動画を作成
ブログ

PixVerse R1とは:次世代リアルタイムワールドモデルのアーキテクチャを徹底解説

最終更新日
PixVerse R1とは:次世代リアルタイムワールドモデルのアーキテクチャを徹底解説

PixVerse R1は、量産環境で初めて実用化されたリアルタイムワールドモデルです。単発のクリップを生成するのではなく、連続的でインタラクティブな動画を生成するシステムです。本記事では、R1を実現している技術アーキテクチャ、その開発を支える設計思想、そして初回リリース以降にモデルがどのように成熟してきたかを解説します。

R1が解決する課題

一般的なAI動画生成は、リクエスト・レスポンス型のワークフローに従います。プロンプトを送信し、処理を待ち、静的なクリップを受け取る、という流れです。このワークフローは個々の出力としては優れた結果を生み出しますが、根本的な限界を抱えています。生成されたコンテンツは静的なままだということです。視聴することはできても、その中に入り込むことはできません。

R1はこの限界をなくすことを目的として、ゼロから設計されました。有限の動画ファイルを生成する代わりに、R1は持続的でインタラクティブな映像ストリームを生成します。ユーザーの入力に応じてリアルタイムで存在し続け、進化し続ける世界です。

これはクリップ生成の漸進的な改善ではありません。まったく異なる計算問題であり、異なるアーキテクチャ要件を必要とし、品質の評価方法自体も変わってきます。単発の動画であればプロンプトへの忠実度やクリップごとの完成度が重要ですが、ワールドモデルはレイテンシ、メモリ、そして長時間のセッションを通じてどれだけ破綻せずに持ちこたえられるかで評価されます。

三層アーキテクチャ

R1のアーキテクチャは、リアルタイムワールド生成における特定の課題に対応する、相互に連携した3つのシステムで構成されています。

1. Omni基盤モデル

R1の基盤となるのは、視覚・音声・インタラクションデータを統一されたアーキテクチャ内で処理するOmniネイティブ・マルチモーダルモデルです。異なるモダリティを個別のモデルに振り分けて後から出力を統合するパイプライン方式とは異なり、Omni基盤モデルはクロスモーダルな推論を内部で処理し、テキスト・画像・動画・音声を、縫い合わされた4つの別々のジョブとしてではなく、1本の連続したトークンストリームとして扱います。

この統一処理はリアルタイム性能にとって不可欠です。マルチモデルのパイプラインは、モデル間の受け渡しのたびにレイテンシが発生し、その受け渡しのたびに、情報がシステム間で変換される際にエラーが忍び込む余地も生まれます。サブセカンドの応答が求められる場面では、それらのミリ秒が積み重なって知覚可能な遅延となり、変換時の情報損失は目に見えるアーティファクトとして積み重なります。Omni基盤モデルを、切り抜きやリサイズを施していないネイティブ解像度のデータでエンドツーエンドに学習させることで、両方の問題を根本から取り除いています。除去すべきモデル間レイテンシ自体が存在せず、あるモデルの前提が別のモデルの前提とぶつかる継ぎ目も存在しません。

2. メモリ拡張自己回帰メカニズム

リアルタイムワールド生成には、システムがすでに生成した内容を記憶し続けることが求められます。ユーザーが左を向き、部屋を探索し、再び右を向いたとき、以前に生成されたコンテンツはそこに存在し続けていなければなりません。数瞬前にレンダリングされた内容と一致した状態のままで、静かに少し違う何かへと再生成されていてはいけないのです。

R1のメモリ拡張アテンションメカニズムは、生成のタイムライン全体にわたって環境の状態を維持します。これは自己回帰プロセスとして実装されており、各新規フレームは現在の入力だけでなく、それまでに生成されたすべてのコンテンツの累積メモリにも条件付けられます。単発のクリップのように独立した事象としてサンプリングされるわけではありません。

その結果として得られるのが長時間にわたる一貫性です。ユーザーが探索し、インタラクションし、以前生成されたエリアを再訪しても、生成された世界は長時間のセッションを通じて自己一貫性を保ち続けます。これはこの分野で最も困難な未解決の研究課題でもあります。インタラクティブな動画ワールドモデルに関する独立した研究では、予測誤差の蓄積とメモリ不足が、長時間稼働するインタラクティブ生成における中心的な障害であると指摘されており、R1のメモリ設計はまさにこの失敗モードを正面から見据えて構築されています。

3. 即時応答エンジン

技術的に最も要求水準の高いコンポーネントです。標準的な拡散モデルは、1フレームを生成するために数十回のサンプリングステップを必要とし、リアルタイムのインタラクションには到底間に合いません。R1の即時応答エンジンは、3つの連携した技術によって、これをフレームあたりわずか数ステップのサンプリングにまで削減します。

  • 時間軌跡フォールディングは、時間的な冗長性を活用して拡散プロセスを圧縮します。連続する動画ストリームにおいて、隣接するフレームは視覚的な内容の大部分を共有しています。各フレームをゼロから生成するのではなく、このエンジンは構造的な事前分布、実質的にはクリーンな出力分布へのマッピングを利用することで、前のフレームの状態がほとんどの仕事を代行し、新たに必要となるサンプリングステップ数を劇的に削減します。
  • ガイダンス補正は、クラシファイアフリーガイダンスの効果を生成モデル自体に直接組み込みます。これにより、システムはサンプリングステップごとに別途ガイダンスパスを実行する必要がなくなります。
  • 適応的スパースアテンションは、アテンション計算における冗長な長距離依存関係を刈り込み、セッションが進むにつれて計算グラフがフレームを追加するたびに重くなっていくのではなく、軽量な状態を保ちます。

