← 返回首页

Meta Muse ImageとMuse Video：エージェント型メディア生成の解説

MetaによるMuse Imageのリリースは注目に値する。なぜなら、画像生成をエージェント型ワークフローとして再定義しているからだ。このモデルはツールを使用し、自身の出力を改善し、複数の参照元を扱い、Metaの広範なソーシャルエコシステムと連携できる。 Muse Videoはまだプレビュー段階だが、Metaが静的画像生成からより広範なマルチモーダルメディアスタックへと移行していることを示している。Muse Spark、Muse Image、Muse Videoの組み合わせは、AI生成コンテンツが計画、チェック、編集、そして製品全体にわたって配布される未来を指し示している。 クリエイター、マーケター、AI構築者にとって、重要な教訓は明らかだ：優れたメディア生成は、単一のプロンプトよりも、モデルを取り巻くシステムにかかっている。 **Muse Imageは、単なる別のAI画像生成器ではない。それは、視覚的な創造をエージェント駆動型ワークフローのように振る舞わせようとするMetaの試みである。**

发布于 2026年7月9日•general•GEO 评分: 0•7 次阅读
メタ・ミューズ・イメージミューズ・ビデオメタ超知能研究所エージェント型画像生成ミューズ・スパークメタAI画像生成ツールAI動画生成インスタグラムAIコンテンツシールAI画像編集複数参照画像生成

选择语言

العربيةDeutschEnglishEspañolFrançaisItaliano日本語한국어PortuguêsРусский中文
Meta Muse Image & Muse Videoのプロモーション画像。背景は濃い青色で、左側に青色の枠線で囲まれた画像アイコン、右側に青色の枠線で囲まれた再生アイコンが配置されている。中央に大きな文字で「Meta Muse Image & Muse Video」と表示され、その下に小さな文字で「Agentic AI Image and Video Models Explained」と書かれている。この画像は、Meta Muse ImageとMuse Videoの関連機能を紹介するドキュメントのコンテキストの前に置かれており、トピックを導入する役割を果たし、2つの製品の名称と関連分野を強調して示している。

Meta Muse Image と Muse Video：エージェント型メディア生成の解説

Meta MSL、Muse Image をリリースし Muse Video をプレビュー公開

Meta Superintelligence Labs は、Muse Spark に続き、新しいメディア生成モデルのペアを発表しました。現在ロールアウト中の Muse Image と、現在プレビュー公開中の Muse Video です。

Muse Image は、Meta 製品内でのテキストから画像への生成、画像編集、マルチリファレンス構成、およびソーシャルコンテキスト生成のために構築された Meta の画像生成モデルです。Muse Video は、同じ幅広いメディア生成の方向性でトレーニングされており、高忠実度のビデオ出力、プロンプトへの忠実性、時間的一貫性、およびネイティブオーディオサポート向けに設計されています。

画像はMeta Superintelligence Labsの責任者Jiahui Yu氏のツイートで、Muse ImageのリリースとMuse Videoのプレビューを発表している。ツイートでは、生成プロセスがよりインテリジェントで、面白く、強力になり、検索、エンコード、自己反省、ツールの呼び出しによる正確性の確保が可能になったと述べている。また、テキストと画像を交互に並べられるフリーフォーマットやマルチリファレンスにも対応。下部にはMuse Imageが生成した室内シーンの画像（ソファ、テレビ、装飾画など）が表示され、部屋の色変更やアイテム追加などの指示も添えられている。この画像は文脈に密接に関連しており、Muse Imageの機能と効果を視覚的に示している。

Meta 自身の発表によると、Muse Image は Meta AI アプリおよびウェブ体験を通じて利用可能であり、Instagram Stories、WhatsApp、Facebook の各画面でロールアウトが進められています。Meta は、Muse Video は後日クリエイターと Meta AI ユーザー向けに提供されるとしています。

今回のリリースには、Arena リーダーボードによるベンチマークスタイルの比較も含まれています。元の記事では、Muse Image はテキストから画像、単一画像編集、複数画像編集の各ランキングでトップ近くに表示されています。また、Muse Video はテキストからビデオのランキングでリーディンググループの近くに登場しています。

