NVIDIAがインタラクティブなAIアバターを作成するプラットフォームを発表

ここ数カ月、NVIDIAは人工知能技術を着実に推し進めてきたが、ようやく各要素の全体像が見えてきた。同社は発表したのは、インタラクティブなAIアバターを作成するための技術プラットフォーム「Omniverse Avatar」だ。Omniverse Avatarは、同社の音声AI、コンピュータービジョン、自然言語理解、レコメンデーションエンジン、モデリング技術を統合している。 

このプラットフォームで作られるアバターは、レイトレーシングを用いた3Dグラフィックスのインタラクティブなキャラクターであり、見て、話し、幅広いテーマについて対話し、自然な音声による意図を理解できる。このプラットフォームは、ほぼあらゆる業界に容易にカスタマイズできるAIアシスタントの開発への扉を開くものだ。 

これにより、レストランでの注文、銀行取引、個人の予約、ブッキングなど、毎日発生する数十億件の顧客とのやり取りを支援でき、ビジネスの拡大と顧客満足度の向上につながる可能性がある。

「インテリジェントな仮想アシスタントの時代が到来した。Omniverse Avatarは、NVIDIAの基本的なグラフィックス、シミュレーション、AI技術を組み合わせ、これまでに存在した中でも最も複雑なリアルタイムアプリケーションのいくつかを生み出している。協働ロボットや仮想アシスタントの活用シナリオは信じられないほどであり、さらに先へと進んでいく」

ジェンスン・ファンNVIDIA創業者兼CEO

Omniverse Avatarは、3Dワークフロー向けのバーチャルワールドのシミュレーションおよびコラボレーションプラットフォームであるNVIDIA Omniverseの一部であり、現在オープンベータ段階にあり、70,000人以上のユーザーにサービスを提供している。NVIDIA GTCでの講演で、ファンはOmniverse Avatarの例をいくつか紹介した。顧客サポート向けのProject Tokkio、車内で常時利用できるインテリジェントサービス向けのNVIDIA DRIVE Concierge、ビデオ会議向けのProject Maxineだ。 

Project Tokkioの最初のデモでは、ファンが自分の姿をおもちゃの人形にしたアバターとリアルタイムで会話する同僚たちの様子を披露した。話題は生物学や気候科学などだった。

Project Tokkioの2つ目のデモでは、レストランのキオスクにいるカスタマーサポートのアバターが、2人の客がベジタリアンのハンバーガー、フライドポテト、飲み物を注文する際に、その様子を見て、話を聞き、理解する姿を見せた。デモは、NVIDIA AIソフトウェアと、現在世界最大のカスタマイズ可能な言語モデルであるMegatron 530Bを基盤として行われた。

DRIVE Concierge AIのデモでは、中央計器パネルの画面上のデジタルアシスタントが、ドライバーが時間通りに目的地に着けるよう最適な運転モードを選ぶのを助け、その後、航続距離が161km を下回ったらリマインダーを設定するよう求められると、それに従う様子が示された。

さらにファンは、Project Maxineが仮想コラボレーションやコンテンツ制作のアプリケーションに最新の映像・音声機能を追加できる能力を示した。同社は女性の写真からアバターを作成し、Rivaを使ってトレーニング、音声合成、多言語翻訳を行った。このデジタルの代役は本物の人間にとてもよく似た見た目と声を持ち、自然なアイコンタクトを保ったまま頭を回すこともできる。 

Omniverse Avatarは、音声AI、コンピュータービジョン、自然言語理解、レコメンデーションエンジン、顔のアニメーションとグラフィックスの要素を、以下の技術を通じて提供している。

1. 音声認識は、複数の言語の音声を認識するソフトウェア開発キットであるNVIDIA Rivaに基づいている。Rivaは、テキスト読み上げ機能を用いて人間のような音声応答を生成するためにも使われる。
2. 自然言語理解は、人間の言語を認識、理解、生成できる大規模言語モデルMegatron 530Bに基づいている。Megatron 530Bは事前学習済みのモデルで、追加学習がほとんどまたは全くなくても、完全な文章を作成し、幅広い分野の質問に答え、長く複雑な話を要約し、他言語へ翻訳し、特別な訓練を受けていない多くの分野も扱うことができる。
3. レコメンデーションエンジンは、NVIDIA Merlinによって提供される。Merlinは、企業が大量のデータを処理し、より賢い提案を行える深層学習型レコメンデーションシステムを構築できるフレームワークだ。
4. 知覚機能は、NVIDIA Metropolisによって支えられている。これは動画分析のためのコンピュータービジョンフレームワークだ。
5. アバターのアニメーションは、NVIDIA Video2Face、Audio2Face、2Dおよび3D顔アニメーション、AIベースのレンダリング技術に基づいている。

これらの技術はアプリケーションにまとめられ、NVIDIA Unified Compute Frameworkによってリアルタイムで処理される。スケーラブルでカスタマイズ可能なマイクロサービスとしてパッケージ化されたスキルは、NVIDIA Fleet Commandを使って、安全にデプロイ、管理し、複数の拠点で編成することができる。

Maxineの開発ツールの大部分はすでに利用可能だ。Rivaはオープンベータ版として提供されており、「小規模」な利用は無料となる。より大規模な展開は、2022年初頭に開始予定のRiva Enterpriseプログラムの提供に左右される。一方、Omniverse Avatarはさらに待つ必要がある。基盤となるOmniverseプラットフォームはオープンベータ段階にあるが、Avatarは「開発中」であり、提供開始日は未定だ。