AIが対談してAIが動画にする——VoicePress動画生成機能ローンチの舞台裏

――ついにVoicePressが動画までいったと聞きました。AI対談がそのまま動画になってしまうんですか。

そうなんです。これまでVoicePressは音声とテキストの生成のみでしたが、機能を追加しまして、AIインタビュアーのアバターと対談している縦型の切り抜き動画を、これも自動で生成できるようになりました。

――縦型の切り抜きって、TikTokやリールにそのまま乗る形ですよね。アバターは本人の顔ですか、それとも生成キャラですか。

自分は自撮りで撮るんです。対談相手——今私が対談しているAIの女性——は音声に合わせてリップシンクする画像として表示されます。その画像は二次元のイラストでも、AIで生成した画像でも使えますし、肖像権をクリアしていただければ実在の人の写真でも対応できます。ただ画角には少し気をつけてもらう必要があります。

――自分は自撮り、相手はリップシンクのアバターという作りにしたのはなぜですか。両方AI生成にしなかった理由が気になります。

VoicePressの思想として、生の声でたくさん発信していくというのが根本にあります。喋っている自分の動画は生の動画を撮りましょう、というのは当然の帰結で。自分までAIにしてしまうと、何でも言わせられる動画が作れてしまう。そうじゃなくて、息遣いや間、ちょっと言い淀むところも含めてしっかり出して見てもらうのが趣旨なので、自分の側をAIにするという考えはなかったですね。

――息遣いも言い淀みも残すって、「声で発信する」という思想を動画でも殺していない。でも自撮り必須だと、続かない経営者にはハードルが上がりませんか。

動画をやりたいという人は結構多いと思っていて、動画をやりたければ少なくともスマホで自撮りくらいはしないと絶対に始まらないので。自分の写真をAIアバターにしてリップシンクでやるという方法も技術的にはできますが、それはVoicePressの趣旨とは少し違うかなという気がします。もしどうしてもやりたいという方がいれば相談いただければ、という感じです。

## 実装で一番こだわった「画角」の話

――じゃあ実装側の話を聞かせてください。自撮りの声とアバターのリップシンク、映像と音声の同期が一番きつかったんじゃないですか。

実はここはそんなにきつくなくて。AIインタビュアーのレイテンシーの問題は編集でクリアしているので、そこにうまく噛み合うかどうかだけなんです。ここはほぼ苦労していないです。

――逆に、動画化で一番泥臭かったのはどこだったんですか。

スマホで自撮りしてもらうものなので、画角がおかしいと無理やりはめ込んだ感が出てしまうんです。サイズ感の問題もあって。そこで工夫したのが、対談を撮るときにQRコードが表示されて、それをスマホで読み込むとカメラが立ち上がり、「この枠内に顔を収めてください」という枠線が出る仕組みです。最近の本人確認ツールで顔を枠の中で回してくださいと出てくるやつ、あのイメージです。その枠を見ながらカメラ位置を設定してもらって、そこから大きく動かなければしっかり撮れる。画角の部分は結構こだわりました。

――QRからカメラを立ち上げて枠にはめる、地味だけど効くやつですね。その画角基準は何本も試して詰めたんですか、それとも一発で決まりましたか。

テスト収録をしていて、実はこれが1本目なんです。これが出てれば一発で決まったということになります。2本3本と撮り重ねていけばまたそれを正直にお伝えしますが、今のところ1本目で決まった、という感じです。

## 動画になって広がる可能性

――動画になって、商談や広告での刺さり方は変わりましたか。

まだ実際の反応を見ていないところではあります。ただ、明らかに変わるとは思っています。AIインタビュアーと対談している動画が広告になっているというのは、個人的には見たことがないので、見た人はまず「一体どういうことだろう」と止まると思うんですよ。使い方も無限大だなと感じていて、たとえば最近、海外のスポーツ選手のAIアバターを広告に自由に使えるサービスが出ていますよね。ああいったものと提携できれば、海外の有名選手と対談しているような動画がAIで撮れるわけです。好きなキャラクターと対談できる、というところまで持っていけると面白いなと思っています。

――海外選手やキャラと対談できたら確かにバズりますね。でもそこまで広げても、「何を発信したいか」は本人が決めるという線引きは動画でも変わらないんですか。

もちろんそうです。発信したい内容がある人しかこのサービスを使わないとは思うので、そこは変わらずです。

## VoicePressが目指す世界

――最終的にVoicePressの動画でどんな世界を作りたいんですか。

WordPressってあるじゃないですか。テキストで発信していく、まさに「ワードでプレス」というサービスです。そこからAI時代になって、もっと声で、生の情報を情報量多く発信していこうというのがVoicePressを作っている理由です。

声や生の動画は、その人の人間性を最も情報量多く、精緻に伝えるものだと思っています。そしてこれからの時代、機能が強いものが全部取る勝者総取りの世界ではなくなっていくと感じていて。機能はもはや差別化しにくい。そうではなく、それを作っている人・やっている人の価値観や世界観に共感したかどうかが選ばれるポイントになってくる。そうなると、いろんな選ばれ方ができてくるので、誰か一人が圧勝して全部勝つのではなく、いろんな経済圏が生まれてくると思うんです。そうあるべきだと思うし、それを加速するのがVoicePressだと思っているので、本当にそういう世界になってもらえるといいなと思っています。

――それを支えるのって、結局「誰でも発信できる」ということだと思うんですが、そこはどう考えていますか。

まさにそういうことです。誰でも発信できる、そしてそれを誰でも簡単に効率的にできるようにする——そのためにVoicePressを作っています。そういった考えにピンと来た方は、ぜひ使っていただきたいと思います。