2026年7月7日（現地時間）、Meta は、新たなメディア生成モデルである「Muse Image」の提供開始と、「Muse Video」のプレビュー版を発表しました。
「Muse Image」は、同社におけるこれまでで最も高度な画像生成モデルと位置付けられています。プロンプト（指示）に対する高い忠実度、精度の高い画像編集機能、複数の参照画像を用いた合成能力を備えており、Instagramとの連携によるソーシャルコンテキストの活用も可能です。さらに、プログラミングや検索といったツールを自律的に使用する「エージェント機能」を持ち、「Muse Spark」との統合も行われています。
一方、「Muse Video」はMuse Imageと同じ事前学習ベースで構築されており、ネイティブな音声サポートとともに高品質な映像表現が可能です。
目次
次世代画像生成モデル「Muse Image」の特徴
エージェントとして機能する画像生成モデル
Muse Imageの最大の特徴は、テキストを直接画像に変換するだけの従来のモデルとは異なり、「エージェント」として機能する点にあります。精度の向上のためにウェブ検索やコーディングツールを呼び出し、生成された画像を自己評価・修正することが可能です。
また、推論時の計算量（テストタイム・コンピュート）を増やすことで品質が向上する特性を持ちます。加えて、Muse Sparkと連携することでツールを共有し、より複雑なメディア生成のための共同計画を行うこともできます。
ツール使用の能力
Muse Imageは、強化学習（RL）の過程において、グラフやQRコードを正確に生成するためのコードを書き、それを実行することを学習しています。これにより、レンダリングされた図を条件として用いることで、画像生成の精度を向上させています。
また、Muse Sparkと統合することで、コード生成とメディア生成を組み合わせ、アニメーションGIF、画像が埋め込まれたウェブサイト、インタラクティブなビジュアルゲームなどを作成することが可能になっています。
日本語訳
日本語訳
日本語訳
日本語訳
リアルタイム情報に基づく検索機能
Muse Imageは、生成する画像を事実や最新の情報、視覚的なリファレンスに基づかせるためにウェブ検索を利用します。これにより、時事問題や現実世界の事実に関連するような、知識を必要とするプロンプトに対する事実の正確性が向上します。
日本語訳
日本語訳
日本語訳
日本語訳
自己評価と修正（Self-Refinement）
生成の過程（思考の連鎖）において、モデル自身が作業結果を振り返り、改善を行う機能が備わっています。細部が不自然な場合は現在のドラフトに対して部分的な編集を行い、全体的にズレがある場合はゼロから再生成を試みるなど、状況に応じた修正を行います。
また、より正確な生成のためにツールを使用するといった別のアプローチに切り替えることもあります。興味深い点として、この振る舞いは意図的に設計されたものではなく、自己修正を行うことでより高い報酬（評価）が得られるという強化学習の過程で自然に創発されたものだと報告されています。
日本語訳
日本語訳
日本語訳
推論時の計算量スケーリング
大規模言語モデルと同様に、Muse Imageは推論時により多くの処理時間をかける（計算量を増やす）ことで、出力品質が向上します。計算量が増えるにつれて、推論の深化、ツール呼び出しの増加、そして自己修正ステップの増加が見られます。
以下の画像では、推論の強度を上げることにより、人間の好みを反映したElo（イロ）レーティングが向上し、対数線形に近いスケーリング関係が示されています。推論用のテキストトークンと生成用の視覚トークンという異なる種類の処理が行われますが、最終的な品質は総合的な計算量に依存することがわかっています。
高度な画像編集と合成機能
精緻な画像編集
ユーザーの指示に従い、特定の要素のみを正確に変更する部分的な画像編集が可能です。編集を複数回繰り返しても全体の一貫性が保たれるため、目標とする結果に向けて対話的かつ反復的にアイデアを形にしていくことができます。
Here is my living room input image Can you imagine it in Japandi style?
I like this image but please use the lamp and the cabinet under it from the first image.
Great. Can you make a before-after picture of my first image and the last one?
複数の参照画像を用いた合成
人物、物体、衣服、スタイル、環境など、プロンプト内に入力された複数の参照画像要素を組み合わせて1つの画像を作成することができます。
テキストと画像の指示をインラインで混在させることで、より複雑な構図や表現に対応します。
ベンチマーク評価
執筆時点でのArenaリーダーボードにおいて、Muse Imageはテキストからの画像生成（Text-to-image）、単一画像編集、複数画像編集の各カテゴリで、人間の好みに基づくEloレーティングで2位を獲得しています。
Muse Videoのプレビュー
Muse Imageのリリースと併せて、「Muse Video」の早期プレビューが公開されました。この動画生成モデルは、プロンプトの遵守、視覚的品質、および時間的な一貫性において高いパフォーマンスを示しています。現在は、音声と映像の同期や物理的に正確な高速な動きなど、残された課題の解決に向けた投資が続けられているとのことです。
なお、Arenaにおけるテキストからの動画生成（Text-to-video）のEloレーティングでは、執筆時点で3位にランクインしています。
電子透かし「Content Seal」による透明性の確保
生成されたコンテンツがAIによるものかどうかを判別しやすくするため、Muse Imageには不可視の電子透かしシステム「Content Seal」が組み込まれています。Meta AIアプリやウェブサイト上で生成された画像には、切り抜きや圧縮、サイズ変更、スクリーンショットを行っても保持される出所情報が付与されます。この技術は今後動画にも拡張される予定です。
また、画像がMeta AIで作成されたものかを確認できる検出ツールのプレビュー版も提供されています。
Meta製品エコシステムとの連携
Muse Imageは、Metaが提供する各種製品と深く連携しています。Meta AIのソーシャルツールと組み合わせることで、友人と共同で画像を作成したり、自身のInstagramの写真を新しいスタイルで再構築したりすることが可能です。
画像および動画生成分野への継続的な開発は、今後さらに多くのクリエイターや企業が動的なコンテンツを生成する環境を後押しするものと見られます。
利用について
現在、Muse Imageは米国のInstagram Stories、一部の国のWhatsApp、およびMeta AIアプリやmeta.aiで利用可能となっており、近日中にFacebookへの展開も予定されています。
Muse Videoについても、クリエイターおよびMeta AI向けに近日中の提供が予定されています。
