SpAItialが3D世界モデル「Echo-2」発表：1枚の写真から操作可能な空間を生成、Marble 1.1超え

動画生成AIの映像は見事ですが、カメラの向きを変えた瞬間に家具が歪んだり物が消えたりすることがよくあります。これは次の一コマを予測しているだけで、AIが空間を理解していないためです。

AIスタートアップのSpAItialは、新たな3D世界生成モデル「Echo-2」を発表しました。テキストのプロンプトやたった1枚の写真から、幾何学的な破綻のない、実際に歩き回れる3D空間をまるごと作り出せるといいます。

映像の予測ではなく、最初から3Dを組み立てる

従来の動画生成モデルはフレームを連続して予測するため、計算負荷が非常に高く、時間が経つにつれて形状が崩れる「ジオメトリのドリフト」が避けられませんでした。

Echo-2は根本的にアプローチが異なり、最初から持続性のある3D表現を生成します。空間の構造が固定されているため、中を自由に移動しても壁や物体が歪むことがありません。Webデモには3Dガウススプラッティング（3DGS）が採用されており、高性能な専用マシンがなくても、一般的なPCのブラウザ上で滑らかにリアルタイム描画されます。

さらに、シーンを構成する要素を細かく把握できる点も特徴です。セマンティックセグメンテーションによって椅子やテーブル、壁、床などを個別に識別するため、プロンプトを入力するだけで家具を1点だけ配置換えしたり、部屋全体のインテリアスタイルを変更したりできます。2Dの間取り図から操作可能な3D内覧空間を起こすことも可能です。

世界モデルの評価指標であるWorldScoreベンチマークにおいて、SpAItialはWorld Labsの最新モデル「Marble 1.1」に対し、コンテンツの一致度、主観的品質、総合スコアの主要3項目すべてで上回ったと主張しています。

なぜ重要か

世界モデルは、単なる見栄えの良いデモ動画から、実用的な3D制作基盤へと移りつつあります。

インディーゲームの開発者や空間デザイナーにとって、Echo-2はアセット制作とレベルデザインの手間を大幅に減らします。高価な3Dスキャナを使わずとも、写真1枚から数分で探索可能な環境を立ち上げ、キャラクターを歩かせてプロトタイプを検証できます。

業界全体にとっての大きな本命は、フィジカルAIやロボティクスです。Li Fei-Fei氏率いるWorld LabsがMarble 1.1で先陣を切った領域に、SpAItialが真っ向から対抗してきたことで、空間知能の競争は一気に激化しました。ロボットを実世界で動かすには、事前のシミュレーション環境が大量に必要であり、写真から高精度なデジタルツインを作れる技術はその供給源になります。

もっとも、Echo-2が現在達成しているのは主に静的な3Dの一貫性です。開発元も認めている通り、物が落ちれば割れ、押せば倒れるといった物理法則のシミュレーションは今後の課題です。それでも、ブラウザで軽快に動く編集可能な3D世界を即座に生み出せるようになったことは、現実とデジタルの橋渡しに向けた確実な前進といえます。