みみみ (@mmm_tech) header
みみみ (@mmm_tech) profile picture

みみみ

@mmm_tech

動画編集者 ⇨ エンジニアです。 最近はローカルLLMがアツいっすよ！ クソアプリ生み出したり、動画作ったり、本書いたり、音楽作ったりしてます。飽き性なのをなんとかしたい。わりとマジで。

 日本 東京
Joined September 2022
  • Tweets2.5K
  • Following438
  • Followers936
456Media
Photo by みみみ (@mmm_tech)Photo by みみみ (@mmm_tech)Photo by みみみ (@mmm_tech)Photo by みみみ (@mmm_tech)Photo by みみみ (@mmm_tech)Photo by みみみ (@mmm_tech)Photo by みみみ (@mmm_tech)Photo by みみみ (@mmm_tech)Photo by みみみ (@mmm_tech)Photo by みみみ (@mmm_tech)
家にPGX（GB10・メモリ128GB）が1台あります 「このモデル気になるけど手元じゃ動かせん」「これ家のAIでやったらどうなる？」みたいなのがあったらリプかDMで投げてください。こっちで試して結果返します LLM・画像・動画・音声なんでも
2
13
1,534
金融特化のPLaMo 3 Finと汎用のQwen 27B、昨日より込み入った決算短信（セグメント情報と注記）で6問やらせたら、両方とも最後の1問だけ間違えた 事業の区分を組み替えたという注記を読んで、前期と同じ区分にそろえて比べる問題
Image from みみみ (@mmm_tech)
1
1
101
正解は+8.7%。金融特化は注記を使わずそのまま15.5%と出して、汎用は前期と当期を取り違えて約15.2%（計算も合わない） △の赤字や全社費用の調整額は両方とも読めてた。注記を2つ組み合わせるところで、まだ人の確認が要りそう
42
たった40.5MBの日本語読み上げ「Underdog Woof Japanese」、家のPCでGPUを使わずに動かしてみた 1,280万円・112%・2時間30分・電話番号みたいな数字の入った文も、文字起こしすると4文とも数字どおり。1文1秒かからなかった
Image from みみみ (@mmm_tech)
1
2
125
前に同じ8文で試した時は、Irodori-TTSは数字のまま全部OK、LFM3-Audioは数字のままだと全滅だった 「吾輩は猫である」は「わがはい」で合ってたけど、「とんと見当」が「本当検討」と出たのは読み違いか聞き取り違いか分からない。ライセンスは非商用
93
立ち絵1枚を渡して、カフェと雨の街の場面を描かせてみた。出たばかりのMiniMax H3 ImageもP-H3も、髪・猫耳・目の色・服まで8枚とも同じ子のままだった 違いは大きさと時間で、H3 Imageは1536×2048で1枚26秒、P-H3は832×1248で12秒 （AI生成・架空のキャラ）
Image from みみみ (@mmm_tech)
1
2
237
お題文にうっかり「青い筋の入ったブラウス」と書いてたのに、両方とも立ち絵どおりの白いTシャツで描いてた 文より絵の方を信じてくれるみたい。ただ2場面×2枚ずつなので、いつもそうかはまだ分からない
60
出たばかりのMiniMax H3 Imageで、日本語の看板とPOPを作らせてみた 指定した文字は4枚中3枚が一字一句そのまま、1枚は「本日のおすすめ」の「の」が丸になった。家のPCで1枚14〜18秒 （お店・商品は架空・AI生成）
Image from みみみ (@mmm_tech)
3
4
324
気をつけたいのは、指定してない小さい文字。POPの下の帯や棚の値札に、ありそうでない字の並びが勝手に入る お店で使うなら、指定しない所に字が出ないようにするか、あとで消す手間はかかりそう
1
78
金融特化のPLaMo 3 Finと汎用のQwen 27B、架空の決算短信の計算問題6問はどっちも全問正解だった 差が出たのは時間で、特化の方は毎回考えてから答えるので1問8〜15秒、汎用は2〜6秒
Image from みみみ (@mmm_tech)
1
139
特化の方はファイルが3分の1（5.3GB）なので、メモリが少ない機械なら出番がありそう ただ考える分の文字数を見込まないとダメで、上限400だと考えてる途中で切れて6問中4問の答えが空になった。もっと込み入った開示資料で差が出るか次に見たい
