英Anam、対話型アバター向け顔生成モデル「Cara-3」公開　遅延70ms

もし、映画のようにリアルだが返答に一拍置くAIアバターと、見た目は少し粗くても間髪をいれずに相槌を打つAIアバターの二者択一を迫られたら、どちらと話したいと感じるでしょうか。

多くの開発企業が肌の質感や髪の揺れの再現にリソースを注ぐなか、対話型アバターの現場からはまったく別の検証結果が示されました。2月17日、リアルタイム対話向けデジタルヒューマンを手がけるAnamは、最新の顔生成モデル「Cara-3」をリリースしました。

公開に合わせて実施された調査機関Mabyduckによる二重盲検テストでは、数百名の被験者がAnam、HeyGen、Tavus、D-IDの各アバターと「20の質問」ゲームを行いました。結果、Cara-3は競合の最高スコアを平均で24パーセント上回る評価を獲得しました。

さらに注目すべきは評価項目の相関データです。対話体験全体への影響度において、応答性の高さは相関係数0.697を記録した一方、視覚的なリアリズムは0.473にとどまりました。リアルタイムの会話においては、見た目の美しさよりも返答速度のほうが体験を大きく左右することが浮き彫りになりました。

表情とレンダリングを切り離す2段階構造

生身の人間の会話における反応速度はおよそ500ミリ秒未満と言われています。音声認識、大規模言語モデルの推論、音声合成、そして映像生成のすべてをその時間内に収めるには、描画処理に許される時間はごくわずかしかありません。

Cara-3はこの制約をクリアするため、パイプラインを2段階に分割しています。第1段階の「音声からモーションへの変換」では、独自のフロー・マッチング技術を用いて、音声信号から頭部の動き、視線、唇の形、表情の微細な変化をモーションデータとして抽出します。

第2段階の「モーションから顔への描画」では、抽出されたモーションを1枚の参照画像に適用して映像フレームを生成します。動作と外見の描画を分離したことで、追加の再学習を行うことなく、写真1枚から即座にカスタムアバターを動かせる仕組みを実現しました。

NVIDIA H200環境における最初のフレーム生成時間は約70ミリ秒に抑えられています。軽量なモデル構造により、1台のGPUで複数のアバターセッションを並行処理できるため、商用展開におけるインフラコストの低減にも直結しています。

なぜ重要か

私たちは、この発表がデジタルヒューマン市場の競争基準を塗り替える契機になると考えています。これまでのアバター技術は、あらかじめ原稿を読み上げさせる合成動画の画質を競い合ってきましたが、双方向のやりとりではアプローチがまったく異なります。

数秒フリーズする超リアルな顔はユーザーに不気味さを意識させますが、多少見た目が簡素でも即座に反応する顔には、脳が自然と人間らしさを知覚します。Anamのアプローチは、このユーザー心理のツボを的確に押さえています。

顧客対応、語学学習、オンライン診療といった領域の事業者にとって、単一GPUで高密度に運用でき、写真1枚から起動できる点は導入のハードルを大きく下げます。ある導入事例では、音声のみとアバターの二者択一で70パーセントの利用者がアバターを選び、成約率が24パーセント、継続率が44パーセント向上したとされています。

一方で課題も明確です。開発元自身が認めているように、長時間の対話における動作の単調さや、不自然な視線の彷徨、細やかな相槌の表現力などは、依然として人間との間に隔たりがあります。返答の遅延という最初の壁を越えた今、いかにして会話の文脈に合わせた自然な振る舞いを維持できるかが次の試金石になりそうです。