Muse Realtime Avatar｜ビデオ通話で「自分の顔」が話し出すAIアバターの仕組み

朝、寝起きのままオンライン会議に出なければならない。カメラをオンにするのは気が進まないけれど、声だけでは伝わりにくい。そんなとき、自分の代わりに画面に映って話してくれるアバターがあったらどうでしょう。Metaが2026年に発表したMuse Realtime Avatarは、まさにその発想から生まれた技術です。

これは単なる静止画のアバターではありません。あなたがマイクに向かって話すと、画面上のアバターがその声に合わせて口を動かし、笑ったり、考え込んだりする。まるで別人が自分の顔を借りて会話しているような感覚です。

声を聞いて、その場で顔を描き直す

仕組みを一言でいうと、「音声を手がかりに、顔の映像を毎秒作り直す」というものです。あなたが話した声は、まず細かい音の粒に分解されます。日本語なら「あ」「い」「う」といった音の単位です。

次に、その音の粒に対応する口の形やあごの動きを、AIが瞬時に判断します。ここで活躍するのが、大量の顔の映像から「この音のときは口がこう動く」というパターンを学んだ計算の仕組み（ニューラルネットワーク）です。判断した結果は、1秒間に60回という速さで新しい映像として描き直されます。

つまり、録画した映像を再生しているのではなく、会話のたびにその場で顔を作り直しているのです。だからこそ、相手が話しかけてから自分が答えるまでの間も、自然な間や表情の変化が生まれます。

「完璧な同期」が意味するもの

この技術の売りは、口の動きと声がずれないことです。人間は、相手の口の動きと声が少しでもずれていると、すぐに違和感を覚えます。映画の吹き替えで口が合っていないと気になるのと同じです。

Muse Realtime Avatarは、このずれを極限まで減らすために、音声のタイミングと映像のコマを細かく合わせ込んでいます。さらに、話す内容に合わせて表情のトーンも変わります。楽しい話なら口角が上がり、真剣な話なら眉が少し寄る。こうした変化が、アバターを「ただの映像」から「会話の相手」に近づけています。

• 音声の入力：マイクから入った声を細かい音の単位に分解する
• 口の形の判断：音の単位ごとに、口やあごの動きをAIが決める
• 映像の生成：1秒間に60コマの速さで顔を描き直す
• 表情の調整：会話の内容に合わせて、笑顔や真剣な表情を加える

使える場面と、まだ見えない課題

このアバターは、Metaのアプリ（WhatsApp、Messenger、Instagramなど）を使っている人なら無料で利用できます。自分の声で話すことも、アシスタントの声で話させることもできます。

たとえば、語学の練習相手として使うこともできます。自分の発音をアバターが真似してくれるので、口の動きを確認しながら練習できます。また、顔を出したくないけれど声は届けたいという場面でも役立ちます。

ただし、気をつけたい点もあります。アバターがどんなに自然に見えても、それはAIが作った映像です。相手が「本人だ」と思い込んでしまう可能性があります。特に、お金の話や重要な約束をするときは、別の方法で本人確認をすることが大切です。

また、アバターの表情はあくまでAIが推定したものです。あなたの本当の気持ちを正確に映しているとは限りません。悲しい話をしているのに笑顔に見えたり、逆に真剣な話が怒っているように見えたりすることもあります。

Muse Realtime Avatarは、ビデオ通話の常識を少しずつ変えていく技術です。顔を出すことのハードルを下げる一方で、「見た目が本人らしいからといって、本人とは限らない」という新しい注意も生んでいます。便利さと慎重さを、うまく組み合わせて使いたいものです。