Odyssey、世界モデル「Starchild-1」と4人同時プレイ対応の「Agora-1」を発表

これまでの生成AI動画は、プロンプトを入力して数十秒待ち、数秒の固定映像を取り出す「事前レンダリング」が主流でした。画面がどれほど綺麗でも、生成が始まった瞬間に動画の展開は固定され、人間が途中で介入することはできません。

Odysseyはこの常識を覆す2つの世界モデルを発表しました。ユーザーの入力に合わせて音声と映像をリアルタイムに同期生成する「Starchild-1」と、最大4人のプレイヤーが同時に同じAI生成空間に入って遊べる「Agora-1」です。

音声と映像をリアルタイムに同時生成するStarchild-1

Starchild-1は、Odysseyが「初のリアルタイム・マルチモーダル世界モデル」と位置づけるモデルです。あらかじめ決められた動画の長さに縛られることなく、テキストや音声、操作のストリーミング入力を受け取りながら、最大24fpsで自律的に映像と音声を生成し続けます。

現実世界をシミュレートする上で音は不可欠ですが、音声と映像は時間の細かさが大きく異なるため、長い時間を生成するとズレが生じやすい課題がありました。

Odysseyは、双方向音声・映像基底モデル「Ovi」を因果蒸留によってリアルタイム自帰モデルへと適応させ、さらに非同期KVキャッシュ構造を採用しました。これにより、映像と音声を別々のテンポで処理しつつ、完全な同期を維持することに成功しています。

最大4人で遊べる黄金銃、描画とシミュレーションを分離

もう1つのAgora-1は、世界モデルをマルチプレイヤー環境へと拡張した意欲作です。名作シューティングゲーム『ゴールデンアイ 007』を模した環境を使い、最大4人が同じワールド内でリアルタイムに対戦するデモを公開しました。

参加者全員が見ている画面はすべて、モデルがその場で1ピクセルずつ生成しています。複数人の視点を破綻させないため、Agora-1はゲームエンジンの構造を模倣し、「世界のシミュレーション」と「各視点の描画」を2つの独立したモデルに分離しました。

1つのモデルがプレイヤーの行動から位置や体力といった共有ステータスを更新し、もう1つのモデルがそれぞれの視点から一貫した映像を描き出します。物理挙動やグラフィックパイプラインを人間がコードで書くのではなく、データから丸ごと学習させた形です。

なぜ重要か

私たちは、この発表が生成AIの主戦場を「動画の鑑賞」から「空間の操作」へと決定的に押し進めたと評価しています。

ゲーム制作者やクリエイターにとって、Agora-1が示す未来は極めて刺激的です。あらかじめ3Dモデルやスクリプトを用意しなくても、AIがその場で世界を構築し、プレイヤーの行動に応じて破綻なく反応してくれます。現在agora.odyssey.mlでデモが公開されており、荒削りながらも実際に触れる段階に達している点は見逃せません。

また、ロボット工学や自律型エージェントの開発にとっても、この技術は強力な訓練場になります。物理的な接触音や空間の一貫性を備えたマルチエージェント環境をリアルタイムに生成できれば、高コストな実機実験を行わずに仮想空間内で無数の試行錯誤が可能になります。

長時間生成時の整合性の維持や計算コストの高さなど課題は残るものの、世界モデルが「見るもの」から「入って動かすもの」へと進化した意義は非常に大きいです。