ALAYA Lab (Shanda AI)/2026-07
1枚の画像とカメラの動き、テキスト指示だけから、1分以上遊び続けられる「動く映像世界」をリアルタイム生成し続けるオープンソースの世界モデル。
AlayaWorldは、1枚の静止画とカメラの動かし方、テキストでの指示を渡すだけで、まるでゲームのようにその場で操作しながら探索できる「動く映像世界」をAIがその場で生成し続ける技術です。動画生成AIは近年数秒〜数十秒の映像は作れるようになりましたが、それを見ているだけでなく「自分でカメラを動かして進む」「魔法を唱えると花火や召喚獣が現れる」といった双方向のやりとりをしながら1分以上崩れずに世界が続く点が新しい。しかも同じ舞台を『写実的』『油絵風』『サイバーパンク』『ドット絵』など7種類の画風に切り替えて生成できるため、広告やブランド体験のプロトタイプで世界観違いの複数パターンを一瞬で見せる、という使い方も考えられます。ライブイベントの背景映像やインタラクティブ展示の叩き台、ゲームのコンセプトアート的な『動く絵コンテ』としての活用も期待できます。
仕組みとしては、動画生成AIの土台であるLTX-2.3という映像生成モデルをベースに、「3Dキャッシュ」と呼ばれる簡易的な3次元の記憶領域を組み込んでいます。カメラを動かすとその3Dキャッシュを参照して同じ場所に戻ったときに景色が破綻しないようにし、同時に直前までの映像履歴を圧縮した「記憶」も保持することで、長時間再生しても世界のつじつまが崩れにくい設計になっています。 これまでの映像生成AIは、決められたプロンプト通りに数秒の映像を一度作って終わり、というものが大半でした。AlayaWorldは映像を1秒ずつのかたまり(チャンク)で生成し続け、その途中でジョイスティック操作のようにカメラ方向を変えたり、魔法や天候変化といった新しい指示を割り込ませたりできる点が異なります。60秒以上遊んでも世界の一貫性が保たれることを確認しており、いわば「ゲームエンジンを使わずに映像AIだけでゲームらしい体験を作る」試みです。 使うにはCUDA対応GPU(複数GPUなら長時間再生も高速)とPyTorch環境が必要で、学習済みモデル重みはHugging Faceから無料でダウンロードできます。ただしライセンスは「LTX-2 Community License」に準拠しており、現状は研究・学術目的や非商用の検証利用に限られ、実際の広告制作で使う場合はLightricks社への商用ライセンス確認が必要です。
LTX-2 Community License Agreement準拠。学術・非商用のみで、商用利用はベースモデル提供元Lightricks社との別途契約が必要
Google DeepMindによる単独プレイヤー向け世界モデルの代表例
テキストや画像から探索可能な3D世界を生成するTencentの先行研究