AIアバターは、デジタルエクスペリエンスにおける新たなインターフェースになりつつあります。今後、あらゆるアプリ、ゲーム、ブランド、プラットフォームが、エージェント、アシスタント、コンパニオン、あるいはNPCとして、何らかのAIアバターを提供するようになるでしょう。現在、その多くはテキストや音声の形で存在しています。それでも機能はします。しかし、そこには限界があります。チャットボックスと関係性を築くことはできないからです。

次のレイヤーは、視覚表現です。ユーザーは、目に見える存在、こちらに反応してくれる存在、そして“顔”を持つペルソナにこそ、つながりを感じます。

AIアバターを画面上で“生きた存在”として表現する方法は、大きく2つあります。リアルタイム・キャラクターリグ方式と、動画ベースの生成方式です。この2つは、コスト構造、レイテンシー、そして失敗の起こり方が大きく異なります。どちらを選ぶべきかは、何を作ろうとしているのかによって完全に変わります。私たちは、この課題に何年も向き合ってきました。そこで今回は、それぞれのトレードオフに対する私たちの見解と、なぜ私たちがあえて、より難しいアプローチを選んだのかをお伝えします。あなたが同じ苦労をしなくて済むように。

2つの方式

リアルタイム・キャラクターリグ方式は、ゲーム業界やハリウッドが何十年にもわたって3Dアニメーションキャラクターに用いてきた手法を、AI向けに進化させたものです。キャラクターはリグ化された3Dアセットとして構築され、ユーザーの端末上でレンダリングされます。サーバーが送るのはピクセルではなく、軽量なアニメーション信号です。たとえば、ブレンドシェイプ、ボーン変換、モーションカーブなど、メガバイト単位ではなくキロバイト単位のデータです。そしてクライアント側が、そのキャラクターをローカルで“生きた存在”として動かします。

動画ベースの方式では、キャラクターを動画として、サーバー側でフレームごとに生成します。モデルがピクセルを出力し、そのピクセルが通常の動画と同じようにユーザーへストリーミングされます。

どちらにもメリットとデメリットがあります。多くのチームは、初期設定のように動画方式を選びがちです。しかし、その「当たり前の選択」こそ、掘り下げて検討する価値があります。

動画方式が有効な理由と、その限界

動画ベースの方式が人気なのは、素早くリリースできるからです。独自のランタイムを構築する必要も、SDKを保守する必要も、リギングのパイプラインを用意する必要も、専門人材を採用する必要もありません。出力された映像は、動画プレイヤーを備えたあらゆる環境にストリーミングできます。そして、フォトリアルな人間キャラクターについては、現在の生成動画の品質も向上し始めています。

PMF前の段階で、視覚表現のレイヤーを検証したいだけであれば、動画方式はAIアバターの仮説検証として合理的な選択肢です。通常、生成には1クリップあたり数秒以上かかります。インタラクションモデルが非同期型であり、ユーザーがその待ち時間を許容できるのであれば、動画方式は本番環境でも機能します。

要するに、動画方式が有効なのは、ユーザーがリアルタイムで会話するのではなく、一方向的に視聴するインタラクションの場合です。また、長期的な経済性よりも、フォトリアルな人間表現が重視される場合にも適しています。たとえば、TikTok向けの動画や企業研修動画で使用される、スポークスパーソンやトーキングヘッドのような用途がこれにあたります。

この方式の問題は、本格的なインタラクティブ・プロダクト体験を構築しようとしたときに表面化します。

• レイテンシー。動画生成は、リアルタイムでの双方向会話をまだ支えられません。プロダクトが同期型の体験であるなら、それだけで採用は難しくなります。コンパニオン、エージェント、サポート体験の多くは同期型です。

• コストはあらゆる軸で増加します。すべてのフレームがサーバー側でレンダリングされ、クライアント側に処理を逃がすことができません。ユーザーが増えるたび、会話時間が伸びるたび、品質を上げるたびに、コストは上昇します。これが、目にするデモの多くが短く、低解像度である理由です。十分な長さで高品質を実現するにはコストがかかります。つまり、プロダクトが成功するほど、経済性は悪化していくのです。

