PixVerseがリアルタイム世界モデル「R1」公開：生成中にプロンプトで映像を即時書き換え

従来のAI動画生成は、プロンプトを入力して数十秒から数分待ち、出来上がった5秒ほどの映像を確認するという作業の繰り返しでした。気に入らなければ修正して再レンダリングするしかありません。

PixVerseが公開した「PixVerse R1」は、この制作フローを根本から変えようとしています。生成が終わるのを待つのではなく、1080Pの映像ストリームをリアルタイムで途切れなく生成し続ける対話型の世界モデルです。

最大の特徴は、映像が流れている最中にプロンプトを追加して世界を書き換えられる点です。何もない道路の映像が流れているところに「赤い車を出す」と打ち込めば車が走り込み、「遠くで爆発」と足せば背景の空に煙が立ち上ります。

リアルタイム操作と引き換えの不安定さ

PixVerseによると、R1はテキスト、画像、音声、動画を統合して処理するネイティブなマルチモーダル基盤モデルを採用しています。サンプリング手順を従来の数十ステップから1〜4ステップへと極限まで削減し、自己回帰フレームワークとメモリ拡張アテンションによって無限の連続生成を可能にしました。

ただし、初期デモを見る限り課題もはっきりと露呈しています。

利用者の間では、一貫性の維持がまだ甘く、時間が経つにつれて人物が歪んだり突然消失したりして、映像が「悪夢の燃料」と化していく現象が指摘されています。長時間にわたって物理的な法則や世界の記憶を保持し続けるのは、現状ではまだ困難です。

それでも試した人々が興奮しているのは、「今が最も未完成な段階」だからです。粗削りとはいえ、リアルタイムで動画を流しながらユーザーの指示で即座に介入できる仕組みを成立させたこと自体に価値があります。

なぜ重要か

PixVerse R1が示した最大の意味は、AI動画が「レンダリングして書き出す静的なファイル」から「いつでも干渉できる動的なシミュレーション」へと舵を切った点にあると私たちは考えています。

一般的なクリエイターが完成度の高い映像作品を作るツールとしては、まだ崩壊が激しく実用的とは言えません。しかし、インタラクティブ配信やAIネイティブなゲーム開発にとっては、台本なしでプレイヤーの行動にリアルタイム反応する世界を作る足がかりになります。

業界の競争という観点でも、他社が数秒間の映画のような画質向上を競い合っている中で、PixVerseがリアルタイム性に特化した世界モデルの領域に先手を打ったのは巧みな戦略です。自己回帰生成におけるエラーの蓄積という難問をどうクリアしていくかが今後の焦点になりますが、動画生成の新しい扉が開いたのは間違いありません。