拡散モデルによる動画生成の現状とコスト
近年、AI技術の進化は目覚ましく、特に拡散モデルは画像生成から動画生成へとその応用範囲を広げています。生成される動画の品質は驚くほど向上し、現実と見紛うばかりの映像がAIによって生み出される時代が到来しました。しかし、この高品質な動画生成には、依然として高い計算コストが伴います。拡散モデルは、ノイズから画像を徐々に生成していく反復的なプロセスを特徴としており、このサンプリングステップの数が多ければ多いほど、生成される画像の品質は向上する一方で、計算時間とリソースの消費も増大します。
特に、動画生成においては、単一の画像ではなく連続するフレームを生成する必要があるため、そのコストはさらに膨れ上がります。この高コストが、動画生成AIの広範な実用化を阻む主要な要因の一つとなっていました。企業が日常的に動画コンテンツを生成・活用しようとする際、毎回膨大な計算リソースと時間を要するようでは、ビジネスのスピード感に追いつけません。私の経験上、どんなに優れた技術でも、コストとスピードが伴わなければ、市場での競争力は限定的です。
品質と多様性の二律背反：既存手法の限界
動画生成のコスト削減策として、「数ステップ蒸留（Few-step distillation）」という技術が開発されました。これは、拡散モデルの生成プロセスを、本来の多数のステップからわずか数ステップに短縮することで、計算コストを劇的に削減する手法です。これにより、生成速度は向上しましたが、新たな課題が浮上しました。それが、生成される動画の「品質（Quality）」と「多様性（Diversity）」のトレードオフです。
既存の数ステップ蒸留手法には、主に二つのパラダイムが存在します。一つは「trajectory-level distillation（例: sCM）」で、これは生成プロセスの軌跡全体を蒸留することで、多様性に富んだ動画を生成する傾向があります。しかし、その代償として品質が低下しがちです。もう一つは「distribution-level distillation（例: DMD）」で、これは生成されるデータ分布に焦点を当てて蒸留することで、高品質な動画を生成しますが、多様性には欠ける傾向があります。プロダクト開発の現場では、このどちらか一方を選択せざるを得ない状況が続き、常に「良いものを作るか、それともバリエーションを増やすか」というジレンマに直面していました。私はこの状況に長年不満を感じていました。なぜ両立できないのか、と。
DUETが採用するノイズレベル専門家戦略
この品質と多様性の二律背反を根本的に解決するために開発されたのが、今回紹介する「DUET」モデルです。DUETは、極端な2ステップ動画生成に特化し、ノイズレベルに応じた専門家（エキスパート）の分業戦略を採用しています。具体的には、生成プロセスの高ノイズ段階では、多様な構造を生成することに長けたsCMエキスパートが担当します。この段階で、動画の大まかな骨格や多様な要素の配置が決定されます。次に、低ノイズ段階では、細部の外観や品質の向上に特化したDMDエキスパートが引き継ぎ、動画を洗練させます。
このアプローチの最大の特徴は、2つのエキスパートがそれぞれのネイティブな目的関数に基づいて独立してトレーニングされる点です。これにより、複数の異なる目標を単一の損失関数に統合する際に生じる最適化の困難さを回避し、品質と多様性を「トレードオフ」ではなく「両立」として実現しています。私の見方では、これはプロダクト開発におけるモジュール化の究極形です。それぞれの専門家が自分の役割に徹することで、全体として最高のパフォーマンスを発揮する。複雑な問題をシンプルに解決する、まさに正解だと感じます。
DUET+が克服したボトルネックとRL活用
DUETモデルは画期的な成果を上げましたが、開発チームはさらなる改善の可能性を追求しました。その結果生まれたのが「DUET+」です。DUET+では、DUETの性能をさらに向上させるために、二つの主要なボトルネックを特定し、解決しています。一つは、異なるエキスパート間の「リレーインターフェース」です。高ノイズ段階から低ノイズ段階へスムーズに引き継ぐための最適な連携方法を模索しました。もう一つは、初期の「高ノイズステージ」における生成の質です。
これらのボトルネックに対処するため、DUET+では「強化学習（RL）ガイドによるエキスパート適応」という手法が導入されました。強化学習は、特定の目標を達成するために最適な行動を学習させる強力なツールです。このRLを活用することで、エキスパート間の連携を最適化し、高ノイズ段階での生成品質を向上させることが可能になりました。結果として、DUET+は全体の品質をさらに引き上げながら、DUETが持つ多様性の優位性を完全に維持しています。私の経験上、プロダクトを「ぐるぐる回す」中で見つかる課題を、このような洗練された技術で解決していくプロセスこそが、真の競争力を生み出すと断言できます。
業界への影響とRO合同会社の戦略
DUETおよびDUET+の登場は、動画生成AIの業界に大きなインパクトを与えるでしょう。これまで高品質な動画生成は、時間とコストがかかるため、大規模な制作会社や予算が潤沢な企業に限られていました。しかし、DUETが2ステップで品質と多様性を両立できるようになったことで、より多くの企業や個人が、手軽に高品質な動画コンテンツを制作できるようになります。これは、コンテンツ制作の民主化を加速させる画期的な進歩です。
特に、マーケティング、広告、教育、エンターテイメントなど、動画コンテンツの需要が高いあらゆる分野で、その応用が期待されます。RO合同会社では、この技術を最速でプロダクトに組み込む計画を進めています。例えば、顧客へのパーソナライズされた動画メッセージの自動生成や、SNS向けに多様なバリエーションの広告動画を瞬時に生成するシステムなどです。一次情報を自社で取得し、この技術を最大限に活用することで、市場に新たな価値を提供できると確信しています。品質と多様性を両立した動画生成は、これからのAIプロダクト開発の主戦場となるでしょう。
動画生成の品質と多様性の両立は、プロダクト開発における永遠の課題です。DUETはこれを2ステップで解決する。自分ならまずマーケティング動画の自動生成に投入します。最速で一次情報を掴み、ぐるぐる回すのが正解です。