このアプローチは、フレームごとのわずかな視覚的新規性を犠牲にする代わりに、生成速度を大幅に向上させます。これは、1フレームがその前のフレームとどれだけ違って見えるかよりも、時間的な滑らかさの方が重要となるリアルタイムインタラクションにとって、まさに適切なトレードオフです。

設計上のトレードオフ

R1のアーキテクチャには、リアルタイム性を優先する上で意図的に選択されたトレードオフが存在します。

誤差の蓄積——自己回帰生成は時間とともに小さな誤差を蓄積していきます。各フレームは前のフレームの上に構築されるため、不完全さが積み重なっていく可能性があります。R1はメモリシステムに組み込まれた定期的な補正メカニズムによってこれを緩和していますが、長時間のセッションでは、非自己回帰型の生成と比較して、物体の永続性やシーン構造に緩やかなドリフトが見られることがあります。

解像度の上限——リアルタイムという制約は、実用上の解像度の上限をもたらします。解像度が高くなるほどフレームあたりの計算量が増え、それはリアルタイム生成の予算を直接圧迫します。R1のオリジナルの研究アーキテクチャは、このトレードオフの上限としてリアルタイム1080pを目標としていました。ただし、特定の提供経路を通じて実際に利用できる解像度は、アクセス方法によって異なります。Webでの体験、共有ワールドセッション、パートナーAPIエンドポイントでは、それぞれ異なる上限が提示され得るためです。実運用への統合を計画する場合は、1つの数値をすべての提供経路で固定のものとして扱うのではなく、実際の製品で最新の数値を確認することをお勧めします。

多様性と一貫性のトレードオフ——速度を実現する時間軌跡フォールディングは、標準的な生成と比較して連続するフレームの視覚的な相関が高くなることも意味します。これは持続的な世界にとっては意図された挙動です(一貫性こそが求められるものです)が、その一方でR1は、クリップベースのモデルと比較して、生成単位あたりの視覚的なバリエーションが少なくなります。

これらのトレードオフは限界ではなく、エンジニアリング上の選択です。R1はクリップ生成モデルとは異なる目的関数に最適化されており、その設計はその優先事項を正確に反映しています。

R1はV6・C1とどう役割分担しているのか

PixVerseは現在、2つの異なるクリエイティブ用途をカバーしています。どのモデルがどの問いに答えるのかを明確にしておく価値があります。成果物がファイルである場合、たとえばSNS向けクリップ、商品動画、シネマティックなショット、画像から動画への書き出しなどであれば、PixVerse V6とPixVerse C1は、完成したダウンロード可能な結果物を目指したプロンプトレベル・ショットレベルの制御を備えており、そのワークフローのために作られています。一方、成果物が生成開始後も応答し続ける体験、つまりゲーム、ライブ配信のレイヤー、XRシーン、複数ユーザーで共有される空間などであれば、それはR1の領域です。クリップベースのモデルをその役割に無理やり当てはめることは、ワールドモデルが本来何のためにあるのかという点を見誤ることになります。

シンプルに区別するなら、書き出す必要があるものにはV6かC1を、動き続ける必要があるものにはR1を選ぶ、と考えてください。

活用例

R1のアーキテクチャは、クリップベースのモデルでは根本的に対応できないカテゴリのアプリケーションを可能にします。

  • インタラクティブエンターテインメント——AIネイティブなゲーム、インタラクティブシネマ、プレイヤーの選択に応じてリアルタイムに生成されるナラティブ
  • トレーニングとシミュレーション——オンデマンドで生成される没入型のシナリオベース環境。産業、農業、生態系のシミュレーションを含む
  • ライブコンテンツと共有ワールド——観客の入力に適応する配信体験、および参加者が同じ生成空間内でインタラクションするマルチユーザー環境
  • クリエイティブおよび教育的な探究——アーティストやデザイナーのためのオープンエンドなワールド生成、そして適応型の学習・トレーニング環境

R1を正直に評価する

ワールドモデルはまだ新興のカテゴリであるため、その能力とあわせて実務上の留意点も挙げておく価値があります。長時間のセッションではドリフトが生じる可能性があり、物理的な忠実度は設計上、速度と引き換えにされており、利用可能な解像度や機能はアクセス経路(Web体験かパートナーAPIか)によって異なります。他のワールドモデルとのベンチマーク比較は、セッションの長さ、インタラクションの種類、解像度を考慮に入れて初めて意味を持つものであり、単一の見出し的な数値だけで判断すべきではありません。

今後の展望

R1は、PixVerseがAI生成コンテンツの次の時代を定義すると信じている研究の方向性における最初の一歩です。初回のローンチ以降、このモデルはすでに研究アーキテクチャの段階を抜け出し、実際に稼働するWeb体験、パートナー・API経由の提供、そして拡張された共有ワールド機能へと展開されています。これは、この方向性が一度きりのデモとして放置されているのではなく、着実に構築が進められている証拠です。計算効率が向上し、アーキテクチャの革新が続くにつれて、リアルタイムで生成される世界の品質、解像度、複雑さは向上していき、リアルタイムのインタラクティブ性を維持しながら、事前レンダリングされたコンテンツの忠実度に近づいていく可能性があります。

「AIがあなたの視聴するコンテンツを生成する」時代から、「AIがあなたの住む世界を生成する」時代への移行が進行中です。R1はその始まりです。

関連リソース

→ PixVerseでR1を体験する