Character.AI、画像から動画を生成する新モデル「AvatarFX」を発表

キャラクターとのチャットがテキストのやり取りから、豊かに表情を変えて歌い、身振り手振りを交えて語りかける動画へと進化しようとしています。

Character.AI はマルチモーダルチームが開発した動画生成モデル「AvatarFX」を発表しました。1枚の静止画から、音声に合わせてリアルに話し、歌い、感情を表現するシネマティックな動画をボタン1つで生成できる技術です。

口パクを超えた身体表現と長尺対応

従来の音声駆動型アバターの多くは、口元だけが不自然に動き、数秒で崩れてしまうものが目立ちました。

AvatarFX は DiT アーキテクチャをベースにしたフローベース拡散モデルを採用し、独自の TTS 音声モデルと連携します。音声シーケンスに基づいて唇だけでなく頭部や手、身体の動きまで滑らかに連動させ、長尺動画でも破綻しない時間的一貫性を維持します。

テキストプロンプトではなく手持ちの画像を起点に生成できるため、構図やキャラクターデザインの再現性を高く保てます。実写の人物だけでなく、2D アニメ調、3D カートゥーン、神話上の生物、ペットや顔のある無機物にまで対応し、複数キャラクターによる会話の掛け合いも可能です。

生成コストと処理速度の課題に対しては、モデル蒸留技術を導入して拡散ステップ数を大幅に削減しました。画質を落とさずに推論を高速化しており、今後数か月以内に一般公開される予定です。有料プランの CAI+ ユーザーには先行提供枠が用意されています。

実在人物の顔を自動変形するディープフェイク対策

表現力が高まるほどディープフェイクの懸念も強まるため、安全面には厳しい制限が敷かれています。

システムは未成年者や著名な政治家、有名人の写真を検知して動画生成をブロックします。一般人の顔写真がアップロードされた場合でも、AI が顔のパーツを改変し、特定の個人として認識できないように処理します。

出力動画には実写ではないことを示す透かしが入り、テキスト内容も安全フィルターで監視されます。利用規約ではなりすましやいじめ、著作権侵害を固く禁じており、違反者に対しては警告なしで利用資格を取り消す厳格な一発退場ルールが適用されます。

なぜ重要か

対話型 AI がテキストや静止画の枠を飛び出し、動画による動的なコミュニケーションへ移行する象徴的な一歩と言えます。

クリエイターや一般ユーザーにとっては、これまで 3D モデリングやリギング、リップシンク編集など高度な技術が必要だったキャラクターアニメーション制作が、画像1枚で完結する手軽さを得られます。個人がオリジナルの物語やショートドラマを作るハードルが一気に下がるはずです。

業界全体で見れば、会話ボットの競争軸をテキストの賢さから視聴覚の一体感へと引き上げる効果があります。動画生成に蒸留技術を組み合わせて計算コストを抑えにいくアプローチは、大規模な実運用を見据えた現実的な判断と評価できます。

一方で、実在の顔写真を AI で別人化する安全対策は、ディープフェイク防止としては極めて強力ですが、自分自身の姿をそのままアバター化したいユーザーには制約となります。安全性の確保とユーザーの創作意欲をどう両立させていくかが、本格展開に向けた最大の焦点になりそうです。