Sand.ai (SandAI-org)/2026-08
音声と映像を同じモデルで同時に生成する、Sand.aiのオープンソース大規模動画生成モデルのプレビュー版。
MAGI-2-previewは、テキストや1枚の静止画から10秒間の動画を作りながら、その動画にぴったり合った音(声・効果音・環境音)まで同時に生成できるオープンソースのAIモデルです。動画と音声を別々のツールで作って後から合わせる、という従来の面倒な工程が要らなくなるのが最大の特徴です。モデル全体は1140億パラメータという巨大な規模ですが、実際の計算に使うのは一部(60億パラメータ)だけという『必要な部分だけ動かす』設計(MoE=専門家混合方式)で、無駄な計算を省いています。広告制作の現場では、商品カットの動画と、それに合ったナレーションや環境音を一括生成し、絵コンテからラフな試作動画をスピーディーに作る、といった使い方が考えられます。まだ『プレビュー』段階の研究公開なので、すぐに製品品質というよりは、次に来る動画生成の方向性を先取りして試せる技術として押さえておく価値があります。
MAGI-2は、動画・音声・テキストをすべて同じ『トークン』という単位の列として扱い、ひとつのAIモデルの中で一緒に処理します。生成は2段階方式で、まず低い解像度でざっくりした動画と音を100ステップかけて作り(preview段階)、そのあと画質を1080pまで一気に引き上げる仕上げ処理をわずか5ステップで行います(refiner段階)。ラフスケッチを描いてから清書する、二段構えの作り方に近いイメージです。 これまでの動画生成AIの多くは、映像だけを作るモデルと音声(音楽・効果音・声)を作るモデルが別々で、あとから人力やソフトで同期を合わせる必要がありました。MAGI-2は最初から映像と音声を同じモデルの中で一緒に作るため、口の動きと声、足音と歩くタイミングなどが自然にずれにくくなります。 重みとコードはApache 2.0ライセンスで無料公開されており、GitHub(SandAI-org/MAGI-2-preview)から入手できます。ただし実行にはNVIDIAの最新GPU(Hopper世代)を8枚、80GB級のVRAMを想定した本格的なサーバー環境が前提で、モデルデータだけで約307GBあります。個人のPCでは動かせず、クラウドGPUを借りるか、Sand.ai社が提供するAPI(platform.sand.ai)経由で使うのが現実的です。
重み・コードともにApache 2.0で商用利用可。中間研究リリースと明記されている
同社の前世代モデル。自己回帰方式で理論上無限長の動画生成が可能
同時期に公開された競合のオープンウェイト音声付き動画生成モデル