62
ロシア語の技術系の話、家のPCの翻訳AIで日本語に直接訳せるか試した 5文中3文はちゃんと訳せたけど、「3分の1だけ落ちた」を「3分の1に落ちた」にしたり、「出力速度」を「出金速度」にしたり…数字と専門用語に落とし穴があった
Image from みみみ (@mmm_tech)
1
5
145
PLaMo 3 翻訳の2Bと8B、1文0.14〜0.68秒 面白いのは、英語に訳すと数字の向きは正しく出たこと。大きい8Bの方が用語を外してたので、大きければ安心でもなさそう。字幕に使うなら、数字と専門用語のところだけは人の目で見たい
2
106
さっきの作曲AIの続き。テンポを落とした譜面のまま、曲調の指定も「バラード・ピアノ・ストリングス」に変えたら、音がぐっと柔らかくなった 歌詞の聞き取りも92%→95%で、3つの中でいちばん聞き取りやすかった （曲・歌声はAI生成）
1
1
141
音を数字でも比べてみた。音の明るさ（重心）2,900Hz→1,700Hz、4kHz以上の高い音 7.4%→1.5%、ドラムみたいな立ち上がりも減ってた テンポだけ落とした版は、元の曲よりむしろ明るくなってたのが意外
2
77
作曲AIの曲、気に食わないところを譜面で直せるか試してみた テンポの数字を130→96に書き換えて作り直したら、同じ歌詞のまま、ちゃんと1.35倍ゆっくりの曲になった！ （曲・歌声はAI生成）
1
1
138
YuE2は曲と一緒に譜面（ABC記法の文字）も出してくれる。そこの「Q:1/4=130」を96にしただけ 曲は2分18秒→3分07秒、サビの入りもちょうど1.35倍うしろへ。歌詞の聞き取りは89%→92%。ただ曲調の指定は「アップテンポ」のままなので、次はそっちも一緒に変えたい
79
立ち絵1枚から3Dにして踊らせたら、化け物になった… 止まってる時はまだ見られるのに、動き出すと服がちぎれて、脚がねじれて、髪が帯みたいに伸びる。どこから直せばいいんだろう （AI生成・架空のキャラ）
Image from みみみ (@mmm_tech)
1
108
骨は20本で、ウェイトは骨からの距離で自分で付けた。カーディガンも髪も体とひとつながりの3Dなので、たぶんそこが一番まずい 服と髪を別の部品に分けるのが先？それともウェイトの付け方？詳しい人いたら教えてほしい
65
ゲームのセリフを家のPCの翻訳AIに訳させてみた。名前は用語集を渡せば全部そろう 困ったのは口調で、1行ずつ訳すから同じ女の子が急に「そばを離れるな」って男前になる…人物の説明を1文添えたら、ちゃんと女の子のしゃべり方でそろった！
Image from みみみ (@mmm_tech)
1
1
115
PLaMo 3 翻訳の0.8B・2B・8B。うちのGB10だと1行0.04〜0.6秒 用語集も説明もなしの8Bは「Not me」を「私はいいよ」と逆に訳してた。有志翻訳や字幕ツールに使うなら、キャラごとに説明を1文持たせると良さそう
117
完成図を先に見せると箱庭ゲームが壊れにくい説、15回ずつに増やしてみた。ちゃんと遊べたのは文章だけ2本、完成図つき6本。5回のときより差は縮んだけど、それでも3倍…！ 文章だけは、始めるボタンを押した瞬間にエラーで止まるのが15本中7本もあった
Image from みみみ (@mmm_tech)
1
6
183
完成図つきも半分以上は失敗（地中に出る・真っ黒・灰色の板だけ）。なんで画像があると始める前のエラーが減るのかはまだ分からない 作らせたのは家のPC（GB10）のQwen3.8-27B、お題文は全く同じ
1
66
話題の作曲AI「YuE2」、家のPCで日本語の歌詞を歌わせてみた！自分で書いた歌詞がほぼそのまま歌になって出てきてびっくり。1曲4分くらいでできる （曲・歌声はAI生成）
1
1
4
643
歌を文字起こしにかけたら、歌詞と9割ちかく一致した。ずれたのは「僕らの箱」が「僕らの方」、「始発」が「被発」になったところくらい GPUメモリは最大9GB。重みは非商用ライセンスなので、遊びや試作向け
2
99
箱庭ゲームをAIに作らせる時、先に完成図の画像を見せたら、ちゃんと遊べたのが5回中2回！文章だけで頼んだ5回は、始まらない・地形が真っ黒・地形が無い…で全滅だった @aiehon_aya さんに教わったやり方。完成図はAIで1枚描いただけ
Image from みみみ (@mmm_tech)
2
3
276
