XGEN-JING Flashが公開。MiniMax-H3 を基にした第一人称の動画と音声を生成する。
この記事のポイント
- MiniMax-H3基盤の等身大モデル
- HuggingFaceからファイル自動DL
- 6H100で動作確認済み
どこで使えるか
第一人称の動画と音声を生成したい人向け。H100が6枚必要で、ファイル自動DLで手間が少ない Hugging Faceで公開済み 6H100必要。FlashAttention-4必須
スポンサーリンク
解説
かみくだいて説明します
XGENlabs が 2026年9月16日、自分視点の動画と音声を生成する対話型モデル XGEN-JING を公開しました。操作の指示、参考画像、これまでの観察履歴を入力すると、ナビゲーションや物の操作、会話のシーンが一人称で作れます。
自分が見ているような映像と音声が作れるんですね。では、実際に動かす側から見ると、どのくらいの計算資源が必要になるんですか?
検証環境では H100 というグラフィックスプロセッシングユニットを 6枚使っています。テキストを処理する部分が 1枚、動画と音声のエンコーダーが 1枚、残りの 4枚で主たる生成を行います。FlashAttention-4 という高速化の技術をデフォルトで使います。
6枚の GPU を並べて動かすわけですね。では、高速化の技術と主たる生成の部分という言葉がありましたが、そこがまだ掴めません。もう少しやさしく言うとどうなりますか?
分かりやすく言うと、主たる生成の部分は映像の骨組みを組み立てる設計図のようなものです。高速化の技術は、その設計図を読み込む速度を上げる仕組みで、同じ量を処理するにしても必要な時間を大幅に削れます。
設計図を速く読み込むことで、生成までの待ち時間が短くなるという理解で正しいですか。研究している人から見ると、これまでにない新しい点はどこにあるんですか?
従来のモデルは映像だけか音声だけか、どちらか一方を出力するのが普通でした。JING は両方を同時に、しかも相手の動作や参考画像に合わせて双方向で生成します。ただし、原因と結果を厳密に追跡するモデルと、詳しい技術報告書はまだ公開されていません。
映像と音声を同時に、しかも双方向で生成するんですか。では、AI を自分の業務で使っている側からすると、このモデルのどこが実用的になるんですか?
参考画像に自分の作業場の写真や、操作したい物の画像を登録すれば、実際の動きに合わせた映像と音声が作れます。ナビゲーションから物の扱い、会話を一つのモデルで賄えるため、複数のツールを組み合わせる手間が省けます。
複数のツールを一つにまとめられるんですね。では、動かす側がまず手をつける場所はどこになるんですか。
公開されているデモは Python 3.12 と CUDA 環境、そして SGLang という推論フレームワークの特定のバージョンを別途入れる必要があります。環境構築のハードルはありますが、動作確認が取れた構成は公式に明記されています。
環境構築の手間はかかりますが、公式の構成表があるから安心ですね。最後に、今後どのような展開が予想されるんですか。
技術報告書と因果モデルが近日公開されます。まずは映像と音声の生成品質がどの程度上がるか、そして実務への組み込みがどれだけ簡素化されるかが焦点です。
出典
この記事のもとになった情報
- Hugging Face:XGENlabs/XGEN-JING
- 公開日:2026-09-16
※ 本文と音声は生成 AI が作成しています。内容は出典をご確認ください。
本作品のキャラクターには株式会社Live2Dの著作物であるサンプルデータが株式会社Live2Dの定める規約に従って用いられています。本作品は制作者の完全な自己の裁量で制作されています。このキャラクターモデルは株式会社Live2Dより許諾を得て商用利用しています。