▶ この話題を動画で見る（0:27〜）

朝いちばん、ただっちの声から、いつもよりちょっとテンション高めなのが伝わってきました。今日のテーマは「AIアバターで変わる未来の発信術」。冒頭から、こんな風に切り出してくれたんです。

ただっち（0:27〜）

「今日のGPTs研究会モーニングライブは、結構衝撃的な内容になっております。AIアバターで変わる未来の発信術ということで、発信だけじゃなく変わりそうですね。今日ちょっとした打ち合わせをしておりますけども、皆さん衝撃的なので、ぜひぜひ未来をですね、体感いただけたらと思います。」

実は、この時点ではまだ何が起きるのか、私も半分くらいしか想像できてなかったんですよね。でね、続けてただっちが自分の去年の活動について話してくれたのが、今日のテーマにドンピシャで繋がっていました。

ただっち（0:27〜）

「僕はAIを教える講師業と、それからコンサル業をしておりますけども、まさにちょうど1年前は、このAIのアバターを作るという分身AI講座というのを100人近くにご提供させていただいて、そこからAIの面白さっていうところに、僕自身もハマっていた経験があります。今日さらに、もうちょっと1年経って、めちゃくちゃ進化してますので、それを皆さんと一緒に楽しみたいなと思っております。」

去年アバター講座を100人にやってた人が「めちゃくちゃ進化してる」って言うんだから、これはもう相当ですよね。その流れで、ひろくんこと私も、手短に近況を挟みました。社長無人化計画の話をしつつ、今日はさらに面白い回になりそうだと、その場でも話してたんです。自己紹介が一巡した後、積さんが画面共有をしながら、いきなり道具箱をどんどん広げ始めました。

積さん（2:55〜）

「ヘイジェンのアバター4というのが出ました。このヘイジェンのアバター4というのはかなりリップシンクの精度が高くて、僕ら遊びながらですけども驚かしてもらっているような状態になっています。普通に静止画からそのまま喋るみたいなこともできますし、もちろんもともとビデオの精度も高いですけども、そういうことができる、このアバター4というのは。もし平時は持っておられたらお使いくださいというのと、Azureですね、アバターを作ってそのアバタービデオに喋らせるっていうような、こんな感じです。」

静止画、一枚。それだけで、もう喋りだす。AIアバターって、ここまで来てるんだ、と実感した瞬間でした。積さんはこれ以外にも、ヘドラーの「キャラクター3」というツールでリップシンクの精度がさらに上がっていることや、動画の中で商品説明までしてくれるAzureのアバター機能を、次々に紹介してくれました。

さらに、以前から知ってる人には懐かしい「Viggle（ビーグル）」の話も出てきました。以前は決まった振り付けで踊らせるだけだったのが、今は自分の動きをそのままトレースできるところまで進化してるらしいんです。ここまでの精度が個人でも触れる距離にある。私はこの時点で、正直ちょっとゾワッとしてました。積さんはもう一つ、ヘッドショットブースというサービスも紹介してくれて、静止画のクオリティを上げてからアバターで動かす、っていう流れがこれから増えてくるだろうと話していました。積さんはこの流れで、D-IDというツールも「なんとなく進化してる感じがする」と一言添えていました。写真からでもビデオからでも、アバターを作れる選択肢がどんどん増えている、ってことですよね。いやー、それにしても、たった一枚の静止画がぬるっと喋りだすのを見ると、毎回ちょっと鳥肌立つんですよね。数年前は「まあ、なんか不自然だよね」って笑えてたのに、今は笑えない。個人で、しかも無料や格安で、ここまで触れちゃう。……この距離感が、いちばんゾワッとするところなんです。積さんが道具を一個出すたびに、私も「え、それも?」「それもできるの?」って追いつくのに必死で、正直、朝いちばんから頭のギアが一気に上がっていく感覚でした。

▶ この話題を動画で見る（5:50〜）

で、ここからが今日の本番でした。積さんが「ジーニーさん変身中って書いてませんか?」って言い出して——え、待って、どういうこと?ってなったところで、ジーニーさん本人がタネ明かしをしてくれました。

ジーニーさん（5:50〜）

「実はこれですね、ディープライブカムというオープンソースのものなんです。プログラムのコードが全て公開されてるものがあるんですけども、それを使って今、自分の顔を自分の顔で置き換えてるっていう、意味わかんないですよね。これ、ちょっと画面をお見せした方がいいよね。画面共有でウィンドウで、これで共有できるのかな。」