画像は、Meta Muse Imageの各領域におけるランキング状況を示している。左側はText-to-Image ArenaでMuse Imageが2位、中央はSingle-Image Edit ArenaでMuse Imageが2位、右側はMulti-Image Edit ArenaでMuse Imageが3位。画像下部にはデータソースと日時（Arena Elo rankings as of July 5, 2026）が記載されている。これらのランキングデータは、Meta Muse Imageがテキストから画像、単一画像編集、複数画像編集などの領域で優れたパフォーマンスを発揮していることを示しており、関連領域におけるモデル設計の優位性を反映している。

画像はText-to-Video Arenaのランキング（2026年7月5日時点のデータ）を示している。上位3位はそれぞれGemini Omni Flash（1527点）、Seedance 2.0（1482点）、Muse Video（1459点）。Muse Videoはこのランキングで顕著なパフォーマンスを示し、リーディンググループに食い込んでいる。この画像は、先述のMeta Muse Videoがテキストからビデオ生成分野で進展を遂げたことに対応しており、同分野におけるランキング状況を視覚的に示している。

重要なのはランキングだけではありません。より興味深いのはモデルの設計です。Meta は画像生成を、一度きりのプロンプトから画像へのツールではなく、マルチステップのクリエイティブワークフローのように動作させることを目指しています。

エージェントのように描く

Muse Image はすぐに生成しない

一般的な画像モデルは、プロンプトを受け取り、意図を圧縮し、直接結果を生成することがよくあります。Muse Image は異なるパターンに従います。Meta は、リクエストを推論し、追加情報が必要かどうかを判断し、ツールを使用し、提供前に結果を改善できるエージェント型システムであると説明しています。

例えば、プロンプトに最新の実世界のコンテキストが必要な場合、Muse Image は検索を使用できます。シーンに正確なプロット、数式、レイアウト、QR コードが必要な場合

コードによって、より信頼性の高い中間アセットを作成するためにコーディングツールを使用することができます。

画像はMeta Muse Imageが生成した「Gauss in Blur」誌の表紙を示しています。表紙には「GAUSS IN BLUR」のタイトルと「THE SUM OF n CONSECUTIVE INTEGERS」などの内容、そしてガウスの肖像が掲載されています。右側にはMuse Imageの生成プロセスにおける3つのステップが示されています：自己洗練 - 参照画像の検索、自己洗練 - 散在するコンテンツの統合、自己洗練 - 数式の精緻化。この画像は文脈と密接に関連しており、Muse Imageが画像生成時に従うパターン、すなわち自己洗練、参照検索、コンテンツ統合、詳細の精密化といったステップを通じて、生成結果の正確性を向上させることを視覚的に示しています。

これは重要です。なぜなら、多くの画像生成の失敗は、純粋に見た目の美しさだけに起因するわけではないからです。それらはしばしば、根拠の弱さ（誤った事実、壊れたテキスト、一貫性のないオブジェクトの配置、判読不能な図表、あるいは一見良さそうに見えても検査すると失敗する詳細）から生じます。

ツールの使用：検索とコード

Metaによれば、Muse Imageは生成プロセス中に検索やコード実行などのツールを使用できます。検索は、時事問題、名所、ブランド、人物、または事実の文脈を含むプロンプトに役立ちます。コーディングは、最終的な画像に数学的または構造的に正確なコンテンツが必要な場合に役立ちます。

画像のタイトルは「検索を使用した改善」で、検索を使用した場合（青）と使用しない場合（灰色）における、人物、ブランド、名所、事実という4つの側面のデータ比較を示しています。人物では検索使用が70.2%、非使用が29.8%；ブランドではそれぞれ67.9%と32.1%；名所では67.3%と32.7%；事実では56.6%と43.4%です。このグラフは文脈と密接に関連しており、様々な側面における検索使用の改善効果を視覚的に示しています。

元の記事はこれを簡単に説明しています。モデルに今日の現実世界に依存する何かを描くように依頼した場合、固定された内部メモリだけに頼るべきではありません。まずは参考情報を検索することができます。チャート、数式ページ、またはスキャン可能なQRコードを作成するよう依頼した場合、プロセスの一部としてコードを使用できます。

