DreamX-Creator——単一GPUでのネイティブ音声・映像生成という賭け

ネイティブなマルチメディア生成が依然として巨大なインフラを要求するなか——220億パラメータのLTX-2.3や330億のMiniMax-H3といったオープンウェイト級のモデルがその代表だ——、DreamX-Creatorに関する論文が2026年8月31日にarXivへ投稿された（arXiv:2608.31106）。公式リポジトリは9月1日に作成され、Apache 2.0ライセンスで公開されている。このプロジェクトは、70億パラメータの音声・映像同時生成器に、リポジトリの文書が50億とする自己回帰型の精緻化モジュールを組み合わせる。重みはgitリポジトリには含まれず、Hugging Faceで配布されている（リポジトリはModelScopeへのアップロードにも言及）。推論コードは変更履歴によれば2026年9月3日に公開された。アーキテクチャはネットワークの前半で音声と映像の処理を分離し、その後ゲート制御のクロスアテンションで結合する。著者らはこのシステムを「三つの特性すべてを兼ね備えた最小のモデル」と位置づける。すなわち自由にダウンロードできる重み、ネイティブな音声・映像生成、そして2K解像度への対応である。

論文が示すデータによれば、2Kの出力は蒸留の手続きによって実現され、処理は時間ブロックごとに一度のデノイジング評価にまで削減される。著者ら自身が実施したVerse-Benchのテストでは——自己申告のスコアであり、現時点で独立した再現はない——、70億の基本版が映像品質0.6568、非同期指標0.1902を記録し、LTX-2.3とMiniMax-H3を上回った。ただし音声の忠実度では後れを取り、品質スコアは6.3519で、より大きな対抗馬の6.7169と7.0140に及ばない。内容の選好指標でも同様だ。著者ら自身が「音声の忠実度とモダリティ間の整合は依然として主要な改善課題である」と率直に認めている。

公表された数値の外側に目を向けると、方法論上の欠落がいくつも見えてくる。論文は生成クリップの最長時間、毎秒フレーム数、実際の計算時間といった基本的な技術パラメータを明示せず、VBenchベンチマークに言及しながらその結果を報告していない。対象ハードウェアに必要な正確なメモリ量の記載もない。追跡可能性と実際の普及にも不確かさが残る。Hugging Faceの公式モデルページには完全なメタデータもダウンロード数もなく、このシステムは第三者の推論事業者からも利用できない。さらに、GitHubリポジトリの略称と企業グループAmapとの関係は、現時点で同社の公式ページに正式な裏づけがない。

今回の公開の核心は、リポジトリが明言する単一GPUでの推論対応にある。スコアの独立した再現がない以上、実際の毎秒フレーム数、クリップの最長時間、普及の統計は未検証のままだ。一方で開発者が示したロードマップには、遅延を減らすためにサンプリング回数を抑えた蒸留版が予定されている。 — Olya