Stable Video Diffusion

1. サービス概要

Stable Video Diffusion（SVD）は、画像生成AI「Stable Diffusion」の開発元であるStability AI社が提供する、静止画から短い動画を生成する高解像度の潜在ビデオ拡散モデル（Latent Video Diffusion Model）です。

主な機能:
Image-to-Video: 1枚の入力画像から、その内容に基づいた一貫性のある動画（数秒間）を生成。
Multi-view Synthesis: 単一の画像から、物体を別角度から見た動画を生成（物体を3D的に把握する能力）。
カスタマイズ: カメラの動きや動きの強さ（Motion Bucket ID）を指定して生成結果を調整可能。
ユーザー数: 非公開。ただし、GitHub上でのオープンソース公開および同社のプラットフォーム「Stability AI Cloud (formerly DreamStudio)」や「Leonardo.ai」等を通じ、世界中で数百万単位のユーザーに利用されています。
対応プラットフォーム:
Web: Stability AI 公式プラットフォーム（Stability AI Cloud / Sky-Reels等）。
API: 開発者向けAPI経由での統合。
ローカル環境: Windows/Linux/macOS（GitHubで公開されているソースコードおよびモデルウェイトを使用）。
サードパーティUI: ComfyUI, Automatic1111（拡張機能）など。

Stable Video Diffusionは、従来の画像生成モデルを動画用に拡張したアーキテクチャを採用しています。

基盤アーキテクチャ: 潜在拡散モデル（Latent Diffusion Models: LDM）。画像生成モデルである「Stable Diffusion XL (SDXL)」をベースに、時間軸方向の層を追加してトレーニングされています。
モデル構造:
U-Net: 空間的な特徴に加え、時間的な連続性を学習するためのTemporal Layer（時間層）を統合。
VAE（Variational Autoencoder）: 高解像度画像を低次元の潜在空間へ圧縮・復元。
CLIP ViT-L/14: テキストや画像の特徴量を抽出するエンコーダー。
トレーニング手法: 3段階のカリキュラム学習（画像予備学習、ビデオ事前学習、高品質ビデオ微調整）を実施。
開発言語・フレームワーク: Python, PyTorch.
提供形式: 重み（Weights）はHugging Faceにて公開、ソースコードはGitHub（Generative Modelsリポジトリ）で提供。

沿革:
2020年: エマド・モスタクにより設立。
2022年8月: 「Stable Diffusion」をオープンソース公開し、生成AIブームを牽引。
2023年11月: 「Stable Video Diffusion」を発表。
2024年3月: 創業者エマド・モスタクがCEOを退任。
2024年6月: 経営難が報じられる中、投資家グループから大規模な資金調達を実施し、経営体制を刷新。
資本構成:
非上場のスタートアップ。
主な出資者: Coatue Management, Lightspeed Venture Partners, Greycroft, O'Shaughnessy Ventures 等。2024年6月の救済融資にはSean Parker（Napster創業者、元Facebook社長）らが関与。
国籍: イギリス（英国）。
役員情報:
プレム・アッカラジュ（Prem Akkaraju）: CEO。元Weta Digital（視覚効果会社）のCEO。米国籍。
ショーン・パーカー（Sean Parker）: 執行会長。投資家、元Facebook初代社長。米国籍。
クリスチャン・ラフォルテ（Christian Laforte）: CTO。技術部門の統括。
エマド・モスタク（Emad Mostaque）: 元CEO・創業者（現在は退任）。バングラデシュ系英国人。