この画像は、Meta Muse Imageがツールを利用して実際のニーズに合ったコンテンツを生成する例を示しています。左側は「ML」と印刷されたバッグを肩にかけた女性が、ICML 2025の会場で、掲示板に貼られたICML 2025のロゴポスターを背景にスマートフォンを操作している様子です。右側は、このシナリオに関連する内容を3つの部分に分けて説明しています：ユーザーの要求に合わせた韓国漫画風のQRコードアートワークの準備、Meta.aiに対応したスキャン可能なQRコードの生成とエンコード・エラー訂正による読み取り信頼性の確保、生成されたQRコード画像を開いて正常にスキャンできるかの確認。この例は、Meta Muse Imageがツールを使用して、構造的に正確で使用ニーズを満たすコンテンツを生成できることを示しています。

これは、すべての出力が完璧になることを意味するわけではありません。しかし、期待されるワークフローは変わります。モデルはもはや単に結果を「想像」しているだけではなく、画像が最終化される前に、証拠を収集し、シーンの一部を計算し、詳細を検証することができます。

自己洗練（Self-Refinement）

もう一つの重要なアイデアは自己洗練です。Muse Imageは自身の出力を検査し、問題に気づき、小さな領域を修正するか、より広いセクションを再生成するか、より正確な結果を得るために再びツールを使用するかを判断できます。

これは「自己洗練による改善」と題された比較棒グラフで、Meta Muse Imageの自己洗練機能の有無による性能を示し、文脈で言及されている「自己洗練」の中核的内容に対応しています。グラフは、テキストからの画像生成、単一画像編集、複数画像編集の3つのタスクを比較しています。青色の棒は「自己洗練あり」の性能値で、それぞれ57.1%、56.3%、56.6%とすべて50%を超えています。灰色の棒は「自己洗練なし」の性能値で、それぞれ42.9%、43.7%、43.4%です。このグラフは、自己洗練機能がモデルの様々な画像関連タスクのパフォーマンスを向上させる効果を視覚的に示しており、Muse Imageが自らの出力を修正・最適化できるという特性と一致しています。

通常の画像生成では、ユーザーは手動でプロンプトを調整する必要がよくあります。

モデルに繰り返し指示を出す。「手を修正して、誤ったロゴを削除し、文字を読みやすくし、キャラクターの一貫性を保つ」。Muse Imageは、そのような修正ループの一部をモデル処理自体に組み込むように設計されている。

この画像の左側には、二人のキャラクターが格闘するシーンが描かれている。青い髪の男性は白い空手着を着用し、赤い髪の女性は蹴りを繰り出す格闘ポーズをとっており、背景は和風の道場である。画像の右側には、関連する内容のテキスト説明があり、これら二人の格闘キャラクターの外見や技の動作を詳細に調整していること、照明や構図などの細部にも配慮して表現をより調和させていることが述べられている。これは、モデルがキャラクター関連の細部を最適化・調整する処理過程を示している。

クリエイターやマーケッターにとって、これが実用的な違いとなる。生成した下書きを自ら修正できるモデルは、制作ワークフローにおいてより有用である。なぜなら、最初の許容可能な結果に迅速にたどり着き、手動での編集が少なくて済むからだ。

テスト時計算量とより良い結果

Meta社はまた、生成時におけるより強力な推論が出力品質を向上させると報告している。簡単に言えば、システムが考え、計画し、検索し、精緻化し、候補を選択するためにより多くの時間と計算量を与えることで、より良い画像が生成される可能性がある。

画像のタイトルは「Test-Time Computeの改善」であり、異なるテスト時計算量（Log Scale）における、推論強度（ツールあり、ツールなし）およびBest-of-NのELBO値の変化を示している。横軸はTest-Time Compute（1x～8x）、縦軸はELBO（960～1020）である。青色の実線はツールありの推論強度、紫色の実線はツールなしの推論強度、緑色の点線はBest-of-Nを表す。このグラフは文脈と密接に関連しており、テスト時計算量の増加が生成画像の品質向上にどのように寄与するかを視覚的に示している。

これは、多くの人がすでに言語モデルで目にしているものと似ている。つまり、モデルがより注意深く推論することを許されると、回答が改善される可能性がある。Muse Imageは、同様のアイデアを視覚的な創造に応用している。

