AI アバター
AI アバター(AI avatar)とは、多くの場合実在の人物をもとに生成された動画のキャラクターです。台本やリアルタイムの応答を、顔、唇、頭の動きを合わせながら話します。
別名: talking head, digital human, AI presenter, talking avatar
執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法
AI アバターは、撮影スタッフを必要としなかった研修動画、製品紹介、カスタマーサービス画面の進行役です。用意されたアバターを選ぶか、自分の映像からアバターを作り、台本を入力すると、サービスがアバターがそれを話す動画をレンダリングします。
仕組み
アバターのシステムは複数のモデルをつなげています。音声合成やボイスクローンが音声を作り、次に talking-head モデルがそれに合わせて顔を動かします。オープンな研究モデルの SadTalker はその 1 つの方法を示しています。音声から 3D の頭の姿勢と表情を予測し、1 枚の写真から動画をレンダリングします。口の動きは特にリップシンクモデルが担います。リアルタイムのアバターは、会話を続けられるように言語モデルと speech-to-speech、または高速なパイプラインを加えます。
どこで目にするか
Synthesia、HeyGen、Tavus などのサービスが、スタジオ品質のアバターや、個別化された動画や対話型の動画のための API を提供していま す。
アバターかディープフェイクか
技術はディープフェイクと同じです。違いは同意と開示です。ビジネス用のアバターは本人の許可を得て作られ、通常は AI であることが表示されます。信頼できるサービスは、顔を複製する前に本人確認を行います。肖像と AI の表示に関する法律は国によって異なります。
限界
手や体の動き、感情の幅はぎこちないことが多く、長い映像では人物の見た目が少しずつずれることがあります。
関連用語
- リップシンク(AI 動画)
- AI リップシンク(AI lip sync)とは、動画や画像の中の人物の口の動きを、翻訳したセリフや書き直したセリフなどの新しい音声トラックに合うようにモデルで変えることです。
- ディープフェイク
- ディープフェイク(deepfake)とは、AI で作成または改変され、実在の人物、場所、出来事を、実際には起きていない形で本物らしく見せ、本物として通用しうる画像、音声、動画のコンテンツです。
- Text-to-speech(音声合成)
- Text-to-speech(TTS、音声合成)とは、書かれたテキストを話し言葉の音声に変えるソフトウェアです。現在のTTSは、テキストから発話の音を予測し、それを波形として描き出すニューラルネットワークを使います。
- ボイスクローニング
- ボイスクローニング(voice cloning)とは、AIを使い、特定の人の録音から学んだその人の声で音声合成システムに話させることです。短いサンプルだけで済むシステムもあります。
- 音声エージェント
- 音声エージェント(voice agent)とは、リアルタイムで音声の会話を行うAIエージェントです。人の話を聞き、何を言うか、何をするかを決め、合成音声で答えます。多くの場合、電話回線やアプリを通じて使われます。
- Text-to-video(動画生成)
- Text-to-video(動画生成)とは、書かれたプロンプトから短い動画クリップを生成するタスクです。モデルは、それぞれが正しく見え、しかもフレーム間で一貫して 動くフレームを生成しなければなりません。