【拡散モデル】ノイズから画像や動画を作る仕組みと、トランスフォーマーとの組み合わせ

GoogleはVeo 3のモデルカードで、潜在拡散（latent diffusion）を、いまの画像・音声・動画の生成モデルの「事実上の標準の手法」だと書いています。このカードは2026年1月に更新され、Veo 3以降の版にも当てはまるとされています。

文章から画像や動画を作るAIは、白紙に絵を描くのではなく、砂嵐のようなノイズを少しずつ消して絵を浮かび上がらせています。この記事では、その「拡散モデル」の仕組みと、トランスフォーマーと組み合わされるようになった経緯を整理します。