Muse SparkとMuse Imageの連携

Muse Imageは、Meta社のMuseファミリーに属する言語モデルMuse Sparkと連携するようにも設計されている。Meta社によれば、両モデルはツールを共有し、メディア生成を共同で計画することができる。

この連携により、単一の静止画像よりも複雑な出力が可能になる。例えば、ワークフローがウェブサイトのコード、埋め込まれた画像、アニメーションGIF、インタラクティブなビジュアル要素を組み合わせるかもしれない。その場合、言語モデルが計画と構造化された生成を担当し、画像モデルが視覚アセットを担当する。

ここで、「エージェンティック」という枠組みがより意味を持つようになる。モデルは単なる画家ではない。複数のメディア形式にわたって計画、作成、確認、修正を行うことができる、クリエイティブシステムの一部となる。

マルチ参照による画像生成と編集

Muse Imageは複数の視覚的参照をサポートしている。ユーザーは人物、衣装、背景、スタイル画像、またはその他の視覚的手がかりを提供し、それらを新しいシーンに組み合わせるようモデルに指示することができる。

画像は手描き風のイラストで、公園のベンチに座る三人の人物と、紫色の自転車に乗った男性が描かれている。下には対応する生成指示があり、この自転車に乗り、画像のスタイルに合った服装をした男性が、公園のベンチの横を通り過ぎる画像を生成するよう指示している。この画像は、前述のMeta Muse Imageが複数の視覚的参照（マルチ参照）をサポートする機能に関連しており、ユーザーがテキスト記述と参照画像を組み合わせることで、特定のスタイルの画像をモデルに生成させる機能を視覚的に示している。

自然なプロンプトは次のようになるだろう：

この人物がこの衣装を着て、この場所に座っている画像を作成し、スタイルはこの参照画像に近づけてください。

このような画像とテキストを組み合わせたプロンプトは重要である。なぜなら、実際の創造的な作業では、

仕事がテキストだけで始まることはほとんどありません。デザイナー、創業者、クリエイター、ブランドチームは、しばしば参考資料をもとに思考します。彼らはムードボード、スクリーンショット、商品写真、キャンペーン事例、スタイルサンプルをプロセスに持ち込みます。

Muse Imageは、画像の直接編集もサポートしています。一からやり直すのではなく、ユーザーは画像の一部をマークし、変更内容を説明し、同じビジュアルの方向性を洗練させ続けることができます。

画像には「前方下り坂」の標識があり、背景は濃い霧の中の山道で、道端に車が停まり、車内には二人の人物が映っています。画像下部には「Edit this to clear up the fog and reveal the beautiful valley below」というテキストがあり、「この画像を編集して霧を晴らし、眼下の美しい谷を表示する」という意味です。この画像は、Muse Imageが直接画像編集をサポートするというドキュメントの内容に関連し、ユーザーが特定の効果を得るために画像を編集できる例を示しています。

ソーシャルコンテンツ、EC画像、ビジュアル広告、軽量なブランドアセットにおいて、この編集ループは純粋なテキストから画像への生成よりも有用かもしれません。出力は、単に見栄えが良いだけでなく、目的に合致している必要があります。

ネイティブソーシャルコンテキストとInstagram統合

最も話題になっているMuse Imageの機能の一つは、Metaのソーシャルグラフとの連携です。Metaはこの方向性を Native Social Context と呼んでいます。

実際には、ユーザーがプロンプト内でアカウントを言及した場合、Muse Imageは公開されているInstagramのコンテキストを利用できます。つまり、プラットフォームの設定と利用可能性に応じて、ユーザーは公開投稿やプロフィールの内容を参照した画像を生成できる可能性があります。

この画像は3つのセクションに分かれており、Meta AI関連機能の実装シーンを順に示しています。左側は小規模事業者向けマーケティング素材の例で、キャラクターがプリントされた衣類や家庭用小物が含まれ、@averyandme提供。中央は@メンションで公開アカウントを指定して生成されたMeta AIコンテンツで、3Dスタイルのキャラクターと関連シーンが表示され、プロンプトの説明と1:1のアスペクト比が注釈されています。右側はInstagram内のパーソナライズされたプリセットインターフェースで、同プラットフォームのAI生成関連プリセットオプションを示し、番号付きのデザイン要素も表示されており、Meta AIとソーシャルプラットフォームの機能連携を示しています。

