はじめに
本稿では、Meta社のAI研究部門であるMeta AIが2025年6月27日に発表した研究について、同社の公式ブログに掲載された「Modeling natural conversational dynamics with Seamless Interaction」という記事を基に、その核心と重要性を分かりやすく解説します。
この研究は、二人の人間が対話する際の、言葉にならない「間」や「相づち」「ジェスチャー」といった非言語的な相互作用をAIが自動で生成する技術に関するものです。この技術が実現すると、バーチャルアシスタントやVR/AR空間でのアバターを通じたコミュニケーションが、これまでとは比較にならないほど自然で人間らしいものになる可能性があります。
引用元記事
- タイトル： Modeling natural conversational dynamics with Seamless Interaction
- 発行元： Meta AI
- 発行日： 2025年6月27日
- URL： https://ai.meta.com/blog/seamless-interaction-natural-conversational-dynamics/
Github
- タイトル：Seamless Interaction Dataset
- URL：https://github.com/facebookresearch/seamless_interaction
・本稿中の画像に関しては特に明示がない場合、引用元記事より引用しております。
・記載されている情報は、投稿日までに確認された内容となります。正確な情報に関しては、各種公式HPを参照するようお願い致します。
・内容に関してはあくまで執筆者の認識であり、誤っている場合があります。引用元記事を確認するようお願い致します。
要点
- Metaは、2者間の対話から自然な表情やジェスチャーを生成するAIモデル群「Dyadic Motion Models」を発表した。
- このモデルは、音声だけでなく相手の視覚情報（表情や動き）も利用し、うなずきや相づち、つられ笑いといった非言語的な相互作用を再現できる。
- モデルの学習には、4000時間以上の対面での2者間対話を収録した世界最大級のデータセット「Seamless Interaction Dataset」が用いられ、これも研究コミュニティ向けに公開された。
- 本技術は、より人間らしいバーチャalエージェントや、VR/ARにおける没入感の高いテレプレゼンス体験の実現を目的としている。
- プライバシー保護のため、データ収集には細心の注意が払われ、生成されたコンテンツには偽造防止のための電子透かし技術が導入されている。
詳細解説
なぜ「2者間の自然な対話」の再現が重要なのか？
私たちが誰かと話すとき、コミュニケーションは言葉だけで成り立っているわけではありません。相手の話にうなずいたり、驚いて目を見開いたり、面白いところで一緒に笑ったりします。こうした言葉以外の要素、すなわち非言語的な相互作用が、会話のテンポや親密さを生み出し、コミュニケーションを豊かにしています。Meta AIは、この人間同士のやり取りを「ダンス」に例えています。一方が動けば、もう一方もそれに合わせて反応する、連続的でダイナミックなプロセスです。
これまでのAI研究の多くは、一人で話したり動いたりするモデルが中心でした。しかし、本当に人間らしいAIやアバターを作るには、こうした二人の間の「相互作用」そのものをモデル化する必要があります。今回の研究は、まさにこの課題に正面から取り組んだ点で非常に画期的です。
新技術の核心「Dyadic Motion Models」
今回発表された技術の心臓部が「AV Dyadic Motion Models」と呼ばれるAIモデル群です。これはAudio-Visual（視聴覚）とDyadic（2者間）という単語が示す通り、「二人の人間の音声と映像から、身体全体の動きを生成する」モデルです。
- 入力情報と出力結果
このモデルは、基本的には対話している二人の音声を入力として、それぞれの人物の表情やジェスチャーを生成します。例えば、ポッドキャストの音声だけを基に、話している二人がまるでその場で対話しているかのような映像を作り出すことができます。