• アイデンティティの揺らぎ。生成動画は、フレームごと、セッションごとの一貫性に課題があります。キャラクターの見た目が毎回少しずつ変わってしまうのです。キャラクターへの愛着を前提とするプロダクト、特にキャラクターそのものが資産であるライセンスIPにおいて、これは深刻な問題です。

• 不気味の谷。動画生成におけるフォトリアル表現は、人間キャラクターでは向上してきています。一方で、スタイライズされたキャラクターについては、まだ同じ水準には達していません。コンシューマー向けプロダクトにおいて、過度にリアルな人間アバターは、技術が常に満たせるとは限らない「完璧さ」の基準をユーザーに期待させてしまいます。

• デバイスと帯域への負荷。生成動画のストリーミングはバッテリーを消費し、通信環境にも左右されます。

• マルチプレイヤー体験が成立しにくい。生成動画による共有型・同期型の体験は、スケールしにくいのです。

キャラクターリグ方式を選ぶ理由、そして、そのコスト

リグベースのキャラクター方式は、こうしたトレードオフのほぼすべてを逆転させます。

レンダリングが端末上で行われるため、キャラクターの状態は、リアルタイムの音声、感情、会話の文脈に応じて100ミリ秒未満で更新できます。キャラクターは、ユーザーの入力、UIの状態、ゲームプレイのロジックに直接反応します。そのため、プロダクトの中で再生されている動画ではなく、プロダクトの一部として感じられるのです。アイデンティティの一貫性は、構造的に担保されています。リグ化されたキャラクターは、設計上、すべてのフレーム、すべてのセッションにおいて、その形状とモデルを維持します。キャラクターのカスタマイズやアセットシステムもリグに直接接続できるため、マネタイズのレイヤーが最初から組み込まれています。たとえば、ユーザーがコレクション要素を通じて衣装をカスタマイズするような体験です。

また、ストリーミングされるピクセルではなく、同期された状態を扱うことで、マルチプレイヤー体験も現実的になります。2つ以上のペルソナがリアルタイムで相互にやり取りできるのです。これにより、動画レンダリングでは実現できないゲーム体験も可能になります。

では、なぜ誰もがこの方式を採用しないのでしょうか。理由は、コストが初期段階に集中し、しかも非常に大きいからです。

高額な初期投資。ユーザーやユースケースごとに高度なカスタマイズが可能でありながら、簡単に統合できるだけの拡張性を備えたリアルタイム・キャラクターシステムを構築するには、数か月ではなく、何年もかかることがあります。

専門人材。リガー、テクニカルアーティスト、ランタイムエンジニアは希少で、採用コストも高くなります。

クロスプラットフォーム対応は地道で重い作業です。iOS、Android、Web、デスクトップ、そしてゲームエンジンにまたがってSDKを提供するには、継続的かつ大規模なエンジニアリング負荷が伴います。

判断基準

自社プロダクトでこの選択を検討しているなら、私たちは次のように整理します。

リグベース方式が適しているのは、次のような場合です。ユーザーとのインタラクションモデルが同期型であり、リアルタイムな応答性がプロダクトの中核である場合。ユーザー基盤がすでに一定規模に達している、またはスケールに近づいており、セッションごとのコストが持続不可能になり始める場合。キャラクターがスタイライズされた表現である場合。ロードマップに、多数のキャラクター、ユーザー生成アバター、またはクリエイターツールが含まれている場合。キャラクターが複数の接点をまたいで一貫して存在する必要がある場合。あるいは、リアルタイム・ランタイムを支えるだけの技術的な深さと、十分な時間軸を持っている場合です。

動画方式が適しているのは、次のような場合です。素早くリリースする必要がある場合。PMF前の段階で検証を行っている場合。キャラクター数が少なく、今後も増える予定がない場合。インタラクションモデルが非同期型であり、ユーザーが5秒以上のレイテンシーを許容できる場合。フォトリアルな人間表現が価値提案の中核である場合。あるいは、チームに開発者がいない場合です。

要約すると、ユーザーとAIアバターのリアルタイムなインタラクションを、大規模に実現することを前提にするなら、リグベース方式が唯一の現実的なアプローチです。しかもこれは、リグベースのキャラクター方式に構造的に備わっている、カスタマイズ性やマネタイズ面での上振れを考慮する前の話です。