これは強力ですが、プライバシーの問題も引き起こします。Metaは、ユーザーが自身のInstagramコンテンツをAI作成に再利用できるかどうかを管理するためのコントロールを提供していると述べています。公開アカウントの場合、これは特にクリエイター、インフルエンサー、創業者、そして公開写真がパーソナルブランドの一部となっている人にとって、確認すべき重要な設定です。

Metaはまた、Muse Imageの出力には Content Seal が含まれており、これはAI生成画像を識別するための不可視の透かしシステムであると述べています。Metaによると、このシグナルはトリミング、圧縮、リサイズ、スクリーンショットなどの一般的な変換に耐えられるように設計されています。Metaはまた、画像にその透かしが含まれているかを確認するための検出ツールをプレビュー公開しています。

Muse Videoプレビュー

Muse Videoはまだ完全にはリリースされていないため、入手可能な情報は限られています。Metaはこれを、Muse Imageと同じ事前トレーニングベース上に構築された動画生成モデルであり、視覚的忠実度、プロンプトへの追従、時間的一貫性、ネイティブ音声サポートに強みがあると説明しています。

元記事はまた、Metaがオーディオと動画の同期や物理的に正確な高速動作など、困難な領域にまだ取り組んでいることを指摘しています。これは現実的な制限です。動画生成は画像生成よりも困難です。なぜなら、モデルはオブジェクト、アイデンティティ、照明、動き、音、タイミングをフレーム間で一貫して保つ必要があるからです。

それでも、Muse Videoは

テキスト動画ランキングのリーディンググループに参入したことは、Metaが自社アプリに基本的な短尺動画エフェクトを追加するだけでなく、他のトップ動画モデルと直接競合しようとしていることを示唆している。

リリースの背景にあるチーム

本記事によると、MetaのMSLビジュアルモデルチームには、OpenAI、Google、スタンフォード大学、UIUCなど主要なAI研究環境で活躍した著名な研究者が複数名所属している。

公開情報によれば、Shengjia Zhao氏はMeta Superintelligence Labsのチーフサイエンティストである。ロイターやTechCrunchは2025年、元OpenAI研究者であるZhao氏がMetaに加わり、新たなAI部門の科学的な方向性を主導する役割を担っていると報じている。

画像は、山並みを背景に笑顔の男性を写しており、遠くに滝が見える。右下には「公众号・量子位」の透かしが入っている。この画像は、MetaのMuse ImageおよびMuse Videoに関連する背景情報を紹介する文書内にあり、Meta Superintelligence Labsのチーフサイエンティストとされ、元OpenAI研究者でMetaの新AI部門の科学的方向性を主導するために加わったShengjia Zhao氏の人物像を示している。

さらに本記事では、Jiahui Yu氏がMuse ImageおよびMuse Videoに関連する主要なマルチモーダルリーダーとして挙げられている。Yu氏は、コンピュータビジョン、画像生成、画像編集、マルチモーダルシステムにおいて豊富な研究実績を持つ。

全体的に言えることは単純だ。Metaは単に製品機能を追加しているのではない。新たに結集したAI研究・製品チームを中心に、メディア生成スタックを構築しているのである。

クリエイター、ブランド、AI製品チームにとっての意義

Muse Imageは、消費者向けAIメディアツールが向かう方向性を示している。次世代の画像ツールは、短いプロンプトから美しい画像を生成するだけではない。以下のようなクリエイティブアシスタントとして振る舞うだろう。

  1. テキストと画像の混合入力を理解する。
  2. 新鮮なビジュアルコンテキストを検索する。
  3. コードを使用して正確なビジュアル要素を生成する。
  4. 自身のドラフトを修正する。
  5. 編集の過程でコンテキストを保持する。
  6. プラットフォーム固有のソーシャルデータと連携する。
  7. 生成された出力に来歴シグナルを付加する。

