rinna Co., Ltd.が日本語特化型画像生成AI「Japanese Stable Diffusion」を開発・公開

rinna Co., Ltd.は、テキストから画像を生成するAI「Stable Diffusion」を日本語に特化させた「Japanese Stable Diffusion」を開発しました。Stable Diffusionは主に英語のデータセットで学習しており、英語のプロンプトで西洋文化に偏った画像を生成する傾向がありました。Japanese Stable Diffusionは、日本語のキャプションが付いた画像データセットでファインチューニングすることで、日本語のプロンプトに対応し、日本の文化や表現を反映した画像を生成できます。開発には約1億枚の日本語キャプション付き画像を使用し、学習データ量が少ないという課題に対し、既存のStable Diffusionをファインチューニングする手法を採用しました。学習プロセスは2段階に分かれており、第1段階で日本語のテキストエンコーダーを導入し、第2段階でテキストエンコーダーと潜在拡散モデルの両方を学習させることで、日本語の文化や表現を理解し、日本らしい画像を生成できるようにしました。このモデルはHugging FaceやGitHubで公開されており、AIの民主化と日本語文化のアイデンティティを保証するAIの利用促進を目指しています。