グーグルは、ジェミニのチャットボットを新しいAI画像モデルで強化し、ユーザーが写真編集をより細かく制御できるようにすると発表しました。これは、オープンAIの人気画像ツールに追いつき、ChatGPTからユーザーを引きつけることを目的としています。
このアップデートは「ジェミニ2.5フラッシュイメージ」と呼ばれ、火曜日からジェミニアプリのすべてのユーザー、およびジェミニAPI、グーグルAIスタジオ、Vertex AIプラットフォームを通じて開発者に提供されます。
ジェミニの新しいAI画像モデルは、ユーザーの自然言語リクエストに基づいて画像をより正確に編集し、顔や動物、その他の詳細の一貫性を保持するよう設計されています。これは、多くの競合ツールが苦労している点です。たとえば、ChatGPTやxAIのGrokに写真の中のシャツの色を変えるよう依頼すると、顔が歪んだり背景が変わったりすることがあります。
グーグルの新しいツールはすでに注目を集めています。最近、ソーシャルメディアのユーザーは、クラウドソース評価プラットフォームLMArenaで印象的なAI画像エディタについて熱狂しています。このモデルは「ナノバナナ」という仮名で匿名でユーザーに公開されました。
グーグルは、このモデルがジェミニ2.5フラッシュAIモデルのネイティブ画像機能であると述べ、LMArenaや他のベンチマークで最先端であるとしています。
グーグルディープマインドのビジュアル生成モデルのプロダクトリード、ニコール・ブリクトバ氏は、「視覚的な品質を向上させ、モデルの指示に従う能力を強化しています」と述べています。「このアップデートは、編集をよりシームレスに行い、モデルの出力がさまざまな用途に使用可能であることを強調しています」とブリクトバ氏は述べました。
AI画像モデルは大手技術企業にとって重要な戦場となっています。オープンAIが3月にGPT-4oのネイティブ画像生成機能を発表した際、スタジオジブリ風のAI生成ミームが話題となり、ChatGPTの使用が急増しました。
オープンAIやグーグルに追いつくために、Metaは先週、スタートアップMidjourneyからAI画像モデルをライセンスすることを発表しました。一方、a16zが支援するドイツのユニコーン企業ブラックフォレストラボは、そのFLUX AI画像モデルでベンチマークを続けています。
ジェミニの印象的なAI画像エディタは、グーグルがオープンAIとの差を埋めるのに役立つかもしれません。ChatGPTは現在、毎週7億人以上のユーザーを記録しています。グーグルの7月の決算発表で、同社のCEOサンダー・ピチャイ氏は、ジェミニが月間4億5,000万人のユーザーを持つと明らかにしました。
ブリクトバ氏は、グーグルが特に消費者の使用例を念頭に置いて画像モデルを設計したと述べています。たとえば、ユーザーが自宅や庭のプロジェクトを視覚化するのを助けることを目的としています。このモデルは「世界知識」を持ち、複数の参照を単一のプロンプトで組み合わせることができます。たとえば、ソファの画像、リビングルームの写真、カラーパレットを一つの統一されたレンダリングに合成することが可能です。
ジェミニの新しいAI画像ジェネレータは、ユーザーがリアルな画像を作成・編集しやすくする一方で、ユーザーが作成できる内容を制限するセーフガードを備えています。グーグルは過去にAI画像ジェネレータのセーフガードで苦労しており、一時はジェミニが歴史的に不正確な人々の画像を生成したことを謝罪し、AI画像ジェネレータを全面的に撤回しました。
現在、グーグルはより良いバランスを見つけたと感じています。「ユーザーにクリエイティブなコントロールを提供し、モデルから望むものを得られるようにしたい」とブリクトバ氏は述べています。「しかし、何でもありというわけではありません。」
グーグルの利用規約の生成AIセクションは、ユーザーが「同意のない親密な画像」を生成することを禁止しています。これに対し、Grokではセレブリティに似たAI生成の露骨な画像を作成することが許可されているようです。
ディープフェイク画像の増加に対処するため、グーグルはAI生成画像に視覚的な透かしを適用し、メタデータに識別子を含めています。しかし、ソーシャルメディアで画像をスクロールしている人は、そのような識別子を探さないかもしれません。
