Nuance Labsが聞きながら話すリアルタイム動画アバター「Emma」を発表、Nuplex APIベータ版も公開

大半のAIアバターは、相手が話し終えるのを表情を固くしたまま行儀よく待ち、その後にようやく返答する。シアトルを拠点とするスタートアップのNuance Labsが発表した動画キャラクターEmmaは、その逆を行う設計となっている。ユーザーが話している最中にも頷き、目を細め、視線を逸らし、時には言葉を遮ることさえある。このキャラクターは、同社が18か月かけて開発してきた視聴覚モデルNuplex 1.0をベースにしており、アカウント登録なしでブラウザから無料でお試しできる。

応答の「間」を捉える

Nuplexは、厳密に発言を交代するのではなく、同時に聞きながら話す「フルデュプレックス（全二重）」モデルである。公式発表記事の中でNuance Labsは、単に応答の速さを追求するのではなく、いかに人間らしいタイミングで話すかを重視したと説明している。実際の会話録音から抽出した1,785件の質問において、Nuplexが応答を始めるタイミングは89%の確率で元の話者と一致し、次点のシステムの35%を大きく引き離した。同社はMoshiのようなオープンシステムや、公開API経由でネットワーク遅延を含めて測定したGPT-LiveやGemini Liveと比較している。ただし、この分野の既存ベンチマークがまだ現実の体験を十分に反映できていない点については同社自身も認めている。

平均化された顔ではなく、固有のキャラクター

もう一つの挑戦は表現面にある。Emmaの顔と声は、話を聞き、反応し、語りかける様子を収録した女優からライセンス提供を受けている。無数の顔を合成した「平均的な」表情ではなく、特定の人物固有の仕草を再現した。言葉を強調するときの長めのまばたきや、ふと逸らしてから戻る視線などがそれにあたる。愛想笑いを振りまかないよう性格付けも調整されており、自らの意見を持ち、反論することもあれば、自らがAIであることを念押しすることもある。

現時点の限界も率直に開示されている。英語のみへの対応、推論ミスの可能性、不適切なタイミングでの割り込み、周囲のノイズへの過敏さ、カメラ認識の不安定さ、低速回線時のリップシンクの乱れなどが挙げられている。

あえて制限を課したAPI

Nuplex API Betaでは、プロンプトを通じていくつかのキャラクターに指示を与え、会話中に外部ツールへタスクを委譲させることが可能である。セーフガードは厳格だ。実在の人物のクローンや顔・音声のインポートは禁止され、動画には目に見える透かしが入り、実在の人間や実在の企業であると装うプロンプトは拒絶される。性的コンテンツや恋愛目的の「コンパニオン」用途は認められず、医療や未成年者関連の用途も除外されている。通話中も自動監視が行われ、暴力やヘイトスピーチが検知された場合、あるいはキャラクターが確認コードやクレジットカード情報、金銭、リモートアクセスを要求した場合には、接続が強制切断される。利用可能地域はEU、英国、カナダ（ケベック州除く）、米国（4州除く）となっている。発表において料金体系は公表されていない。