ドコモ、推しの映像をAIが自動編集 11月に音響連動デモ

NTTドコモは2026年10月23日、視聴者ごとの好みに応じてライブ映像を自動で組み立てる「パーソナライズ映像自動構成技術」を開発したと発表した。好きな出演者のアップだけを映し続けるのではなく、ステージ全体の演出や他の見せ場も取り込み、視聴者に合わせた映像を作ることを目指す。一般向け配信サービスの開始ではなく、研究開発段階の技術発表だ。

推しとステージ全体をAIが自動で切り替え

音楽ライブの配信では、全視聴者が同じカメラ映像を見る形式が一般的だ。複数カメラから選べるマルチアングル方式もあるが、視聴中に自分で切り替える操作が必要になる。推しのアップを追いかけると、舞台全体の演出や別の出演者の重要な場面を見逃す可能性もある。今回の技術は、この操作負担と視聴体験の偏りを減らす狙いがある。

仕組みの中心はVLM（Vision Language Model）と呼ばれる、映像などの視覚情報と言語情報を扱えるAIモデルだ。視聴者があらかじめ注目したい出演者を設定すると、AIがその人物のアップ映像とステージ全景の映像を組み合わせる。カメラを手動で頻繁に切り替えなくても、個人の好みとライブ全体の見どころの両方を反映できるという。映像の自動構成に関する具体的な精度や処理遅延の数値は公表されていない。

11月に音響XRと組み合わせたデモ

同社は11月18～20日、24日、25日にNTT武蔵野研究センタで開催予定の「NTT R&Dフォーラム」で体験デモを展示する。NTTが開発する音響技術「音響XR」と組み合わせ、映像だけでなく音声にも視聴者の好みを反映する。発表によると、特定の出演者の歌声を強調したり、出演者の立ち位置に合わせて音が聞こえる方向を制御したりする体験を想定している。

例えばグループの音楽ライブなら、推しの歌声を聴き取りやすくしながら、その出演者のアップとグループ全体のパフォーマンスを組み合わせて視聴できる。映像の選択と音響の調整を連動させる点が、単にカメラを選べる従来の配信との違いだ。ただし、デモの展示予定が明らかになった段階であり、実際の商用配信でどこまで自由に設定できるかは未発表となっている。

スポーツやXRへの応用も検討

今後の応用先としてドコモは、音楽ライブ以外にスポーツ観戦やXR・ARグラスを使った視聴体験を挙げる。例えばスポーツでは、注目選手の映像と試合全体の状況を両立させるような使い方が考えられる。ただし、これは発表された研究の応用可能性に基づく例であり、具体的なサービス化や導入先が決まったという意味ではない。

ドコモはさらに、多数の利用者へ個別に構成した高品質な映像と音響を低遅延で届ける将来像を示し、6G時代の大容量・低遅延通信も視野に研究を進めるとしている。視聴者ごとに異なる映像を生成・配信するには、制作工程だけでなく配信基盤の設計も重要になる。現時点では提供開始日、料金、対応する配信サービス、利用できる端末などは公表されていない。