動画が言葉通りにリアルタイム変化!? わずか30日で成し遂げた米新興の衝撃

ユーザーの指示に合わせてリアルタイムに場面が変化し続ける動画AI――。生成AIの最難関とも呼ばれるこの領域で、米国の新興企業がわずか30日で実用レベルの配信基盤を立ち上げたという。しかも、映像生成が再生速度を上回る「1.07倍速」を叩き出したというから驚きだ。あまりに話がうますぎるようにも思えるが、果たしてその実態はどうなのか。

公式発表によれば、米スタートアップのViskoとGoogle Cloudは、対話型動画モデル「Orbis」の推論パイプラインを「Cloud TPU」上に構築した。視聴者ごとに個別処理が必要で、未来のコマを先行計算できないという厳しい制約のなか、動画拡散、超解像、音声生成という3つのモデルを単一のTPUスライス上に集約。チップ間の並列処理や、最大の遅延要因だった音声モデルの書き直し（5.8倍高速化）を断行し、毎秒18フレーム（1664×936ピクセル）の連続描画を達成した。2026年8月の連携開始から9月1日のデモ公開まで、文字通り30日間で駆け抜けた形だ。

ここからは編集部の推測だが、この電撃的な開発スピードの裏には、Googleの専門部隊による手厚い支援に加え、既存ツールをフル活用した割り切りの設計があったとみるのが自然だ。初期段階では変換ツール「torchax」を使って既存モデルをTPU上で即座に動かし、遅延のボトルネックとなっていた音声処理だけをピンポイントで最適化している。理想論にこだわらず急所だけを叩く実践的なアプローチが、短期決戦を制する鍵になった可能性が高い。

確かなのは、リアルタイム動画生成において、負荷変動を吸収できる約7%の処理余力を残して配信を成立させたという事実だ。もっとも、大規模なアクセス集中に耐えうるのか、商用化に見合うインフラコストに収まるのかはまだ分からない。次世代の対話型動画が日常のコンテンツとなるのか、今後の真価が試される。