AIアバターとは｜仕組み・種類・できることをわかりやすく解説

AIアバターとは、人の顔の映像が、渡した文章や音声に合わせて口を動かしながら話す仕組みです。受付や案内、研修の講師役など、人が画面越しに話しかける場面の代わりに使われます。

大きく分けると、あらかじめ動画を作っておく「録画型」と、その場で話す内容を受け取って映像を作る「リアルタイム型」があります。この記事では、両者の違いと、AIアバターが動く仕組み、システムに組み込むときの役割分担を説明します。

AIアバターの 2 つの型

録画型は、同じ内容を何度も流す用途に向いています。一方で、利用者の質問に合わせて答えを変えることはできません。リアルタイム型は、話す内容をその場で決められるため、利用者とのやり取りに使えます。

AIアバターが話す仕組み

リアルタイム型の AIアバターは、次の流れで話します。

1. 話す文章を受け取る
2. 文章から音声を作る (音声合成、TTS)
3. 音声に合わせて口の形と顔の動きを作る (リップシンク)
4. 映像と音声をブラウザへ配信する

口の動きを音声に合わせる部分は、リップシンクとはで詳しく説明しています。映像の配信には、ブラウザでリアルタイムに映像を受け取れる WebRTC がよく使われます。

見た目の作り方の違い

AIアバターの見た目には、主に 2 つの作り方があります。

• 写真から作る: 実在の人や生成した人物の写真 1 枚をもとに、話す顔の映像を作ります。写実的な見た目になります。
• 3D のキャラクターを作る: 3D のモデルを用意し、口や表情を動かします。キャラクターとしての表現に向いています。

写真から作る場合は、写っている人の同意が欠かせません。考え方はAIアバターと肖像権にまとめています。

会話するには、ほかの部品と組み合わせる

AIアバターが担うのは「話す」部分です。利用者と会話させるには、次の部品を組み合わせます。

• 音声認識: 利用者の声を文字にする
• 応答の生成: LLM などで返事の文章を作る
• AIアバター: 返事の文章を声と映像にして話す

この 3 つを分けておくと、使い慣れた LLM や音声認識をそのまま使えます。部品の一つを入れ替えても、ほかの部分は変えずに済みます。

avacast の場合

avacast は、写真から作ったアバターをリアルタイムに喋らせる開発者向けの API です。サーバーでセッションを作り、ブラウザに映像を表示し、POST /v1/sessions/:id/speak に文章を送るとアバターが話します。

• 日本語・英語・中国語など 9 つの言語で話せます。
• プリセットのアバターのほか、自社で用意した写真からアバターを作れます。
• 課金はセッションを開いていた時間 (接続時間) です。

応答の生成と音声認識は含まれていないため、すでにお使いの仕組みと組み合わせます。具体的な手順はドキュメントとNext.js で AIアバターを表示する手順を参照してください。

よくある質問

AIアバターとチャットボットは何が違いますか。

チャットボットは文字でやり取りし、AIアバターは顔と声で話します。返事の文章を作る部分は共通の仕組みを使えるため、同じ内容を文字と声の両方で届けることもできます。

AIアバターだけで会話できますか。

会話には、利用者の声を文字にする音声認識と、返事を考える仕組みが別に必要です。AIアバターは、受け取った文章を声と映像にして話す役割を担います。

録画型とリアルタイム型はどちらを選べばよいですか。

決まった内容を何度も流すなら録画型、利用者ごとに話す内容を変えるならリアルタイム型が向いています。受付や問い合わせのように、相手の質問に答える用途ではリアルタイム型を選びます。