5回ずつなのでまだ偶然もありそう。完成図つきも1回は真っ黒、1回は石の中に出てきた 待ち時間も平均814秒→546秒で短くなった。作らせたのは家のPC（GB10）のQwen3.8-27B、お題文は全く同じで画像があるかだけの違い
2
84
立ち絵1枚から「斜め前」がどうしても出なかったの、言い方を変えたら出た 「カメラが45°回り込んだ」「三面図の斜め前」は正面のまま（しかも左右反転）。「体を画面の左端の方へ向ける」「鼻が画面の左下を向く」と、絵の中の向きで言うと素直に回った （AI生成・架空のキャラ）
Image from みみみ (@mmm_tech)
2
1
2
259
実際に足した文（角度45°の指定はそのまま） Her whole body is rotated so that she faces toward the left edge of the image at a diagonal, halfway between facing the camera and facing sideways. 今回は、カメラ基準より画面の中の向きで言うほうが通じた（各1回）
1
90
ライセンスがゆるい翻訳モデルも同じ文で試したら、差が出たのは日本語の雑談だった 「まじで草」「ワンチャン」をPLaMo 2Bは "lol" "any chance" と訳したのに、Hy-MT2は "with Wanchan"、LFM2は "grass" "One shot?" Hy-MT2は「（水）」も「Tuesday」にした
Image from みみみ (@mmm_tech)
1
1
3
534
ビジネスメールの金額や番号は3つとも合ってた。崩れたのはネットの言い回しと、曜日・税抜みたいな細かいところ Apache-2.0で縛りなく使いたいならHy-MT2、日本語の言い回しを重く見るならPLaMo、という選び方になりそう（7文で1回ずつの比較）
186
縦長768×1280で30秒しゃべる動画、家のGB10で21分でできた 台本どおり聞き取れたのは73%で、384×640で作った時（9分・70%）と同じくらい。画素は4倍、時間は2.3倍で済んだ （AI生成・架空の人物。声も映像もMiniMax H3）
1
5
203
作り方は3つの組み合わせ ・台詞は5秒ごとの区間に1文ずつ渡す ・Sol-Sampler：途中まで半分の解像度で描いてから拡大 ・Sol-Attn：注意の計算を間引く 768×1280を普通に作ると、5秒だけで453秒かかっていた
77
縦長768×1280でしゃべる動画、作り方を変えるだけで453秒→231秒になった 顔の細かさも台詞の聞き取り（98%）も同じ。最初は半分の解像度で描いて、途中で拡大してから仕上げる方式 （AI生成・架空の人物）
Image from みみみ (@mmm_tech)
2
2
165
ComfyUIの Sol-Sampler（MiniMax H3向け）。拡大はH3専用の拡大モデル（0.69GB）を使う 変わったのは背景の構図だけで、左は窓の外の街、右は店内寄り。同じseedでも別の絵になるので、構図を詰めてから高解像度で作るのには向かない
1
2
135
日本語で30秒しゃべらせる動画なら、今のところ「いつものH3＋4ステップのLoRA」が一番速くて聞き取れた 話題のHyperFlow H3 Flashも同じ台本で試したら、顔は最後まで保つのに、発音が崩れて台本どおり聞き取れたのは44%（LoRAは73%）
Image from みみみ (@mmm_tech)
1
1
4
224
HyperFlowは台詞の順番は守っていて、「今日は」が「キーは」、「質問」が「失婚」みたいに聞こえる崩れ方 短い英語クリップや画質ならまた違うはずで、日本語で長くしゃべらせた1回の結果。次はステップ数を8にして見る
1
2
107
前に「誰がしゃべってるか」がずれた4コマ、同じ2人・同じ話で作り直したら今度は2枚とも合った セリフは絵を描いた後に文字として入るので1文字も抜けないし、フキダシのしっぽも自分で置いた向きのまま。1ページ50秒くらい （AI生成・架空の人物）
Image from みみみ (@mmm_tech)
2
1
4
739
使ったのは @sep_is_heim さんの ComfyUI-PH3-Manga（P-H3-Image） 人物の左右は場面の文で「人物1は左、人物2は右」と書いて、フキダシとしっぽは編集画面で置く。前のはフキダシの位置が話す順で決まって、人物の立ち位置と食い違っていた
1
4
256
Load more