AIはどのようにして自然な身体の動きを可能にするのか？

AIがどのように自然な身体の動きを可能にするかについて語るのは、とても興味深い話題だ。私は最近、浙江大学とアリババが開発したOmniAvatarシステムを目にした！子供の頃に見たSF映画を思い出すが、まさか現実になるとは思わなかった。しかし、この技術の原理は非常に複雑で、いくつかのアニメーションをつなぎ合わせるだけという単純なものではない。

スタティック・マジックからダイナミック・マジックへ

AIによって生成されたアニメーションの多くが、なぜいつも少し「偽物」っぽく感じるのか不思議に思ったことはありませんか？OmniAvatarは、ピクセル単位での多層オーディオ埋め込みという、非常に巧妙な方法を採用しています。簡単に言うと、AIは音声の各音節を注意深く聞き取り、その音のシグネチャーを絵の具のようにビデオの各ピクセルにレイヤーごとに適用するのです。例えば、あなたが「こんにちは」と言うとき、「n」と「h」は異なる口の形と体の動きに対応しており、AIはそれを正確に再現しなければならない。

ボディランゲージはどこから来るのか

私が一番驚いたのは、オムニ・アバターが体の動きさえも自然に処理できたことだ。従来の技術では、アバターはせいぜい口を動かすだけで、体は木偶の坊のようにしか動かせなかったことをご存知だろうか？1,320時間に及ぶ実際のビデオデータを分析することで、新システムは人間が話すときにする微妙な体の動きを学習した。例えば、興奮して肩を少し落としたり、考え事をしているときに思わず首を傾げたり。こうしたディテールの積み重ねが、デジタル・ヒューマンを本物そっくりに見せるのだ。

しかし、完璧ではない。長期間にわたって生成された動画は、信号が不安定な古いテレビのように、時折「ドリフト」することがあるのだ。研究者たちはあるトリックを使った。AIに「メモリー・アンカー」をつけ、画像の最初のフレームを凧の糸のように基準として使い、デジタル人間を引き戻し続け、画像がレールから外れないようにしたのだ。画像がレールから外れないようにするためだ。

将来の可能性

正直なところ、もしこの技術がもっと成熟していたら、考えられないほど多くの応用例があるだろう！遠隔教育における臨場感あふれるバーチャル教師とか、ライブの電子商取引における疲れを知らないデジタル・キャスターとか、すでに予見できる。しかし、AIの動きが人間の動きのような自然な滑らかさに到達するためには、技術的なボトルネックがまだたくさんある。例えば、複数の人と対話する際のボディランゲージへの対応や、より微妙な感情の変化の表現などだ。

AIが本当に "生きる "ためには、人間のボディランゲージ・コードをもっと観察することを学ぶ必要があるようだ。結局のところ、私たち人間も小さな赤ん坊から、自然で流暢な動作を習得するのに10年以上かかったわけではない？AIにとっても、これは時間をかけて蓄積されるプロセスである。しかし、現在の開発速度から判断するだけでも、数年後にはさらに驚くべきブレークスルーが見られるのかもしれない。

これを書きながらふと思ったのだが、いつかデジタルな人間が私の得意技を完全に自然な形で真似ることができたら、それは素晴らしいことだろう！