技術

Qwen3-TTS、Chatterbox、Kokoro、IndexTTS-2を一つのGUIに統合したローカルファーストのボイスクローン＆TTS＆オーディオブック作成アプリ。FastAPIバックエンド＋Flutter UI＋MCPサーバーの構成。

Load Image経由のUpscaleで画像が崩壊する問題を、テンソルのnon-contiguous対策で修正した記録。2026-04-29にComfyUI更新で上書きされて再発したのでPyTorch側の上流issueと再発の経緯も追記。

Aratakoが公開したMioTTS。独自コーデックMioCodecからフルスクラッチ開発された0.1B〜2.6Bの日英対応TTSモデル群。llama.cppやOllamaでそのまま動く設計が特徴的。

Mac Studio M1 Max 64GBでIllustrious-XLのLoRA学習に13回挑んで全敗。Antigravity、Claude、Geminiなど複数AIエージェントの力を借りて原因を特定し、RunPod RTX 4090で最終的に成功した全記録。致命的だった3パラメータとsd-scripts直叩きの罠。

Meta AI Researchが公開したActionMeshを調査。動画を入力するとBlenderやUnityで使える.glb形式のアニメーション付き3Dメッシュが出力される。入力制限や実行環境、AI動画生成との組み合わせなど実用面を整理した。

GitHub で1,500スターを超えた claude-code-best-practice リポジトリを深掘り。CLAUDE.md の書き方、Command→Agent→Skills の3層アーキテクチャ、Hooks による通知、RPI ワークフローなど、開発現場で使えるノウハウを整理した。

Liquid AIのLFM2.5は、短距離畳み込みとAttentionのハイブリッドで、SSMを使わずにエッジ最適化を実現した。アーキテクチャの仕組み、ベンチマーク、コミュニティ活用例をまとめた。

ByteDanceのSeedance 2.0がDreaminaで公開された。ローカルでWan 2.xやComfyUIを触ってきた視点から、クラウド動画生成サービスとの楽さの違いを考えた。

ComfyUIが公開した「The Complete AI Upscaling Handbook」の要点をまとめた。保守的・創造的アップスケーリングの違い、用途別のモデル選び、画像・動画それぞれのベンチマークまで網羅。

Alibaba Qwenチームが公開したQwen3-TTSの技術解説。pip install一発でセットアップ完了、3秒のボイスクローン、自然言語での声デザイン、日本語含む10言語対応。Apache 2.0ライセンス。

FLUX.1-devを4K生成に特化させたUltraFlux-v1の技術詳細。Z-ImageやFLUX.2 Kleinとのアプローチの違い、独自のRoPE拡張やVAE改良、実用面での注意点をまとめた。

Alibabaが公開したQwen3-Omni-30B-A3Bの技術解説。30Bパラメータ中3Bのみアクティベートするオムニモーダルモデルで、テキスト・画像・音声・動画の入力から音声付きで応答する。Thinker-Talkerアーキテクチャ、ベンチマーク、Qwen3 MoEファミリーの全体像を整理した。