生成AIの種類

生成AIには大きく分けていくつかの「系統」と「得意分野」があります。以下に代表的な種類を整理します。

1. 対話・文章生成系（LLM）

自然言語処理を得意とするAIで、文章や会話、要約、翻訳などが可能です。

  • ChatGPT（OpenAI）：汎用型。規制あり。
  • Claude（Anthropic）：長文要約・整理に強い。倫理規制はChatGPT並みに厳格。
  • Gemini（Google DeepMind）：検索との連携が強み。マルチモーダル対応。
  • LLaMA（Meta）：オープンソース系。用途に応じたカスタムが可能。
  • Mistral, Falcon：軽量かつ高速なオープンソースLLM。

2. 画像生成系

テキストからイラスト・写真風画像を生成。スタイル指定が得意。

  • Stable Diffusion（Stability AI）：オープンソース。制限が少なく、カスタマイズ可能。
  • Midjourney：芸術性・イラストに強い。Web UI中心。規制あり（過激表現は不可）。
  • DALL·E（OpenAI）：自然な合成が得意。ChatGPTと統合。規制は比較的厳格。

3. 動画生成系

数秒〜数分の動画を生成可能。

  • Runway Gen-2：テキストや画像から短い動画を生成。
  • Pika Labs：アニメ調・映像表現に強い。
  • Sora（OpenAI）：長尺動画に対応予定。公開制限あり。
  • Kaiber：音楽に合わせた映像生成などに対応。

4. 音声・歌声生成系

音声合成・変換を専門とするモデル。

  • VALL-E（Microsoft）：短いサンプルから声質を模倣可能。
  • ElevenLabs：自然な読み上げ音声。日本語対応。
  • RVC（Retrieval-based Voice Conversion）：歌声変換が可能。

5. マルチモーダル（総合型）

文章・画像・音声・動画を横断的に扱う。

  • GPT-4o（OpenAI）：音声・画像・テキストをシームレスに扱える。
  • Gemini Advanced：Google検索や画像認識と連動。

6. 要約・変換特化

動画や文章を整理・変換する用途に特化。

  • Whisper（OpenAI）：音声 → 文字起こし。
  • AutoSub / WhisperX：動画字幕生成。
  • Video to Doc系（例：Veed.io, Descript）：動画をWordやPowerPoint風に要約。
  • Otter.ai / Notta / Fireflies.ai：会議録音 → 要約。

7. 特殊分野向け

  • 医学・研究系：PubMed GPT, BioGPT（医学論文対応）。
  • プログラム生成：Code Llama, Copilot（GitHub）。
  • NSFW/規制緩和モデル：NovelAI（イラスト・小説。規制緩め）、Stable Diffusionの派生モデル（例：Anything V5）。

✅ まとめ

  • 文章中心：ChatGPT / Claude / Gemini
  • イラスト：Stable Diffusion / Midjourney
  • 動画：Runway / Pika / Sora
  • 音声：ElevenLabs / VALL-E / RVC
  • 要約・整理：Whisper / Otter.ai
  • 規制緩和型：Stable Diffusion系派生、NovelAI