AIが「顔・声・表情」をリアルタイム生成する時代へ

会話型ビデオAI（CVI）を手がける米スタートアップTavusが、業界で注目を集めている。同社が開発した知覚モデル「Raven-1」は、相手の表情・声・視線をリアルタイムで解析し、それに応じた映像と音声をAIが生成する設計だ。

これまでの動画生成AIは「テキストを渡すと動画が返ってくる」という一方向の仕組みが主流だった。Tavusが提示するのはその先、相手の感情や文脈を読んで応答が変わる「双方向の動画AI」という概念だ。同社はこの層を「PAL（Personified Application Layer）」と呼んでいる。

「AIが動画に出てくる」という話はすでに各所で出ているが、Tavusの特徴は「出てくるだけでなく、こちらの反応を見て変化する」点にある。発表内容を読む限り、固定のアバターが喋るのではなく、視線や表情のフィードバックを拾いながら会話が進む仕様になっている。

使う側として整理しておきたいのは、「どのコンテンツ制作の文脈でこれが効くか」という点だ。

まず動画コンテンツ制作。現状、自分の顔出し動画を量産するには撮影・編集の工数がかかる。TavusのCVIを使えば、テキストや音声を元にした「AIヒューマン動画」を生成できる可能性がある。顔出しに抵抗があるケースや、多言語展開が必要なケースで特に相性がいい。

次にLP（ランディングページ）への組み込み。訪問者の行動に応じて説明が変わる「インタラクティブな動画」は、これまで実装コストが高かった。ただしRaven-1の知覚機能をLPに組み込む場合、APIとフロントエンドの接続設計が別途必要になるため、コードなしで完結する話ではない点は押さえておきたい。

接客・サポート応対への活用も想定される。FAQに答えるチャットボットの「動画版」として使う発想だ。

いずれの用途でも、現時点では「何がどこまで自動で動くか」を公式ドキュメントで確認するのが先決。Layer1要約のポイントが示す通り、「単なる動画生成ではない」というのが同社の主張だが、実際のできることとできないことの境界線は、ドキュメントを自分で読んで判断するしかない。

Raven-1のような知覚モデル——つまり「相手の感情や表情を読み取るAI」——は、今後しばらく業界の共通語になる可能性がある。実際、Tavus以外にも感情認識や視線追跡をコア技術に据えるスタートアップは複数存在しており、「AIが動画の中で反応する」という体験が徐々に標準化しつつある。

ここで使う側として意識しておきたいのは、こうした技術が「ユーザーのデータを収集している」という事実だ。表情・視線・声を解析するということは、それらのデータがどこかで処理されるということを意味する。ツールを選ぶ際、プライバシーポリシーやデータの保存・利用に関する仕様を確認する習慣は、今後ますます重要になる。

コンテンツ制作の効率化という文脈で見れば魅力的な技術だが、「使いこなす」ためには機能の理解と合わせて、そのツールが何を取得しているかを把握する視点が欠かせない。