画像・音楽・音声生成AI最前線2026年6月：Midjourney V8.1 ネイティブ2K・FLUX.2 VTO・Stable Audio 3.0 オープンウェイト・ElevenLabs が $500M ARR 突破

2026年6月22日

2026年5〜6月、画像・音楽・音声の生成AI分野では大型アップデートが相次いだ。Midjourney は V8.1 でネイティブ2K生成とHDモード3倍高速化を実現し、Black Forest Labs の FLUX.2 はファッション向けバーチャル試着モデル「FLUX VTO」を投入。Stability AI は6分超の楽曲を生成できる Stable Audio 3.0 をオープンウェイトで公開し、ElevenLabs は Music v2・Dubbing v2 の連続リリースで年間経常収益5億ドルを突破した。各サービスの最新動向を一挙まとめる。

1. Midjourney V8.1 ——— ネイティブ2K・HDモード3倍高速化

Midjourney は2026年4月30日に V8.1 を正式リリースした。前バージョン（V8 Alpha、2026年3月）に続くマイナーアップデートだが、実用面での改善は大きい。

主な変更点

HDモードがデフォルト化——レンダリング速度が従来比3倍、コストは3分の1に低減
ネイティブ2K（2048px）生成——別途アップスケール不要で高解像度出力
プロンプト追従性の向上——複数要素が混在する複雑な指示への対応が改善
SREFとムードボードの安定化——バッチ間でスタイルの一貫性が保たれるように
SDモードも50%高速化・25%コスト削減——ラフ案作成フローが快適に

2026年現在、Midjourney は画像生成市場でシェア26.8%を占める最大手だが、無料トライアルは廃止されており、全プランとも月額課金制となっている。

出典: 9to6AI — Midjourney V8.1 Review 2026

2. FLUX.2 と FLUX VTO ——— Black Forest Labs がファッションECに進出

Black Forest Labs（BFL）は Stable Diffusion のオリジナル開発者チームが2024年に設立したドイツ系AI企業。2025年12月のシリーズBで評価額32.5億ドル・累計調達額4.3億ドルに到達し、2026年時点で画像生成領域で最も潤沢な資金を持つ純粋プレーヤーだ。

FLUX.2 ——— 2026年のフォトリアリズム最高峰

FLUX.2 は、プロンプト追従性・フォトリアリズム・タイポグラフィ・マルチリファレンス合成のいずれにおいても高い評価を受けており、専門家レビューサイトでは10点満点中9.2点を獲得している。オープンウェイト版（Dev・非商用）と API アクセスの Pro 版の両方が提供されている。

FLUX VTO ——— カタログ規模のバーチャル試着

2026年5月28日には FLUX VTO（Virtual Try-On）を発表。ファッション・EC 向けに特化した試着生成モデルで、次の特性を持つ。

生成時間: 4秒未満（カタログ量産に対応）
人物の顔・姿勢を保持したまま衣装を差し替え
ロゴ・プリント・ステッチなど衣装細部を忠実に再現
上下別々の衣装を組み合わせたマルチアイテム対応

生成AIとアート — Photo: gurucrusher / CC BY 2.0（Openverse経由）

さらに参照画像をそのまま編集できる FLUX.1 Kontext（文脈保持型編集モデル）も公開中。背景差し替えや配色変更を元画像の光源・質感を維持したまま行える。Dev（非商用）は HuggingFace からダウンロード可能。

出典: Flux2pro — FLUX VTO発表まとめ / The Planet Tools — FLUX.2レビュー

3. Stable Audio 3.0 ——— ライセンス済み楽曲で6分超・オープンウェイト3モデル

Stability AI は2026年5月20日、音楽生成モデルの新世代 Stable Audio 3.0 を公開した。最大の特徴は、すべての学習データが ライセンス済み である点と、3モデルのオープンウェイト公開だ。

モデル	パラメータ数	最大生成長	公開形態	用途
Small SFX	459M	2分	オープンウェイト	効果音、スマートフォン・低スペックPC対応
Small	459M	2分	オープンウェイト	短編楽曲、オンデバイス音楽生成
Medium	1.4B	6分20秒	オープンウェイト	フルコンポジション
Large	2.7B	6分20秒超	API・エンタープライズのみ	音楽プラットフォーム向け高品質生成

前世代の Stable Audio 2.0（2024年）は最大3分だったが、今回は 2倍以上の6分20秒 を実現。新しい「セマンティック音響オートエンコーダ」アーキテクチャにより、秒単位の長さ制御が可能になった。Small SFX と Small は H200 GPU 上で 0.44秒、Medium は 1.31秒で生成を完了する。

Stability AI は著作権訴訟（2023年提訴・2026年9月裁判予定）を抱える中、「ライセンス済みデータのみ学習」という方針を前面に打ち出しており、コミュニティライセンスのもとでユーザーは出力物の商用利用・配布が可能だ。

出典: TechCrunch — Stable Audio 3.0発表 / The Decoder — 詳細解説

4. ElevenLabs ——— Music v2・Dubbing v2・$500M ARR 突破

ElevenLabs は2026年春から初夏にかけて、音声・音楽・映像の各分野で連続リリースを展開した。

主要リリース一覧

日付	内容
2026年4月29日	ElevenMusic アプリ公開 — 音楽生成専用プラットフォーム（Explore / Library / Studio / Artist の4セクション）
2026年5月5日	年間経常収益（ARR）5億ドル突破を発表。BlackRock・NVIDIA・Jamie Foxx ら新投資家も参加
2026年5月26日	Music v2 公開 — ジャンル切替・セクション単位のコンポジション制御・英語/スペイン語/ドイツ語/日本語など多言語対応
2026年5月28日	Dubbing v2（Alpha）公開 — 元話者の声質・感情・トーンを保持したまま90言語以上に自動翻訳・吹替
2026年6月8日	英国政府と提携し、公共サービスへの音声AIの導入を開始（ロンドン拠点も拡充）

Dubbing v2 の仕組み

従来の自動吹替では「言葉の意味」しか移植できなかったが、Dubbing v2 は元音声を直接参照することで感情・抑揚・間合いを翻訳後にも再現する。同期対応翻訳ロジックにより、原文の句読点位置に合わせて発話の開始・終了タイミングが自動調整される。アップロード上限は2GB・180分で、最大9話者まで対応する。

出典: ElevenLabs 公式ブログ / Feisworld Media — Dubbing v2 詳細解説