さらに重要なのは、片方の人物の映像（表情や動き）を追加で入力できる点です。これにより、モデルは単に話している内容に合わせたジェスチャーをするだけでなく、相手の表情を見て反応することを学習します。例えば、相手が微笑んだのを見て自分も微笑み返す「スマイルミラーリング（smile mirroring）」や、相手が見ている方向に視線を合わせる「共同注視（joint gaze attention）」といった、高度で自然な相互作用を再現できるようになります。これは、人間らしい「聞き上手」なAIを実現するための大きな一歩です。 - 幅広い応用可能性
このモデルのもう一つの特徴は、特定の出力形式に縛られない点です。モデルは、顔や体の動きを「中間コード」として出力します。これにより、生成された動きを、フォトリアルな2Dビデオに変換したり、Metaが研究開発を進める超リアルな3Dアバター「Codec Avatars」を動かすために使ったりと、様々な用途に応用できます。将来的には、VR/AR空間で会う友人のアバターが、本当にその人らしい自然な仕草でコミュニケーションをとってくれるようになるかもしれません。
強力な学習基盤「Seamless Interaction Dataset」
優れたAIモデルを開発するには、質の高い大量の学習データが不可欠です。そこでMeta AIは、この研究のために「Seamless Interaction Dataset」という、かつてない規模のデータセットを構築し、これを研究用に公開しました。
- データセットの圧倒的な規模と質
- 収録時間: 4,000時間以上
- 参加者: 4,000人以上
- こだわり: このデータセットの特筆すべき点は、すべての対話が「対面」で収録されていることです。オンラインでの会話では失われがちな、身体の向きや微細な仕草といった、物理的に同じ空間にいるからこそ生まれる相互作用のデータを捉えるためです。
- 多様な人間関係と感情の網羅
データの多様性を確保するため、収録内容にも工夫が凝らされています。収録された対話のうち3分の1は、家族や友人、同僚といった既知の間柄のペアで行われました。これにより、初対面同士のぎこちなさではなく、より自然でインタラクティブなやり取りをデータに収めることができました。
さらに、驚き、反対、後悔といった、日常会話では現れにくい多種多様な感情や状況を捉えるため、データセットの約3分の1は、プロの俳優が即興劇を行う形で収録されました。このアプローチにより、AIはより幅広い人間の感情表現を学習することができます。
責任あるAI開発への取り組み
このようなリアルな人間を生成する技術には、悪用のリスクも伴います。Meta AIは、プライバシー保護と倫理的な利用を最優先事項として、いくつかの重要な対策を講じています。
- プライバシーの保護: データ収集にあたり、参加者からは研究目的での利用について明確な同意を得ています。また、個人を特定できるような情報の共有は避けるよう指示されました。さらに、収録後のデータは、人間によるレビューとAIモデルによる分析を組み合わせた多段階のプロセスを経て、個人情報や機微な内容が含まれていないか徹底的にチェックされ、該当箇所は削除されています。
- 電子透かし技術の導入: AIによって生成されたコンテンツが、本物の映像と見分けがつかなくなる「ディープフェイク」問題への対策として、生成物には電子透かし技術が導入されています。音声には「AudioSeal」、映像には「VideoSeal」という専用の透かしが埋め込まれます。これにより、たとえコンテンツが加工された後でも、それがAIによって生成されたものであることを検出し、透明性と説明責任を確保することができます。
まとめ
本稿でご紹介したMeta AIの「Seamless Interaction」に関する研究は、AIによるコミュニケーションの再現を、新たな次元へと引き上げるものです。単に言葉を生成するだけでなく、相手の存在をリアルタイムに認識し、うなずきや視線、ジェスチャーといった非言語的な相互作用を自律的に行うAIは、私たちのデジタルライフを大きく変える可能性を秘めています。
より人間らしいバーチャルアシスタントの実現、VR/AR空間におけるテレプレゼンス技術の飛躍的な向上など、その応用範囲は計り知れません。今回、モデルの基盤となった大規模データセットと技術報告書が公開されたことで、世界中の研究者がこの分野の研究を加速させ、社会全体にとって有益な技術がさらに発展していくことが期待されます。
