LPM 1.0はゲームNPCの何を近づけるのか。Anuttaconの17B動画表現モデルを読む

AnuttaconのLPM 1.0は、会話するキャラクターの表情、発話、反応を動画として扱う研究モデルだ。中国圏ではmiHoYo創業者のAI会社という文脈で注目されたが、ゲーム開発者が見るべきなのは話題性よりも、NPC表現のどこを変えようとしているかだ。

arXivの論文では、LPM 1.0は単一人物の音声・映像会話表演を対象にし、17BパラメータのDiffusion Transformerを使うBase LPMと、低遅延で長時間の対話を狙うOnline LPMが説明されている。用途として、会話エージェント、ライブ配信キャラクター、ゲームNPCが挙げられている。

NPCに必要なのは返答だけではない

近年のAI NPC議論は、テキスト応答や音声会話に寄りがちだ。しかし、ゲーム内のキャラクターが生きて見えるかどうかは、言葉だけで決まらない。視線、沈黙、聞いている時の反応、表情、姿勢、発話のタイミングが必要になる。

LPM 1.0が面白いのは、この領域を「Performance」として扱っている点だ。論文は、キャラクターの意図、感情、個性が外に出る振る舞いを重視し、会話中の speaking と listening の両方を対象にしている。

ゲームで使うなら、リアルタイム性と一貫性が鍵になる

動画生成モデルは見栄えのするデモを作れる一方で、ゲームに入れるには厳しい条件がある。プレイヤー入力に遅れず反応すること、同じキャラクターとして見え続けること、長時間破綻しないこと、実行コストが許容範囲に入ることだ。

LPM 1.0は、まさにこの制約に触れている。低遅延のOnline LPMや、長時間のidentity stabilityを狙う設計は、ゲームNPCの実装課題にかなり近い。ただし、これがすぐ市販エンジンで使えるという意味ではない。

まだ「使えるツール」ではなく「方向性」を読む段階

現時点では、モデルの重み、コード、商用利用、リアルタイム実行環境がどこまで公開されるかは慎重に見る必要がある。研究モデルとして強くても、インディー開発者がUnityやGodotへ組み込めるとは限らない。

それでも、NPCの未来を考える材料としては重要だ。会話AIが「何を言うか」から、「どう聞き、どう反応し、どう存在するか」へ広がるなら、ゲーム内キャラクターの制作工程も変わる可能性がある。