Tencent Hunyuan/2026-01
1枚の画像やテキストから、ユーザーの操作に24fpsでリアルタイム反応する“歩き回れる映像世界”を生成するオープンな世界モデル。
すごいのは、AIが生成した映像の中を、まるでゲームのようにその場で歩き回れること。従来のAI動画は一度書き出したら固定の映像だったが、HY-WorldPlayはユーザーが「右を向く」「前に進む」と入力するたびに、次の16フレームを即座に予測して映像を継ぎ足していく。しかも長く歩いても風景の位置関係が破綻しにくい(幾何的な一貫性)。広告・体験づくりでは、写真1枚から入場者が自由に探索できるバーチャル空間を素早く立ち上げたり、商品や世界観のイメージを「動いて確かめられる空間」として提示したりできる。ロケ地を撮らずにキービジュアルから没入型の体験デモを作る、といった企画段階のプロトタイピングが一気に速くなる。
仕組みはこうだ。AIに1枚の画像かテキストを渡すと、それを起点に「次の一瞬の映像」を少しずつ描き続ける。ポイントは、キーボードやマウスの操作を条件として受け取りながら、16フレームずつの短い塊を連続で生成し続ける「ストリーミング推論」という方式。Context Forcingという蒸留技術で過去に見た風景を記憶しながら描くため、振り返っても同じ景色が保たれる。 従来のAI動画生成は、プロンプトを入れて数十秒待ち、完成した固定の映像を受け取るものだった。そのため「見る」ことはできても「入り込んで操作する」ことはできなかった。HY-WorldPlayは生成と操作を同時に回すことで、実質的に遊べる(playable)世界を成立させた点が新しい。ゲームエンジンで作り込むのとは違い、素材や3Dモデルを用意せずに映像そのものから空間が立ち上がる。 使うにはNVIDIAのGPUとPython環境が要る。コードとWorldPlay-5Bの重みはGitHub・Hugging Faceで公開されており(テンセント独自のコミュニティライセンスで、一定規模までは商用利用可)、まず触ってみるならテンセント公式のWeb体験ページからブラウザで試せる。本格運用には高性能GPUが前提となる。
Tencent Hunyuan Community License。月間アクティブユーザー数の上限までは商用可、超える場合は別途ライセンスが必要
画像やテキストから数秒で3Dガウシアン空間を生成するフィードフォワード手法
テキスト/画像から歩き回れる3Dシーンを1コマンドで生成するOSSツール