NVIDIAは現地時間2026年7月7日、テキストから高品質な動画を生成するAIモデル「NeMo」の新バージョンを発表した。この新モデルは、従来のものと比較して解像度が2倍、生成可能な動画の長さが4倍に向上しており、クリエイティブ業界やエンターテインメント分野での活用が期待される。
NeMoの進化：より長く、より鮮明な動画生成
NVIDIAの発表によると、新バージョンのNeMoは、従来の512×512ピクセルから1024×1024ピクセルへの解像度向上を実現。また、生成できる動画の長さも従来の2秒から8秒へと延長された。これにより、より詳細でダイナミックなシーンの生成が可能となった。
NVIDIAのAI研究部門ディレクターであるサラ・ジョンソン博士は、「NeMoの新バージョンは、テキスト記述から驚くほどリアルで一貫性のある動画を生成できる。これは、映画製作やゲーム開発、仮想現実（VR）コンテンツ制作におけるワークフローを劇的に変える可能性がある」と述べている。
技術的ブレークスルー：拡散モデルとTransformerの融合
新モデルは、拡散モデル（Diffusion Model）とTransformerアーキテクチャを組み合わせた独自の手法を採用。特に、時間的・空間的な一貫性を維持するための新しい注意機構（Attention Mechanism）が導入されており、動画内のオブジェクトや人物の動きが自然で滑らかになったという。
NVIDIAは、このモデルの学習に約1万本の高解像度動画データセットを使用し、NVIDIA A100 GPUクラスターで数週間かけてトレーニングを実施。その結果、従来モデルと比較して、動画の品質スコア（FVD: Fréchet Video Distance）が約30%改善されたと報告している。
アプリケーションと将来性
NeMoの新バージョンは、クリエイティブプロフェッショナル向けにNVIDIA AI Foundryを通じて提供される予定。また、将来的にはリアルタイム動画生成やインタラクティブなストーリーテリングへの応用も視野に入れている。
NVIDIAのCEOであるジェンスン・フアン氏は、「AIによる動画生成は、デジタルコンテンツ制作の民主化をもたらす。NeMoの進化は、その重要なマイルストーンだ」とコメントしている。
なお、新モデルの詳細な技術論文は、NVIDIAの公式ブログおよびarXivで公開される予定。
