清華大学、生数科技、カリフォルニア大学バークレー校からなる研究チームは12月16日（火）、動画生成AIの推論速度を向上させる新技術「TurboDiffusion」を公開した。単一のNVIDIA GeForce RTX 5090を用いて数秒で動画生成が行えるという。ソースコードはGitHubで、学習済みモデルのチェックポイントはHugging Faceで公開されている。ライセンスはApache-2.0。

「TurboDiffusion」は、動画生成の高速化実現のため、アテンション機構の最適化、ステップ蒸留による効率化、量子化技術の導入という3つの技術を中核に据えている。アテンション処理については、その高い計算コストを効率化するため、「SageAttention」と「SLA（Sparse-Linear Attention、疎線形注意機構）」を採用。SageAttentionは低ビットでの計算を行い、SLAは学習可能な疎な線形アテンションを用いることで、品質を保ちつつ計算量を大幅に削減する。

ステップ蒸留の効率化については、ステップ数削減のために「rCM（Score-Regularized Continuous-Time Consistency Model、スコア正則化連続時間一貫性モデル）」という技術を導入。これは、拡散モデルの生成プロセスを少数のステップで模倣・完了させる蒸留手法だ。そして量子化技術については、モデルのパラメータとアクティベーション（活性化関数）を8ビットに量子化する「W8A8量子化」技術を適用。これにより、線形層の計算が加速されると共に、モデルのメモリ使用量が圧縮され、ハードウェアリソースを効率的に活用できるという。

▲Wan2.1-T2V-1.3B-480Pモデルを使用して、単一のNVIDIA GeForce RTX 5090上で実行された、赤いドレスを着た女性がネオン街を歩く5秒間の動画生成速度比較。上はオリジナルモデルによる生成結果で184秒。下は「TurboDiffusion」を適用したモデルによる生成結果で1.9秒
▲Wan2.2-I2V-A14B-720P モデルによる5秒間の動画生成の比較。上はオリジナルモデルで、140億パラメータという巨大なモデルサイズのため、生成に4,549秒（約75分）を要した。下はTurboDiffusionによる生成結果で、38秒にまで短縮した
▲異なるモデルと解像度設定における具体的な高速化倍率を示したグラフ。TurboDiffusionは、全ての条件下で約100〜200倍の高速化が達成されている。特にWan2.1-T2V-14B-720Pモデルについては、4,767秒が24秒まで短縮され、最大の高速化倍率である199倍を記録。これは、モデルサイズが大きく、計算負荷が高いタスクほど、TurboDiffusionによるアクセラレーション効果が顕著に現れる傾向を示す

ソースコードはGitHub上で公開され、学習済みモデルのチェックポイントはHugging Faceにて提供されている。モデルはText-to-Video「Wan2.1-T2V」ベースのモデルや、Image-to-Video「Wan2.2-I2V」ベースのモデルなどが含まれる。また、GeForce RTX 5090などのコンシューマー向けGPUに適した量子化（Quantization）モデルと、H100などのデータセンター向けGPUを想定した非量子化モデルの双方が用意されている。

■TurboDiffusion: Accelerating Video Diffusion Models by 100–200 Times（論文PDF、英語）
https://jt-zhang.github.io/files/TurboDiffusion_Technical_Report.pdf

■TurboDiffusion（GitHub）
https://github.com/thu-ml/TurboDiffusion

■TurboDiffusion（Hugging Face）
https://huggingface.co/TurboDiffusion

CGWORLD関連情報

●マルチモーダル生成AIモデル「Wan2.6」リリース！ 1080p15秒、リファレンスキャラクターのインポート、マルチショット生成によるストーリーの自動構築など

Tongyi Labがテキスト・画像・音声入力を統合し、リアルな画像と動画を生成するマルチモーダル生成AIモデル「Wan2.6」をリリース。特定のリファレンスキャラクターを異なるシーンへ一貫性を保ったまま配役する「Starring」機能、単純な指示から複数のカットで構成される物語を自動構築する「マルチショット・ナラティブ」機能、ネイティブレベルでのA/V同期による自然な対話シーン、1080p、緻密なライティング制御などの特徴を備える。Wan2.6は公式プラットフォームやサードパーティ製プラットフォーム、APIから利用可能。
https://cgworld.jp/flashnews/01-202512-Wan2.6.html

●マルチモーダル動画生成AIモデル「Kling O1」リリース！ テキスト・画像・動画・特定の被写体を組み合わた入力に対応、動画生成から編集・スタイル変換まで1モデルに統合

快手がマルチモーダル動画生成AIモデル「Kling O1 動画モデル」をリリース。テキストと参照画像、既存の動画、特定の被写体（エレメント）を混在させて指示を出し、3秒から10秒までの動画を生成できる。チャットによる複雑な動画編集やスタイル変換の機能も統合。公式Webアプリでは無料・有料プラン共に利用できるほか、各種サードパーティ製プラットフォームで提供されている。
https://cgworld.jp/flashnews/01-202512-KlingO1.html

●Runwayの動画生成AIモデル「Gen-4.5」リリース！ リアルな物理挙動の再現、複雑な演出指示への忠実な追従性を実現

Runwayが動画生成AIの最新基盤モデル「Gen-4.5」を発表し、有料プランのサブスクリプションユーザーに対して提供を開始した。複雑で連続的な指示を正確に理解し実行でき、リアルな物理挙動の再現も可能となった。基本解像度は1,280×720（16：9、9：16）または960×960で、4Kへのアップスケーリングが行える。まずはText to Videoが提供され、今後Image to Video、Keyframes、Video to Videoなども順次提供するとのこと。
https://cgworld.jp/flashnews/01-202512-Gen-4.5.html