Synthesiaが「Expressive Avatars」発表：AIアバターが感情豊かに進化

社内研修やコンプライアンスの動画で、AIアバターの不自然さにうんざりした経験はないでしょうか。体は動かず、視線は宙を泳ぎ、口元だけが機械的に動く姿は、どうしても見る人を白けさせてしまいます。

AI動画生成のユニコーン企業であるSynthesiaが、この課題にメスを入れました。同社は4月25日、世界初となる完全AI生成型のアバター「Expressive Avatars」を発表しました。入力されたテキストに合わせて喜怒哀楽の感情を表現し、より自然な口の動きや表情のニュアンスを再現できます。

切り貼り動画からの脱却

従来のアバター動画生成は、いわば高度な切り貼り細工でした。スタジオで撮影した実在の人物の映像から口元や顔のパーツを細かく切り出し、原稿に合わせて繋ぎ合わせる仕組みです。そのため、どうしてもぎこちなさが残りました。

今回の新バージョンでは、大規模な事前学習モデルを用いてアバターをリアルタイムに生成します。ディープラーニングが人間の表情筋の微細な動きのパターンを捉え、人間が感情を込めて話す様子を再現する仕組みに刷新されました。

CEOのVictor Riparbelli氏は、まだ完成度は100パーセントではないとしつつも、年末までには驚くべき水準に達すると語っています。人間の笑顔の微妙な違和感を言葉で定義するのは不可能ですが、AIネットワークならそのパターンを学習できると説明しています。なお、同氏によると次の大きな開発課題は手であり、手の自然な生成は非常に難易度が高いと述べています。

B2B市場への徹底した集中

一般消費者向けツールとAPI提供の二刀流を取るOpenAIとは異なり、Synthesiaは企業向け市場に完全に特化しています。用途も社内研修やマーケティング、製品解説などに絞り込んでいます。

この戦略は順調に実績を上げています。今回のアップデート前までに、20万人以上のユーザーが225種類の従来型アバターを使い、約130言語で1800万本以上の動画を制作してきました。顧客にはZoom、BBC、DuPontなどの大手企業が名を連ねています。

用途をB2Bに限定することは、ディープフェイク対策という観点でも重要です。同社の技術は過去にベネズエラでの政治的プロパガンダやSNS上の偽ニュースに悪用された経緯があります。同社は先月利用規約を更新し、不正利用者の早期検知やAI安全性チームの増員に加え、コンテンツの出所を証明するC2PA技術の導入試験を進めています。

同社は2023年6月に9000万ドルを調達し、評価額10億ドルのユニコーンとなりました。現在は追加の資金調達計画はないとしていますが、動画のリアルタイム生成には莫大な計算資源が必要となります。

なぜ重要か

私たちは、Synthesiaのこの差別化戦略を極めて現実的で賢い選択だと考えています。何でも生成できる汎用動画モデルで巨大テック企業と真っ向勝負するのではなく、企業が日常的に予算を投じている研修や広報の動画制作という特定のワークフローに特化しているからです。

多言語展開を進めるグローバル企業にとって、130言語で感情豊かに語りかけるアバターは、撮影コストと制作期間を劇的に削減する強力なツールになります。退屈な説明動画の離脱率を下げる効果も期待できます。

ただし、今すぐすべての動画をこれに置き換えるべきかといえば、まだ慎重になる必要があります。顔の表情が豊かになったとはいえ、手や体の自然な動作は依然として未完成であり、硬直した胴体に表情豊かな顔だけが乗っている状態は、かえって不気味の谷を意識させる懸念があります。

さらに、表現力が高まるほどなりすましや不正利用のリスクも跳ね上がります。C2PA技術の検証など対策は講じられているものの、動画のスクリーンショットや再録画まで完全に防ぐことは困難です。導入する企業側にも厳格な承認プロセスの構築が求められます。