Runwayのデジタルキャラクターは24fpsで動く。返事を始めるまでは何秒？

顧客が質問を言い終えたあと、アニメーションのキャラクターが反応できる時間はわずかです。再生が始まれば映像が滑らかでも、最初の返事までに間が空くと、通話が切れたように感じることがあります。Runwayの新しい論文には、その間がどこから生じるかを読み取れる時間データがあります。

Runwayは2026年3月9日にCharactersを提供開始しました。11月3日のプレプリントは、話しながら映像を生成する対話型アバターの基盤を説明しています。すでに提供されている製品の技術解説です。Runwayの著者は、NVIDIA H100 GPU四基で映像を動かす方法を含め、自社のシステムでの結果を報告しています。数字は、チームが試行で確かめるべき問いを具体化してくれます。別の端末、接続、アプリケーションでの結果は、その環境で測る必要があります。

Runwayの論文で用いられたGPUと同じ型のH100をテストするサーバー。参考静止画は极客湾Geekerwanによるもの。サイズ変更あり、CC BY 3.0。画像の出典 · ライセンス。

フレーム四枚の生成には約167ミリ秒しか使えない

ライブ映像の生成。Telli.sh制作。

毎秒24フレームでは、約167ミリ秒ごとに四フレームのまとまりを用意する必要があります。再生側が消費するよりも遅く届けば、動きを途切れさせないためにバッファーを増やす、画質設定を変えるなどの調整が必要です。滑らかに再生できていても、一まとまりが167ミリ秒のほとんどを使う場合があります。

Runwayの著者によると、システムは約570億パラメーターで、704×1,088のフレームを生成します。拡散ステップの中央値は、基準構成で240.9ミリ秒、最適化した構成で159.3ミリ秒、さらに演算を融合した後で147.4ミリ秒でした。ノイズを除いた潜在表現一つが四フレームに相当し、デコーダーは別に並行して動きます。このステップの計測範囲は、利用者が感じる応答時間とは異なります。

もう一つの違いは、最初のまとまりが出た後は十分な速度で映像を生成し続けられることです。論文では計測条件下で、映像パイプラインが0.49秒、会話の一往復全体の中央値が約2.1秒でした。音声処理、対話生成、音声合成、通信、最初に意味のある再生が始まる時点は、いずれも会話に影響します。工程は重なる場合があるので、全体から映像の時間を引いても、個々の工程の所要時間は求められません。

動くキャラクターが役立つ場面を探す

博物館やショールームの製品案内端末が試行の一例です。来訪者が操作部の機能を尋ねると、アプリは承認済み資料から短い答えを選び、画面の図を表示したままキャラクターが応答します。立ち寄った人には、はっきりした表情や視線、話す順番の合図が役立つかもしれません。接続が不安定になれば、文章による案内へ切り替えられます。

もう一つは社員研修のロールプレイです。受講者が不満を持つ顧客への応対を練習し、研修アプリからフィードバックを受けます。台本どおりの挨拶よりも難しいタイミングの問題です。文の途中で止まり、割り込みに対応し、言葉を誤って解釈したら立て直す必要があります。遅延の計測に加え、受講者が言い直すか、キャラクターの発話に重ねて話すかも記録します。

アバターが実在する人の画像や声を使う場合は、同意と肖像の扱いが関わります。組織は、誰がキャラクターを作れるか、どこに表示できるか、どう取り下げるかを定められます。実験では明らかに架空の人物、または文書で許諾を得た出演者を使うと、画面についての検証結果と後のライセンスの問題を分けやすくなります。

実運用の計測結果からも、まだわからないことがある

会話の一往復を測る。Telli.sh制作。

著者によると、1秒以上続いたセッションの99.5%で、平均は毎秒23.5フレームを超えました。分母と平均を取る区間は重要です。平均の基準を通ったセッションでも、目立つ停止が起こり得ます。返事がすぐに始まっても、その後の再生が滑らかでない場合があります。論文からは、各購入者が見込む同時利用数で、最初の返事までの時間がどう分布するかはわかりません。

小さく試す場合も、通常のオフィス接続、制約のあるモバイル接続、来訪者が実際に使う種類の端末を含めます。音声と文字起こしを基準にし、同じ問いをキャラクターに試します。完了率、離脱率、割り込み率を比べます。定型回答と対話方針を一定にし、画面による違いを調べられるようにします。成功例とともに遅い応答も記録します。

論文の機器構成から、会話一回の費用はわかりません。研修のやり取りを一回終えたり、来訪者の質問に一問正しく答えたりしたときの費用が、有用な単位になります。生成した分数は、そのうち何分が役立ったかがわかって意味を持ちます。デモ映像は見た目と動きを示します。計測を入れた会話は、対象の利用者にアプリを提供できる状態かを示します。

一つの会話をフレーム単位で見る

論文には二種類の遅延分布がより詳しく載っています。計測点を付けた43ターンでは、利用者が話し終えてからクライアントでアバターの音声が出るまでの中央値は2.13秒で、10パーセンタイルと90パーセンタイルは1.45秒、3.00秒でした。最初のエージェント音声からLiveKitが捉えた発話映像の最初のフレームまでは、中央値493ミリ秒、10パーセンタイル421ミリ秒、90パーセンタイル562ミリ秒でした。前者は試験条件で音が返るまでの間、後者は話す映像が始まるまでの間です。来訪者はその両方を感じ取れます。