クリエイターにとっては、アセット制作の迅速化を意味する。中小企業にとっては、ソーシャルビジュアル、製品モックアップ、イベント招待状、マーケティング画像の作成にかかる労力を削減する可能性がある。AI製品チームにとって最も重要な教訓は、生成品質がモデルのチェックポイントだけでなく、モデルを中心としたワークフロー全体にますます依存するということだ。

FAQ

Meta Muse Imageとは何か？

Muse Imageは、Meta Superintelligence LabsによるMetaの画像生成モデルである。Meta AIおよび関連Meta製品内での、テキストからの画像生成、画像編集、マルチリファレンス合成、ソーシャルコンテキスト作成のために設計されている。

Muse Imageが「エージェント的」とされる理由は？

MetaはMuse Imageをエージェント的と説明している。生成前に計画を立て、検索やコードなどのツールを使用し、自身の出力を洗練できるからである。これにより、単純なワンショットの画像生成器よりも、クリエイティブワークフローアシスタントに近い存在となっている。

Muse Videoとは何か？

Muse Videoは、Metaがプレビュー公開した動画生成モデルである。Metaによれば、Muse Imageと同様の広範なメディア生成方向性に基づいて構築されており、プロンプトへの忠実性、視覚的忠実度、時間的一貫性、ネイティブオーディオサポートに重点を置いている。

Muse ImageはInstagramの写真を使用できるか？

Muse Imageは、Instagramの写真を

Instagram上でユーザーが一般アカウントに言及する際のソーシャルコンテキストは、プラットフォームの提供状況や設定に依存します。一般アカウントの保有者は、自身の公開コンテンツがこのように利用されることを望まない場合、AI再利用に関するInstagramのコントロールを確認する必要があります。

Content Sealとは？

Content Sealは、MetaがAI生成画像向けに提供する不可視の透かしシステムです。Metaは、Meta AI内のMuse Imageやmeta.aiで作成された画像には、トリミングや圧縮といった一般的な編集後も残る可能性のある、隠された来歴シグナルが埋め込まれていると説明しています。

Muse Imageは誰でも利用できるのか？

Metaによると、Muse ImageはMeta AIアプリとmeta.aiで利用可能であり、さらに米国のInstagramストーリーズ、一部の国のWhatsApp、そして将来的にはFacebook上の各所でも提供される予定です。展開状況は地域やプロダクトの表示面によって異なる場合があります。

Muse Imageが検索とコードを利用する理由

検索は、ランドマーク、ブランド、実在の事物など、画像生成を現実の文脈や事実に基づかせるために役立ちます。コードは、通常の画像モデルでは正確に表現するのが難しい、グラフ、数式、QRコードなどの構造化された視覚要素の作成に貢献します。

関連ツール

  • Meta AI: Muse Imageの画像作成・編集機能が展開されているMetaのAIアシスタント。
  • Muse Image と Muse Video: Museメディア生成モデルに関するMeta公式の技術発表。
  • Instagram: Muse Imageのソーシャルコンテキスト機能やAIエフェクトが統合されているMetaのプラットフォーム。
  • WhatsApp: Muse Imageによる画像生成機能が一部の国で導入されているMetaのメッセージング製品。
  • Content Seal検出: 画像にContent Sealの透かしが含まれているかを確認するための、Metaがプレビュー公開しているツール。

関連リンク

まとめ

MetaによるMuse Imageのリリースは、

特筆すべきは、画像生成をエージェント的なワークフローとして再定義している点である。このモデルはツールを使用し、自らの出力を洗練し、複数のリファレンスを扱い、Metaの広範なソーシャルエコシステムと連携することができる。

Muse Videoはまだプレビュー段階だが、Metaが静止画像生成から、より広範なマルチモーダルメディアスタックへと移行していることを示している。Muse Spark、Muse Image、Muse Videoの組み合わせは、AI生成コンテンツが計画、確認、編集され、製品全体に配信される未来を示唆している。

クリエイター、マーケター、AI開発者にとって、重要な教訓は明らかである。優れたメディア生成は、単一のプロンプトよりも、モデルを取り巻くシステム全体に依存するようになりつつあるということだ。

Muse Imageは単なるAI画像生成ツールではない。Metaがビジュアル制作をエージェント駆動型ワークフローのように動作させようとする試みなのである。