米Metaは7月7日、Meta Superintelligence Labsが開発した初のメディア生成モデルとして、画像生成モデル「Muse Image」と動画生成モデル「Muse Video」を発表しました。Muse Imageは同日から提供を開始し、Muse Videoはプレビュー版として公開されました。
Metaによると、Muse Imageは同社で最も高度な画像生成モデルで、指示への忠実な追従、精密な画像編集、複数の参照画像を組み合わせた生成に対応します。Instagram上の情報も活用し、ソーシャル上の文脈を踏まえた画像生成ができる点も特徴です。
Introducing Muse Image and Muse Video, the first media generation models developed by Meta Superintelligence Labs.
— AI at Meta (@AIatMeta) July 7, 2026
Muse Image is our most advanced image generation model yet. It follows instructions faithfully, edits with precision, composes from multiple references, and draws… pic.twitter.com/byNpQZO1RW
Muse Imageは、単に入力されたプロンプトを画像に変換するのではなく、エージェントのように動作します。検索ツールやコーディングツールを呼び出し、生成内容の正確性を高めたり、自ら生成結果を見直して改善したりします。たとえば、コードを実行して正確なグラフやQRコードを作成し、それを画像生成に反映できます。Web検索を使うことで、現在の出来事や実在する情報を含むプロンプトでも、事実に基づいた表現を行いやすくなるということです。
また、Muse ImageはMuse Sparkと連携し、両モデルがツールを共有しながら共同で計画を立てることも可能です。これにより、アニメーションGIF、画像を埋め込んだWebサイト、インタラクティブなビジュアルゲームなど、画像生成にとどまらないメディア制作にも対応します。
画像編集では、ユーザーが指定した部分だけを変更する精密な編集に強みがあります。霧を取り除いて背景を見せる、花びらを虹色に変える、看板内の文字や電話番号を差し替えるといった編集例が示されました。複数回にわたる編集指示でも一貫性を維持し、段階的な修正や複雑な構図の作成にも使えるとしています。
ベンチマークでは、Muse Imageは執筆時点でArenaの人間選好Eloランキングにおいて、テキストから画像生成、単一画像編集、複数画像編集の各分野で2位に位置しています。
Muse Videoは同じ事前学習基盤をもとに構築され、映像の品質や時間的一貫性に加え、ネイティブ音声に対応する動画生成モデルです。テキストから動画生成のArenaランキングでは3位に入っています。一方、Metaは音声と映像の同期や高速な動きの物理的な正確性には改善余地があると説明しました。
Muse ImageはMeta AIアプリ、meta.ai、米国のInstagram Stories、限定された国のWhatsAppで利用できます。Facebookへの対応も近日中に予定されています。Muse Videoは今後、クリエイター向けおよびMeta AIで提供される予定です。さらにMuse Imageには、AI生成画像かどうかを確認しやすくする不可視ウォーターマーク「Content Seal」が搭載されており、Metaは今後、この仕組みを動画にも拡張する方針です。