RTX 5090ローカルで、キャラが崩れないフルコーラスAI MVを1本作った全工程
クラウドの月額サービスを使わず、自宅のGPU 1台だけで、同じキャラクターが最初から最後まで崩れずに歌うフルコーラスのMVを作った。この記事では、その全工程を「地図」として最初から最後まで公開する。 各工程の細かい設定値や、実際にやらかした失敗の回避策までは書ききれないので、それは別途まとめている（末尾）。この記事は「何を、どの順でやるのか」の全体像だ。 ! この記事の作例・スクリーンショットはAI生成です。扱うのは架空の成人キャラクターの制作のみで、実在人物の模倣は行っていません。 できたもの 1人の同じキャラが、曲の頭から終わりまで顔も体型も服も崩れずに登場する 歌詞に合わせ...
出典: Zenn AI（配信元の紹介文より引用）
このニュースの全文は、配信元でお読みいただけます。 Zenn AIで元記事を読む →
編集部の実践記録から
採点の仕組みが作れない業務でも、AIを自社向けに鍛えられるのか？ 1本52分・3ドル未満の実測
自動採点の仕組みが用意できない業務でも、指示と正解の組だけで推論AIモデルを自社向けに調整できるか。研究チームは、GPU1枚・平均52分・1件あたり3米ドル未満で調整を終え、Rustコード生成で平均+7.0ポイントの向上と推論能力の維持を同時に達成したと報告しました。中小企業にとっての意味を整理します。
続きを読む →
学習データを71%捨てても精度は落ちないのか？場所認識AIの実測で見る「データ選別」の費用対効果
AIの精度はデータ量で決まる、という前提を疑う実測が出ました。画像による場所認識AIの学習で、データを71%削減しても精度は維持され、総学習時間は19.152時間から4.825時間へ74.8%削減。データを増やす前に選別する工程を挟む、という予算配分の話として読めます。ただし対象は特定タスクに限られます。
続きを読む →
AIの評価軸を「正答率」から「越えてはいけない線」に変えられるか——医療AI検査ベンチマーク100件の設計
臨床医1名が作った医療AI安全性ベンチマーク「MedFailBench」は、合成症例100件を6種類の失敗ゲートと5段階の重大度で分類した。正解率ではなく「どの安全境界が破られたか」で測る設計思想は、中小企業の社内AI評価表にそのまま応用できる。ただし実験規模は極端に小さく、論文自身が限界を並べている。
続きを読む →