Egoは、自然言語で3Dアニメーションのキャラクター、世界、ゲームスクリプトを作成、共有できる、AIネイティブのシミュレーションエンジンです。MinecraftやAnimal Crossingのような人気ゲームを、簡単な命令だけで生み出せるとしたら。Egoは、ゲームを変えるそのような未来を目指しています。
創業者は、ゲームとAIの双方に深い知見を持っています。CEOのVishnu Hariは、かつてOverwatchの上位500人に入り、Facebook AI Applied Research（FAIR）とMeta Horizon Scriptingの製品チームを率いていました。CTOのPeggy Wangは、MetaのARアバターの顔追跡に使う機械学習アルゴリズムを開発しました。Stanford AI ResearchとLyft Level 5で、ロボットの自律行動計画アルゴリズムに取り組んだ経験もあります。
Cartesiaとの提携により、Egoは、ゲーマーが想像した3D世界に、人間らしく行動するAIエージェントやノンプレイヤーキャラクター（NPC）を含めて生み出すという構想を加速しました。この提携は、バイキングをテーマにしたサバイバルゲームValheimのMOD、Thrallの公開で示されました。Cartesiaの90 ms未満の超低遅延音声技術と高度な音声設計により、Thrallは人間らしい反応、感情の理解、自然なやり取りでプレイヤーに応えます。
没入感のあるゲームで音声AIが果たす役割
最近まで、オープンワールドゲームには三つの大きな制約がありました。
- NPCは固定的な事前設定の行動に限られ、自律性がなかった
- ゲーム内のやり取りを作るには、豊富なコーディングの知識が必要だった
- 3Dアセットや環境の開発と拡張には、膨大なリソースが必要だった
生成AIの普及が、この状況を大きく変えました。Egoは、Dungeons & Dragonsのキャラクターシートを埋めるように、自然言語で誰もが豊かなゲーム体験を作れる機会を見いだしました。
音声AIは、現代のゲームで重要な二つの要素を強化します。
- ノンプレイヤーキャラクター（NPC）：店主からクエストの依頼者まで、ゲーム世界にいるコンピューター制御のキャラクター
- AIコンパニオン：人間のプレイヤーのように判断し、やり取りする知的なエージェント
どちらにも、その知能に見合い、感情と文脈にリアルタイムで適応する声が必要です。
課題
音声プロバイダーを評価する際、Egoは次の重要な要件を満たそうとしました。
- プレイヤーとAIコンパニオンの間に、自然なリアルタイムの音声対話を実現する
- 文脈に合った感情的な応答を生成する
- 世界のプレイヤーのため、複数の言語に対応する
- キャラクターの性格に応じて異なる声を作る
- ゲーム体験を途切れさせない低遅延を維持する
ソリューション
ゲームには、変化し続けるプレイヤーのやり取りに応じられる声が必要です。Egoは、独自の機能を持つCartesiaのSonicモデルを選びました。
- 感情を重視した設計：従来のテキスト読み上げとは異なり、Sonicは好奇心から戦闘の緊迫感まで、幅広い感情をAIコンパニオンに表現させます。やり取りが本物らしく感じられます。他のプロバイダーのモデルにも、通常は何らかの感情認識が事前学習されていますが、文脈の理解は不十分です。Cartesiaは、何度も音声を生成し直さずに、感情を細かく制御できます。
- ゲームに適した低遅延：Cartesiaの新しいSSMアーキテクチャを使うSonicは、業界をリードする90msの遅延を実現します。リアルタイムのゲームで没入感を維持するために不可欠です。
- 多様で動的なキャラクター音声：Cartesiaの即時音声クローンにより、わずか10秒の音声で学習でき、各AIキャラクターは独自の声の特徴を保ちます。Egoは、性格の一貫性を維持しながら、プレイヤーの心に残る多様なキャラクターを作れます。
- 世界のゲームコミュニティ：地域のアクセントに加え、他の14言語でもEgoのゲームを届け、世界中で本物らしいキャラクターとのやり取りを実現します。
- 音声による指示：Cartesiaのボイスチェンジャーは、台詞の伝え方を正確に制御します。従来のスタジオ収録に代わり、音声で効率よく指示できます。開発者は、求める話し方、感情、韻律のサンプルを録音し、任意のキャラクターの声に適用できます。繰り返しスタジオ収録をせず、自然な音声対話を実現します。
成果
Thrallの公開は、NPC設計の進歩を示しています。プレイヤーは自然な音声命令で、資源の収集から戦闘まで、人間のプレイヤーが行うあらゆる作業を指示できます。AIコンパニオンは、狩りの成功を喜んだり、人間らしい反応で命令を受けたりと、文脈に合う感情で応えます。特に重要なのは、性格や行動特性をカスタマイズし、自分に合ったゲームの相棒にできることです。
この提携は、ゲーム制作を誰にでも開き、生きているように応答するAIキャラクターとの、真に対話的な体験を実現するという、Egoの構想への大きな一歩です。
私の世代のWorld of WarcraftやRunescapeから、現在のRobloxやMinecraftまで、ゲームは常にコミュニティが生まれる場所でした。ゲームが交流のプラットフォームになるにつれ、AIキャラクターには、応答性と感情の深さの両方で、本当に人間らしく感じられることが求められます。Cartesiaの超低遅延、自然な声、精密な感情制御は、AIキャラクターが生きているように感じられる、没入感のある世界づくりを支えています。
熱心なゲーマーとして、応答性の高いゲーム体験をつくるEgoの進歩には驚かされています。これまでNPCやゲームキャラクターは、固定的な事前設定の行動に限られていました。Sonicは、自然な個性と表現力で、そのキャラクターに命を吹き込みます。対話型ゲームの未来についてのEgoの構想に貢献できることを楽しみにしています。