Realtime」をオープンソース公開した。動画全体を読み込んでから回答する従来型と違い、フレーム単位で並行処理し、任意のタイミングでの割り込み質問や情報不足時の沈黙に対応する。
MOSS-TTS公開：数秒の音声で声複製、対話やリアルタイムに対応
OpenMOSSが多言語音声モデル群「MOSS-TTS」をオープンソースで公開した。わずか数秒の音声から高精度に声色を複製でき、長文の複数人対話や超低遅延リアルタイム音声にも対応。8Bと1.7Bのモデルが提供され、GitHubで展開手順が案内されている。
OpenMOSSが「MOVA」をオープンソース公開：音声と動画を同時に生成する32B MoEモデル
OpenMOSSは映像と同期した音声を単一モデルでネイティブ生成する「MOVA」をオープンソースで公開した。総パラメータ320億のMoE構成で実行時に180億が活性化し、自然なリップシンクにも対応する。GitHubでコードと重みが提供されているが、720p版は約77GBあり高スペックなGPUが必要となる。