画面共有に切り替わった瞬間、ジーニーさんの顔が——本当に、リアルタイムで別人になっていくんですよ。別人。もう完全に、別人でした。ターゲットとセレクターフェイスの順番を切り替えながら、いろんな顔にどんどん置き換わっていく。髪の毛がかかるとうまくいかないので、髪の毛がない形のキャラクターを選ぶのがコツなんだとか。マウスマスクという設定を使うと、口元だけは本人のまま自然に見えるようにしてくれる仕組みも教えてもらいました。積さんが「リップシンクじゃなくて、ほんまにその唇が見えてる状態になってるのか」って聞いたら、まさにその通りだと。

これ、ボイスチェンジャーと組み合わせたら——って、私、思わずこうつぶやいてました。

ひろくん（8:40〜）

「これ、ボイチェンとセットしたらもう完全にわかんないですよね。みなさん、ライブ始まってジーニーさん普通に挨拶してましたけど、あれはジーニーさんであってジーニーさんじゃないっていう。」

実際、そのままの流れでライブが始まってジーニーさんが普通に挨拶してた、その裏側がもう別人だったっていうのが、地味に一番怖かったんですよね。処理能力のあるGPUが必要で、MacのM2くらいだとフレーム数が5〜6まで落ちてカクカクになる、っていう現場の制約も正直に話してくれたのも印象的でした。今のところフレーム数は10FPSくらいだそうです。便利。でも、ここまで本物っぽく動くのを目の前で見ると、笑いごとじゃ済まないなあ、って感じるんです。ジーニーさんいわく「服装まで変えられたら、もっといいかもしれない」とのことで、次はファッションまで自由自在になる未来もそう遠くなさそうです。ひろくんの私も「アバターが動画も作れますよね。やっぱりリアルタイムの衝撃ってすごいですね」と思わず口にしていて、積さんも「作ってそれを動画にして置いておくんじゃなくて、リアルタイムに変わっていく、っていうのが、これ普通にセミナーとかでも使えますよね」と頷いていました。動画を作って後から見せるのと、今まさに喋っている顔がリアルタイムで変わっているのとでは、受け取る側の衝撃がまるで違うんですよね。

あ、そうだ。これ、しれっと流しちゃったけど——目の前で挨拶してた人が、実は別人の顔をかぶってたんですよ。ぞわっとしません?便利。でも、この「リアルタイムで、今この瞬間に変わってる」っていうのが、動画を後から作るのとは重みが全然違うんですよね。録画なら「まあ加工でしょ」って身構えられる。でも生配信で目の前の顔がぬるっと変わっていくのを見せられると、脳が追いつかない。私、正直この日は一日中この画面が頭に残ってました。ジーニーさんは「服装まで変えられたらもっといいかも」ってさらっと言ってたけど、いやー、そこまで来たら、もうカメラの前で何を信じたらいいのか分かんなくなりますよね。しかもこれ、専用のバカ高い機材があるわけじゃなくて、公開されてるコードとそこそこのGPUがあれば動いちゃう。誰かの特別な魔法じゃない、っていうのが——地味に一番、背筋が伸びるところなんです。

▶ この話題を動画で見る（9:11〜）

盛り上がる一方で、場の空気がすっと引き締まった瞬間がありました。置き換えの実演中、うまく顔が変換できない参加者が出てきたときのことです。ジーニーさんがぽつりと、こう言ったんです。

ジーニーさん（9:11〜）

「悪用厳禁ですよね。この人は置き換えられなかったんですよ。顔が黒くなってしまったっていう、なんででしょうね。バーチャル背景も出てないですね。顔を出せなかったんですよ、この人。僕は顔が映ってないので、今これ出ないんですね。」

悪用厳禁。ジーニーさん自身の口から、その一言が出たのがずっしり残りました。技術としては面白い、けど自分から釘を刺さなきゃいけないくらいのレベルに来てる、ってことですもんね。積さんからは、結婚詐欺に絡んだ話題まで出てきて、なりすましが海外の詐欺行為に使われている現実にも触れていました。

一方で、私は思わずこんな質問を投げてました。使い道、いい方向にも振れるんじゃないか、って。

ひろくん（9:49〜）

「具体的に使い道って見えたりします?ジーニーさんの中で使ってみて、こんな風に使ったらいいんじゃない?自分のバッチリメイク写真をやれば、自分のバッチリメイクになっちゃうかもしれないですよね。」

