ネット接続不要、コンシューマー向けグラフィックボード1枚だけで、パソコン上に「見ながら・聞きながら・話し、さらに能動的にリマインドもする」人間のようなAIアシスタントを持てます。これは絵空事ではなく、MiniCPM-o 4.5がすでに、あなたのパソコンで直接動かせるものにしています。

MiniCPM-o 4.5は、ModelBestが清華大学と共同で発表した、業界初のエンドツーエンド全二重・オールモーダル大規模モデルです。わずか9Bのパラメータ規模でありながら、マルチモーダル知覚＋ストリーミング音声対話の完全なクローズドループを実現しました。Hugging Faceでのモデルのダウンロード数はすでに25万+に達しています。

MiniCPM-o 4.5とは

簡単に言えば、同時に「動画を見る、音を聞く、話して返答する、能動的にリマインドする」ができるAIアシスタントモデルです。従来の大規模モデルとの最大の違いは次のとおりです。

• 全二重対話：相手が話し終わるのを待つ必要がなく、いつでも割り込んで話しかけられ、それをリアルタイムに感知します
• オールモーダル：動画、音声、テキストの入力＋テキスト、音声の出力を、1つのモデルで全部こなします
• オフラインで利用可能：すべてローカルで動き、データはあなたのパソコンの外に出ません

体験方法

方法1：オンラインDemo（ハードルゼロ）

登録もダウンロードも不要で、ブラウザを開くだけで体験できます。

• パソコン向け：https://minicpmo45.modelbest.cn/
• スマホ向け（推奨）：https://minicpmo45.modelbest.cn/mobile/

Demoは3つの対話モード——従来のターン制対話、音声全二重対話、動画全二重対話——を紹介しており、Promptや参照音声などのパラメータも完全に調整できます。

方法2：ワンクリックインストーラーComni（推奨）

ModelBestはWindows/macOSのデスクトップインストーラーを提供しており、モデルのダウンロード、環境のインストール、Demoの実行機能が統合されています。

Windows版：

• GitHub：https://github.com/tc-mb/llama.cpp-omni/releases/latest/download/Comni-Setup-win64.exe
• ModelScope：https://modelscope.cn/models/OpenBMB/MiniCPM-o-4_5-gguf/resolve/master/app/Comni-Windows-x64.exe
• ハードウェア要件：12GB+のVRAMを持つGPU（RTX 4080/4090/5070/5080/5090）

macOS版：

• GitHub：https://github.com/tc-mb/llama.cpp-omni/releases/latest/download/Comni-macOS-arm64.dmg
• ModelScope：https://modelscope.cn/models/OpenBMB/MiniCPM-o-4_5-gguf/resolve/master/app/Comni-macOS-arm64.dmg
• ハードウェア要件：M1-M5 Max/M5 Pro、16GB以上のメモリを推奨

方法3：無料API

APIエンドポイント：https://api.modelbest.cn/minicpmo45/v1/

現在は無料で公開されており、オールモーダル・全二重のリアルタイム対話に対応しています。対話ターンの制御にVAD機構は不要です。APIドキュメント：https://api.modelbest.cn/minicpmo45/docs

方法4：オープンソースコードで自前デプロイ

Demoのフロントエンド・バックエンドコードは完全にオープンソース化されています：https://github.com/OpenBMB/MiniCPM-o-Demo

Linuxユーザーはコードリポジトリをクローンして完全なDemoサービスをデプロイできます。これは、ローカルにデプロイ可能な全二重・オールモーダル対話デモプロジェクトの最初期の1つです。

中核技術：Omni-Flowストリーミング・オールモーダルフレームワーク

MiniCPM-o 4.5の中核的な突破は、Omni-Flowストリーミング・オールモーダルフレームワークです。共有されるミリ秒単位のタイムラインを作り出し、視覚、音声、言語などのすべての情報ストリームをタイムスライスへ正確に整列させます。モデルは毎秒1回という高頻度で環境認知を更新し続け、いつ話すか、いつリマインドするかを自律的に判断します。

モデルアーキテクチャは4つの大きなモジュールで構成されます。

• 視覚エンコーダー（0.4B）：SigLIP-ViT。「見る」を担当
• 音声エンコーダー（0.3B）：Whisper-Medium。「聞く」を担当
• LLMベース（8B）：Qwen3-8B。「考える」を担当
• 音声Tokenデコーダー（~0.3B）：軽量なLlamaアーキテクチャ。テキストから音声への変換を担当

パフォーマンス

9Bパラメータと侮ってはいけません。MiniCPM-o 4.5は複数の次元で際立った成績を収めています。

• 視覚能力：OpenCompass総合スコア77.6、MMBench英語スコア87.6で、Gemini 2.5 Flashに匹敵
• オールモーダル対話：Daily-Omni、Video-Holmesなどの評価でGemini 2.5 FlashとQwen3-Omniを全面的に上回る
• 推論効率：INT4量子化版はVRAM 12GBだけで動き、デコード速度は212 tokens/sに達し、Qwen3より40%+速い
• 音声生成：中国語・英語の音声生成品質と感情表現力はいずれもCosyVoice2を上回る

活用シーン

MiniCPM-o 4.5の全二重能力は、従来のターン制対話モデルでは務まらない一連のシーンを解放します。

• 能動的なパートナー：料理、修理、運動中にリアルタイムで指導とリマインド
• バリアフリー支援：視覚障害者の「目」となり、環境を観察し続け、重要な情報を能動的に読み上げる
• スマートコックピット：道路状況とドライバーの状態を継続的に監視し、安全警報を能動的に発する
• 身体性知能：ロボットの「脳」として、動的な環境を捉え続け、自律的に意思決定する

関連リンク

• 技術レポート：https://github.com/OpenBMB/MiniCPM-o/blob/main/docs/MiniCPM_o_45_technical_report.pdf
• Hugging Face：https://huggingface.co/openbmb/MiniCPM-o-4_5
• ModelScope：https://www.modelscope.cn/models/OpenBMB/MiniCPM-o-4_5
• Demoリポジトリ：https://github.com/OpenBMB/MiniCPM-o-Demo