Metaは2026年7月7日、Meta Superintelligence Labsが開発したメディア生成モデル「Muse Image」と「Muse Video」を発表した。両モデルは、同ラボが開発した初のメディア生成モデル群にあたる。MetaはMuse Imageを、同社にとってこれまでで最も高度な画像生成モデルとしている。

発表によると、Meta AIアプリとWeb版（meta.ai）で利用できる。Instagram Storiesでは米国でMuse Imageを利用でき、WhatsAppでは一部の国で利用できる。Facebookにも近日対応する予定としている。Muse VideoはMeta AIなどで近日提供する。

• Introducing Muse Image: Image Generation Built for Your World - Meta Newsroom
• Introducing Muse Image and Muse Video - Meta

Muse Imageは、プロンプトを直接画像に変換するだけでなく、エージェントのようにも動作する。指示への追従、細部まで指定した編集、複数の参照画像を使った構成に対応し、Instagram上のソーシャル文脈も画像生成に利用する。必要に応じてツールを呼び出し、生成結果を見直しながら改善するほか、メディア生成を共同で進めるための「Muse Spark」と組み合わせて使える。

Meta AIブログに掲載されたArena AI Leaderboardの指標では、Muse ImageがText-to-Image Arena、Single-Image Edit Arena、Multi-Image Edit Arenaのいずれも2位に入った。スコアは順に1280±7、1405±6、1399±6。各ArenaでGPT Image 2に次ぐ順位であり、Nano Banana 2系と同水準以上の上位帯に入っている。

具体例として、Muse Imageはコードを書いて実行し、グラフやQRコードのような細部を正確に扱えるという。Muse Sparkとの連携では、画像を埋め込んだWebサイトや、プレイ可能なビジュアルゲームの生成にも使える。

入力では、プロンプト内にテキストと画像を組み合わせ、人物、物体、衣服、スタイル、環境などを複数の参照画像から合成できる。さらに、Web検索を使って事実情報やリアルタイム情報、視覚的な参照を取り込み、実世界の知識や事実性が重要な領域で生成画像の精度を高めるという。

生成時には、画像を作る前に進め方を検討し、必要に応じてツールの利用、部分的な修正、再生成を選ぶ。Metaによると、生成時の処理を増やすほど評価スコアは一定の傾向で向上し、単に複数案から選ぶBest-of-Nよりも、推論やツール利用を挟むほうが性能を伸ばしやすいという。こうした使い分けは、強化学習の過程で現れたという。

Metaは今回、Muse Imageと同じ事前学習基盤の上に構築した動画生成モデル「Muse Video」もプレビューとして発表した。映像の忠実度が高く、音声もネイティブに扱えるという。Arena AI LeaderboardのText-to-Video Arenaでは、Muse Videoが3位（1459±15）に入り、Gemini Omni Flash（1527±13⁠）⁠、Seedance 2.0（1482±10）に続いている。

生成物の出どころを示す仕組みとしては、Meta AIアプリとmeta.aiに「Content Seal」が組み込まれている。Metaによると、Meta AIアプリまたはmeta.aiで生成された画像には、トリミング、圧縮、リサイズ後も残る不可視の透かしが付与される。Metaは、このウォーターマークの有無を確認する公開識別ツールもプレビューしている。