ドコモは2026年10月23日、視聴者の好みに合わせてライブ映像を自動で構成する技術を発表した。あらかじめ選んだ出演者のアップと、ステージ全体の見どころをAIが組み合わせる。視聴者がカメラを切り替え続ける負担を減らしながら、推しと公演全体の両方を楽しめるようにする狙いだ。[1]
発表は技術開発と体験デモについてのもので、一般向け配信サービスの開始を知らせるものではない。何を自動にし、何を視聴者が選ぶのか。その違いから体験の設計を読む。
アップと全景を選び、カメラ操作を減らす
本技術はVLM(Vision Language Model)を活用し、指定した出演者のアップ映像と、ステージ全体の演出や見せ場を捉えた映像を構成する。ここで扱うのは、見せる映像の選択である。出演者の顔や姿を新しく生成するという発表ではない。[1]

手動のマルチアングル配信なら、視聴者は見たい画角へ切り替えられる。一方、操作に注意を使い、全景へ戻す時点を自分で決める必要がある。自動構成はその判断の一部をAIへ移す提案と読める。単にアップの時間を増やすこととは、目指す体験が違う。
評価するなら、推しが見えた時間だけでなく、見逃したくない場面を見られたか、切り替えに違和感がないかも確かめたい。同じ出演者を選んだ人でも、表情を長く見たい人と、ダンス全体を見たい人では好みが異なる可能性がある。
11月の展示デモと、一般向けの提供は分ける
発表では、NTT武蔵野研究センタで2026年11月18~20日、24~25日に開催予定のNTT R&Dフォーラムで、音響XRと組み合わせた体験デモを展示するとしている。映像の自動構成に加え、特定の歌声を強調したり、立ち位置に応じて音の方向を制御したりする内容だ。[1][2]
音響XRについて、NTTの技術資料は周囲の現実の音と仮想の音を組み合わせる体験を説明している。映像の選択と音の提示は異なる技術の仕事であり、どちらが何を変えるかを分けて読むと、デモの特徴が分かりやすい。[3]
今回の発表から、視聴者向けの料金、対応する配信、発売日を確定することはできない。スポーツやXR・ARグラスへの応用、将来の通信環境を使う研究も、今後の方向として述べられたものだ。すでに利用できる機能へ置き換えないようにしたい。[1]
配信体験として次に考えたいのは、好みを変えたくなったときの操作である。自動に任せるだけで十分か、全景へ戻したいときに選べるか。自動化によって減らす操作と、視聴者に残す選択を決めることが、便利さの条件になる。
ドコモの事例は映像の質を上げる技術に加え、どの映像をいつ見るかという判断も設計の対象になることを示す。本人の好みに合ったかは、研究発表の狙いと分けて、実際の視聴で確かめる必要がある。技術の新しさを利用者の価値へつなぐには、その判断に使える評価を用意したい。
パーソナライズされた体験/技術を伝えるコンテンツも参照できる。
Sources / 参考資料