でも、リアルタイム生成動画はいずれ差を埋めるのでは

これは最もよくある反論であり、妥当な指摘でもあります。拡散モデルベースの動画生成におけるレイテンシーは、急速に低下しています。しかし、生成が速くなるだけでは、構造的な問題は解決しません。

クライアント側でレンダリングする道筋は、依然としてありません。つまり、ユーザーごと、セッションごとにコストが永続的に発生し、さらに通信環境への強い依存も残ります。

生成動画には、依然として揺らぎがあります。キャラクターや世界の見た目がフレームごとに変わってしまうため、アイデンティティや愛着を前提とするプロダクトでは、それだけで採用が難しくなります

スタイルコントロールも、まだ解決されていません。感情状態が変化しても、特定の美的スタイルを安定して維持することは、生成AIにおける未解決の課題です。

問題は、単に速度ではありません。根本はアーキテクチャにあります。

なぜ私たちは難しい方を作ったのか

Geniesでは当初から、大規模なリアルタイム・インタラクションの実現を前提にしていました。そのため、リグベースの道筋が唯一の実現可能な選択肢でした。だからこそ私たちは、過去5年間のR&Dを通じて、多くのチームがこの方式を避ける理由となっている、まさにその弱点に取り組んできました。

.

初期投資は、すでに終えています。私たちは、このシステムを作り続けてきました。

人材の課題も解決済みです。私たちは、この仕組みを成立させるために必要なリガー、テクニカルアーティスト、ランタイムエンジニアからなる専門チームを構築してきました。だから、あなたが同じチームを作る必要はありません。

生成アニメーションは、真に未解決の課題であり、私たちのR&Dの多くはこの領域に注がれています。私たちのBehavior Modelは、LLMの出力を、表現力があり、キャラクターとしての一貫性を保った振る舞いへとリアルタイムに変換します。これは現時点でも魅力的な体験であり、今後の研究の進展に合わせて改善されていくよう設計されています。また、私たちのLooks Modelを使えば、誰でもテキストや画像のプロンプトから、完全にリグ化され、エンジンですぐに使えるキャラクターを生成できます。これにより、キャラクター制作に包括的なキャラクターパイプラインは不要になります。

クロスプラットフォームの複雑性は、私たちのネイティブ・アバターフレームワークによって処理されます。このフレームワークは、アプリ、Web、モバイル、ゲームエンジン、XRを横断して動作します。各プラットフォームのアップデートに対して、プラットフォームごとに大規模なエンジニアチームを常設するのではなく、必要なラッパーを自動生成できるように設計されています。

その結果として実現したのが、私たちが当初から目指していたものです。つまり、リグベース方式の強みを、参入障壁なしに活用できる仕組みです。パートナーは、100ミリ秒未満の応答性、構造的に担保されたアイデンティティの一貫性、ユーザー数に比例して増え続けないコスト構造、そして組み込み型のカスタマイズレイヤーを手にできます。しかもそれは、数年がかりの社内プロジェクトとしてではなく、エンジンですぐに使えるアセットとして提供されます。だからこそ、エンターテインメントやメディア領域で最も影響力のあるIPが、すでに私たちとパートナーシップを結んでいます。そして、大規模展開時には動画方式と比べて350倍以上の効率性を実現できるというコスト構造が成立する理由も、そこにあります。

結論

AIアバターがデモであるなら、動画方式が最も早くそこへ到達できます。しかし、AIアバターがプロダクトであるなら、つまりユーザーが何度も戻ってきて、愛着を持ち、リアルタイムにインタラクションする存在であるなら、最初の印象以上に、その裏側にあるアーキテクチャが重要になります。

私たちは、5年前にこの選択をしました。

もしあなたが今、その選択をしようとしているなら、ぜひお話ししたいと思っています。ストーリー主導のプラットフォーム、教育アプリ、ゲーム、あるいはエンタープライズ向けエージェントにキャラクターを導入しようとしている場合でも、ぜひこちらから私たちのチームにお問い合わせください。