フレームレートは別のデータ収集に基づいています。著者は、ワーカーのテレメトリーを7週間記録したと述べ、指標に含めたセッションの条件も定義しています。混雑した会場の試行なら、割り込み直後や来訪者が一斉に増えたときの再生の途切れを観察し、論文を補えます。実際のクライアントで音声と映像を記録し、ネットワークと再生の挙動も計測に含めます。

公平に測るには、利用者が話し終えた瞬間、エージェントが返事を始めた瞬間、最初に見える発話フレームを記します。期待する答えがわかっている質問を繰り返します。これで、遅いが正確な回答と、速いが意図を外した回答を区別できます。二つの画面で同じタイミングの割り込みも何回か試します。

完了したセッションで費用を比べる

Runwayのヘルプによると、開始時に2クレジット、セッションがアクティブな6秒ごとにさらに2クレジットがかかります。公表された税抜き単価の1クレジット0.01ドルを使うと、アクティブな60秒は22クレジット、0.22ドルです。公開された課金方式での計算例です。実際の利用料はアカウント、アクティブ時間、現在の単価、別料金の構成要素によって変わります。

キャラクターの画面と音声だけの基準を比べるなら、完了したやり取り一回当たりの費用を追えます。アバターが話し終わる前に離脱する人がいます。接続不良や不明確な答えで二度目の会話が必要になる人もいます。最初の目的を果たしていなくても、セッションはリソースを使います。完了率を測る分母から離脱を外さず、その料金も支出に含めます。

モデレーションと内容確認の費用も変わります。生成した発言が方針に沿うか、合成した話者を予定地域で使えるか、答えられないときに来訪者がスタッフへつながるかを確認する必要があるかもしれません。映像処理と同じ注意を払って、これらの経路も試します。代替経路があれば、遅い接続による支障を減らせます。

計測を入れて二つの方式を比較する

1. 正しい答えと成功条件が明確な、承認済みのやり取りを一つ選びます。
2. 同じ回答資料と対話方針を使い、テキストまたは音声のみの基準とアバター版を試します。
3. 来訪者が使う端末と接続で、それぞれの依頼を繰り返します。長い返事、意図的な割り込み、一時的な切断を含めます。
4. 返答開始、発話映像の開始、再生の途切れ、成功した割り込み、来訪者が目的を果たしたかを記録します。
5. 再生の証拠とともに失敗を検討します。音声認識、回答生成、タイミング、通信、画面のどこに原因があるかを判断します。
6. 長時間や高トラフィックの用途に広げる前に、完了したセッションと総費用を両方の版で比べます。

この試験から、映像という追加の伝達手段がどこで役立つかがわかります。キャラクターが発言の順番を明確にする相手もいれば、不要な待ち時間になる相手もいます。試行結果は、それを生んだやり取り、接続、端末に結びついています。

時間の数字の裏にあるGPU構成の変化を見る

著者は、一つのリアルタイムセッションに使うH100を八基から四基へ減らしたと説明しています。後段の演算融合を使わない四基構成で、毎秒24.5フレームに達したという報告です。報告対象の負荷に対し、特定のハードウェアとソフトウェア構成が目標を満たした結果です。別の負荷の同時実行を保証したり、顧客アカウントに割り当てる機器を説明したりする数字ではありません。

購入側は、サービスのどこが最初に動き、容量が足りないと何が起き、セッションはどう復旧するかをベンダーに尋ねられます。ショールームでは、音声が続き、質問に答えられれば、映像の短い中断を許せるかもしれません。同期が必要な研修では、いったん止めて復旧状態を示し、決まった位置から再開する必要があります。中断後に同じ操作を再現し、どこまで聞いたかをアプリが把握しているかを見ます。

文の途中で利用者が割り込むときにも兼ね合いが生じます。滑らかに再生するため、システムは生成済み音声や映像をためておけます。ためすぎると、利用者が話そうとしてもキャラクターが話し続けます。少ないと回線の変化に弱くなります。実際に音声が止まるまでと、次の返事が聞こえるまでを分けて測ります。

利用者が理解できる復旧方法を試す

来訪者を対象に小さく試すなら、回答の再生中に通常の接続から遅い接続へ切り替えます。音声が止まるか、映像が固まるか、画面が何を伝えるかを記録します。通信を元に戻し、同じ返答の続きが流れるか、質問の言い直しを求めるか、別の経路に引き継ぐかを見ます。端末の前に立つ人にとって、どの結果になるかは大きな違いです。

復旧できないときは、アプリで対応できるなら文字起こし、利用しやすい書面の案内、担当者への引き継ぎを用意します。短い用事は映像が失敗しても終えられる場合があります。長い研修では途中の地点に戻る必要があるかもしれません。適切な動きは、会話がどこまで進んだかで決まります。

通常の負荷試験では三種類の来訪パターンから始められます。長いセッション一件、独立した短いセッション数件、一度に到着した集団を比べます。それぞれの最初の返答と、特に遅い例を見ます。再生が始まってから目標どおりでも、混雑時に始まるまで長く待てば、来訪者には使いづらくなります。

出典

• Runway Charactersの使用量とクレジット料金

• Runwayの技術プレプリント、2026年11月3日

• Runway Characters提供開始、2026年3月9日

• Charactersの公式デモ

---

仕事の背景となる会話や判断を検索できる記録にするには、Telli.shのアカウントを作成してください。