ジーニーさんも「服装まで変わるメリットもありますよね」って乗ってくれて——パジャマ姿のままでも、ちゃんとした服を着てるように見せられる。悪いことだけじゃない、って話に一瞬なりかけたんですけど、でも……結局のところ、便利さと怖さは表裏一体なんですよね。誰かわからない、ジーニーさんを知らない人が見たら、本当の外国人だと思ってしまうかもしれない。有名な人ほどヤバい、っていう話も出てて、著作権とか肖像権とか、「ネタでやってるじゃすまなされなくなってきそうだな」って、その場の空気がちょっと真剣になったのを覚えています。積さんからは、結婚詐欺に絡む話題も出ていて、外国の軍人を名乗る詐欺師がオンラインで日本人を狙うケースまで話に上がりました。実は、この置き換え用の画像もジーニーさんがGPTで作ったものだと聞いて、積さんが「固定画像があるわけじゃない、どんなものも入れられるわけですよね」と念を押す場面もありました。元の画像を用意する段階から、もう本物である必要がない。もうイケメンにだって、なんにだってなれてしまう。だからこそ、この技術をどこまで自分の判断で線引きするか、っていう話に私は強くうなずいていました。この技術がもっと当たり前になったら——なんて話も飛び出しました。ジーニーさんが「これが将来的にリアルなメガネとかで実現できるようになった時には、全部自分の推し顔で固めることができちゃうかもしれない」って言いかけたところで、私も思わず便乗して「そしたら道端で絡んでくるおじさんも、なんか知らないけどすっごいかっこいいから許しちゃう、みたいな、意外と平和になるかもしれないですね」なんて冗談を言い合いました。でも、みんな美人に見えすぎたら、それはそれで一周回って「普通がいいね」ってなるかもしれない、って積さんが混ぜ返して、笑いながらも、ちょっとゾッとする未来予想図でした。

▶ この話題を動画で見る（17:56〜）

技術の話は、顔の置き換えだけでは終わりませんでした。ジーニーさんが次に見せてくれたのは、視線そのものを合成してしまう機能でした。

ジーニーさん（17:56〜）

「今ちょっと挙げたのを見てもらうと、これも実は面白いなと思ってて、NVIDIAのですね、ブロードキャストアプリっていうのがあるんですね。これはグラフィックボードの結構上位版のものを使ってる人はこの辺りで使えるんですけど、面白いのがこれですね、目線カメラを合成してくれる機能があるんですよ。そうするとほら、原稿を見ながら読んでても目線はカメラを向けるっていう。原稿読みながらでもちゃんと目はこっちやってみたんだけど、結構な目力がアップしちゃうんですよ。」

目線だけ、あとから合成。原稿を見ながら話していても、画面の向こうには「ちゃんとカメラ目線で話してる自分」が映る。地味だけど、けっこうデカい話だと思うんですよね。ぶっちゃけ、ライブ配信とかセミナーやってる人なら分かると思うんですけど、原稿チラ見しながらカメラ目線をキープするのって、地味にめちゃくちゃ難しいんですよ。それが機械側で勝手に「はい、カメラ見てることにしときますね」ってやってくれる。……もう、努力とか鍛錬とか、そういうのすっ飛ばして「見え方」だけ整えられちゃう。同じ流れで、以前紹介されていたViggleのように、動きそのものをトレースして再現する技術もどんどん精度を上げてきていて……見た目も、目線も、動きも、全部あとから作り直せる時代になってきてる。

そのつながりで、私はふと最近気になっていたことを話しました。

ひろくん（19:12〜）

「最近写真補正がいけすぎて、本当の写真ってないんですよね。ひどいのありましたよね、月撮影するとめちゃくちゃ望遠で、天体望遠鏡撮ったような月ができる。それCGで、家が作ってるって。1万倍ズームとかできるみたいな話も出ていました。」

