数年前、SNS にある種の映像がよく流れた。白黒の古い写真の人物がふとまばたきをして、話し始める。写真も喋るのだと多くの人が最初に気づいたのは、そういう映像からだった。仕組みは神秘でもなんでもなく、この分野では喋る頭の生成と呼ばれる。顔と音声を渡すと、口、まばたき、眉、頭の動きを予測し、音に合う絵を描き出す。

D-ID はこの道で最も早く、最も体系立った会社の一つで、その力を使える基盤にまとめた。オフラインのアバター映像と、その場で会話できる可視化されたエージェントの両方を扱う。

写真一枚で足りる

入口の低さは少し直感に反する。顔の写真を一枚上げ、台本か音声を添えれば、その人が話している映像が得られる。API の文書はこう書く。映像を一つ作るのに画像一枚で足りると。3D の造形も、モーションキャプチャの設備も、本人がその場にいる必要もない。

入力にははっきりした制限がある。一枚 10 MB まで、形式は JPEG、JPG、PNG。出力は MP4 に統一され、標準の人物は 1280×1280 が上限。1080p が要るなら HQ の印が付いた Premium の人物を使う。

もう一つ見落としやすい制限が長さだ。ウェブ版でも API でも、一本の映像は 5 分までに抑えられる。説明や案内、挨拶といった短い内容に向くということで、講座を一気に一本で作るのは現実的ではない。長い内容は複数に分けて作る。

今日は中国語、明日は残り 119 言語

生成は最初の一歩にすぎない。企業が D-ID を実際に使う理由は地域化にある。120 を超える言語で映像の生成とその場の対話に対応し、同じ顔はどの言語版でも同じままだ。言語が変わっても人が変わることにはならない。

すでに完成した映像があれば翻訳が引き継ぐ。数回の操作で複数言語に訳し、元の話し手の声を複製し、唇の動きを新しい言語に合わせる。上から吹き替えを重ねるのとは違う。世界同時に出すチームにとって楽なのはここで、素材は一つ、作業は一度、版は同時にそろう。

話しかけられる相手

ここ二年、重心は Visual Agents へ明確に移った。決まった映像を作るのではなく、聞けて、答えられて、表情もあるリアルタイムの人物を作る。

公表された性能は、回答の正確さが 90 パーセントを超え、応答が二秒以内。作り方はいくつかの手順に分かれる。人物を選び、既製でも本人の分身でもよい。声を決め、合成の音色か、自分の声の複製か、音声の持ち込みか。役割と性格を定め、知識をつなぎ、外部の動作を起こせるよう webhook を掛ける。

知識の側は文書を上げられる。公式の制限は 5 件まで、1 件あたり 50 万文字まで。言語モデルはどの提供元でもよく、自前のものも使える。上げた文書はモデル自体に取り込まれず、検索の出所としてだけ働く。だから社内の資料を渡すことも成立する。

置き場所は広い。ウェブサイト、アプリ、学習管理の仕組み、問い合わせの窓口、モバイル、そして店頭の端末にも埋め込める。誰でも 200 回の会話を無料で試せ、その後は料金体系に従う。エージェントの利用は 15 秒ごとに半クレジットで数える。

順守の線

他人の顔を喋らせるのは濫用の危険を伴うので、D-ID は同業より手間をかけている。ISO/IEC 27001、ISO/IEC 27017、ISO/IEC 27018、ISO/IEC 42001 を取得し、SOC 2 の認証も通した。27018 はクラウド上の個人を特定できる情報の保護に関わり、GDPR と直結する。Studio のページはさらに TISAX と GDPR への完全な対応に触れる。

認証の番号より効く約束も並ぶ。あなたの映像、台本、文書、人物は常にあなたのもので、基盤はそれらでモデルを学習せず、データは転送中も保存時も暗号化される。社内の研修資料や顧客の情報を預ける企業には、この一文のほうが重い。

開発者向けと料金体系

ブラウザの Studio のほかに、生成のための API が一式あり、自社の製品に組み込んでまとめて作れる。資料では映像の能力を世代ごとに分けて説明する。V4 Expressive は感情を伴う語りを担い、V3 Pro は Full HD で自然な体の動きを出し、V3 Instant は自分の素材で人物を作り、V2 Photo は写真一枚から喋る頭を作る。リアルタイム配信のインターフェース、SDK、埋め込める部品もそろう。

料金は Trial、Lite、Pro、Advanced、Enterprise の五段で、金額と含まれる分数は価格のページに並ぶ。選ぶ決め手になる違いは名前より狭い。Trial は全画面の透かしが入るが 1080p の Premium は使える。Lite は透かしが残り、Premium は一切使えず、解像度は 1280×1280 で止まる。Pro は透かしが外れ 1080p が開くので、実質の商用の入口になる。Advanced は量と権利が増え、Enterprise は個別の利用、私有の配備、専任の支援が付く。

請求で効く点が二つある。含まれる分数は月ごとに数え、使い残しは翌月に繰り越されない。そして API の消費はウェブ版と同じ残高から出る。需要の振れが大きいチームは、山より下の量で段を選び、作業を分けるほうがよい。

誰に向き、どこで止まるか

強みは敷居の低さと融通だ。一枚から始められ、ブラウザで数分で仕上がり、API でまとめて作れ、その場で話す相手を一日中サイトに置ける。同じ内容を複数の言語市場へ広げたい、あるいは 24 時間いる案内役がほしいチームには、この組み合わせは実用的だ。

縁も同じくらいはっきりしている。5 分の上限があるので長い講座は作れない。Lite は Premium が使えず解像度で損をする。透かしを外して 1080p を得るなら Pro からになる。そして表現の力は喋ることに集まっていて、複雑な演技や実景の撮影が要る内容は置き換えられない。

使う前に決めておきたいことが一つある。誰の顔に喋らせるのか、だ。他人の写真を使うなら、許諾のほうが技術より難しい問題になる。公式の倫理の条項もこの点を繰り返し強調する。

こうした道具のいちばん良い使い方は、出演して話す必要のある繰り返しの内容を任せ、本当に人が出るべき表現は人に残すことだ。浮くのは制作費ではなく、日程を待つ時間のほうだ。