正直、どこまでが「撮った」写真で、どこからが「作った」写真なのか、境目がもうよく分からなくなってきてるんですよね。これ、アバターの話と根っこは同じで——見てるもの、聞いてるもの、映ってるもの、その一つひとつを「本当にそうなのか?」って疑わないといけない時代に、もう入ってるんだなあ、と。ぶっちゃけ、便利になればなるほど、その分だけ人間側のリテラシーも試されてる気がします。そういえば、少し前まで流行っていた「エクスプレッションカメラ」というアプリも話題に出ました。静止画から表情を作るタイプのもので、モナリザやイーロン・マスクの顔になれると盛り上がった時期もあったんですが、ジーニーさんいわく「あれもやっぱり静止画から作ってる感じで、あんまりここまで精度は良くない」とのこと。数年でここまで差がつくのかと、あらためて実感しました。ただっちも「じゃあ、それって写真じゃないじゃん」って思わずツッコんでいて、その場にいた全員が、うんうんと頷いていました。ぶっちゃけ、目線も、顔も、動きも、写真も、全部あとから作れる。……そうなると「撮る」って行為の意味が、根っこから変わっちゃうんですよね。私、この日いちばん考えさせられたのがここでした。今までは「写真は事実の記録」だと思ってた。でも、もうそうじゃない。カメラを向けた瞬間から、どうにでも作り替えられる素材でしかない、っていう。いやー、これ、子どもたちが大人になる頃には当たり前になってるんだろうなあ、と思うと、見る目を鍛えるっていうのが、これからのいちばん大事な力なのかもしれないですね。

▶ この話題を動画で見る（25:54〜）

話はさらに広がって、視覚や味覚、触覚まで巻き込んだ「五感がどこまで騙されるか」という方向に飛んでいきました。積さんがクロスモーダルの研究の話を教えてくれて、チョコクッキーの映像を見ながら普通のクッキーを食べると、チョコの味に感じるという実験まで出てきたんです。味覚は舌より鼻で感じてる部分が大きい、っていう話も含めて、正直「そこまで人間の感覚っておぼつかないものなの?」って、ちょっとめまいがしました。

その延長で、積さんはメタバースが流行った頃の感覚を、こう話してくれました。

積さん（25:54〜）

「メタバースが流行ってた頃、数年前は、自分の体が邪魔っていう感覚があったんですよ。トイレ行ったりご飯食べたりしないといけない、それがめんどくさい。今のAIが人間が邪魔っていうのも、同じ感覚だと思うんですけどね。」

この話、AIが人間の代わりに考えたり動いたりしてくれることが増えるほど「人間側の手間」が邪魔に感じられていく、っていう話とそっくりだと思ったんです。実際、私自身も似たようなことをその場で話しました。

ひろくん（26:20〜）

「うちの息子なんかも、マイクラハマってるときは、ご飯とかトイレとかお風呂とかめんどくさいみたいな。現実世界がめんどくさい、だから現実にログインしなくちゃいけないのか、みたいな感じで。」

これ聞いて、みんな「わかるー」ってなってたんですよね。ゴーグルをかけたまま同じ場所をぐるぐる歩き続けられるタイル型の装置の話や、Macのキーボードが実は物理的にはほとんど沈み込んでいないのに「押した感触」だけをハプティクスで作っている、なんて話まで出てきて——もう、どこまでが現実でどこからが作られた感覚なのか、輪郭がどんどん溶けていくような1時間でした。スマホの画面を触っただけで生地の質感まで感じさせる、なんて話を聞くと、もう「画面の中」と「現実」の境目って、そのうち意味をなさなくなるのかも、って本気で思うんですよね。最後は、いつも通りただっちから嬉しい報告もありました。

ただっち（33:43〜）

「じゃあ僕からはですね、GPTs研究会のおかげさまで4,700人になりました。昨日かな、ありましたね、あーすごい。おかげさまでございます、4,700人になりましたので、これ4万人だっけ、ひろくん、今年の目標は4万人ですね。」

4,700人。今年の目標は4万人だそうです。すごい技術の話をしたあとに、こういう地に足のついた数字の話に戻ってくるのが、GPTs研究会らしいところだなあ、と私は思うんです。スマホのフリック操作の触感を調整することで、服の生地の質感まで再現できるようになってきている、なんて研究の話もありました。通販で服を買うとき、いちばん気になるのは触った感じですもんね。この研究をしているのは積さんの知り合いの先生で、ナルミ教授というそうです。画像と匂いをシンクさせることで、味の感じ方まで変えられるらしいんですよね。私自身、アップルビジョンを体験した時のことも思い出していました。寒い場所の映像を見ているだけなのに、なぜか体が寒く感じてくる——あの謎の人間のバグみたいな感覚が、技術が進むほどどんどん本物に近づいてくる。もう、見てる視界そのものが、頭の中の感覚とごちゃまぜになってくるんですよね。