【ITニュース解説】ChatGPT Dots by OpenAI: Building Expressive AI Assistants with Rive Animation

AIアシスタントは、私たちとの会話体験を向上させているが、それでもユーザーは「今、AIは何をしているのだろう？」と疑問に思うことがある。例えば、聞いているのか、何かを処理しているのか、それとも次の指示を待っているのか、あるいはすでにタスクを終えたのか、といったことだ。このような疑問は、ユーザー体験を損ねる原因となる。

OpenAIが発表した「ChatGPT Dots」は、まさにこの点に重要な示唆を与えている。これは、AIアシスタントが単にテキストで応答するだけでなく、その活動状況を視覚的にどう伝えるべきか、という新しいデザインの課題を開発者に投げかけている。AIアシスタントは今後、ユーザーからのフィードバックから学習し、他のアプリケーションと連携しながら、長期的にユーザーの目標達成をサポートする存在へと進化していく。このような複雑な役割を担うAIは、これまでの単なる質疑応答とは比較にならないほど多くの「状態」を持つことになる。

具体的には、AIアシスタントは次のような様々な状態をとる可能性がある。例えば、ユーザーの依頼を聞き取っている状態、提供された情報を処理している状態、何らかのタスクを実行している状態、ユーザーに言葉で応答している状態、ユーザーからの承認を待っている状態、タスクの完了を報告している状態、あるいはエラーの内容を説明している状態などだ。これらの多様な状態を、ユーザーが明確に理解できるように視覚的に伝えることが、今後のAI製品においては非常に重要になる。

ここで役立つのが、アニメーション化された顔やマスコットのようなキャラクターだ。キャラクターの表情や動きは、テキストによるステータスメッセージや操作ボタンを補完し、ユーザーがAIの状況を直感的に把握するもう一つの手段となる。これにより、AIアシスタントが単なる機能の塊ではなく、より親しみやすく、信頼できるパートナーのように感じられるようになるだろう。

このようなキャラクターをデザインし、アニメーションを制作する際には、まずアプリケーションの「状態」を明確に定義することから始めるのが重要だ。アニメーションを作る前に、アプリケーションがどのようなイベントを確実に検知できるのかを洗い出す。例えば、「アイドル（何もしていない）」、「リスニング（聞いている）」、「プロセッシング（処理中）」、「ワーキング（作業中）」、「スピーキング（話している）」、「アウェイティングアプルーバル（承認待ち）」、「コンプリート（完了）」、「エラー（問題発生）」といったアプリケーションの状態ごとに、キャラクターがどのような振る舞いをすべきかを考えるのだ。

アプリケーションの状態は、常に「真実の源」であるべきだ。例えば、タスクが本当に完了したときにだけ完了のアニメーションを再生し、マイクが実際にオンになっているときにだけ聞いている表情にする、といった具合だ。この状態とキャラクターの振る舞いのマッピングは、ただ魅力的なキャラクターを作るだけでなく、それがユーザーインターフェースの有用な一部となるために不可欠な計画ステップとなる。

このようなインタラクティブなキャラクターアニメーションを実現するには、単に動画を再生するだけでは不十分だ。ユーザーの入力やアプリケーションの状態に応じてリアルタイムに反応する必要があるため、Riveのようなアニメーションシステムが適している。Riveでは、アニメーションの各状態や制御要素をあらかじめキャラクターに設定しておくことで、アプリケーションがそれらを直接操作できるようになる。これにより、キャラクターの活動内容の変化、独立した表情、口の動き、視線の方向、あるいはタップやクリックへの反応、一度だけ再生されるお祝いのアニメーションなど、様々なインタラクティブな表現が可能になる。具体的な実装方法は、使用するRiveのランタイムやターゲットとするプラットフォームによって異なるため、アニメーションファイルを確定する前にこれらの詳細を開発チームと合意しておくことが重要だ。

実用的な設計上のポイントとして、キャラクターの「活動（Activity）」、「感情（Emotion）」、「発話（Speech）」の各制御を独立させることが挙げられる。例えば、AIアシスタントが心配そうな表情で何かを話している場合、表情の変化が発話アニメーションを中断させてはならない。同様に、喜びの表情が自動的に発話アニメーションを誘発するべきではない。このように責任を分離しておくことで、製品が成長するにつれてキャラクターの表現を拡張しやすくなる。例えば、話す活動、中立・幸福・共感・心配・驚きといった感情、口の開き具合の数値、視線の方向、一度限りの「お祝い」や「リセット」といったイベントなど、それぞれの要素をアプリケーションから独立して制御できるように設計する。これらの制御の名称やタイプ、範囲などは、特定のプロジェクトに合わせて明確に文書化しておく必要がある。

AIキャラクターが発話する際の口の動き、いわゆるリップシンクにも、いくつかの方法がある。一つは、アプリケーションが提供する「オーディオレベル」の値に応じて口の開き具合を制御する方法だ。これは、シンプルなロボットの顔やスタイル化されたキャラクターに適しており、細かい口の形を用意しなくても発話活動を伝えることができる。もう一つは、「ヴィセム（viseme）」と呼ばれる発話音に対応する口の形を、音声システムから提供されるタイミング情報に基づいて切り替える方法だ。これはより詳細な口の動きを再現できるが、音声システムとアニメーションファイルの間で、どのヴィセムがどの口の形に対応するのかを明確にマッピングする必要がある。どちらの方法を選ぶかは、製品の要件、利用可能な音声データ、キャラクターのスタイルを考慮して決定すべきだ。

また、キャラクターが使用される「画面」の特性に合わせてデザインすることも重要だ。ウェブサイトのマスコットと、ロボットの画面に表示される顔では、考慮すべき制約が異なる。ウェブサイトの場合、レスポンシブな配置、コンテンツを隠さないか、ポインターやタッチでの操作、最小化や非表示の機能、アニメーションの動きを減らす設定などが考慮点となる。一方、AIロボットやデスクトップコンパニオンの場合、画面の寸法や形状、見る距離、円形のディスプレイの境界線、表情の読みやすさ、デバイスのパフォーマンス、そして様々な状態での顔の一貫した位置などが重要になる。小さなロボットのディスプレイでは、シンプルで読みやすい目や口の形が適しているかもしれないし、より大きなコンパニオンアプリでは、詳細なキャラクター表現が可能になるだろう。

開発者とアニメーターの間で、アニメーションの「引き渡し」を明確にすることも、プロジェクトを円滑に進める上で非常に重要だ。アニメーションファイルだけでなく、アートボードやステートマシンの名前、制御の名前、タイプ、範囲、デフォルト値、活動や表情のマッピング、一度きりのイベントの振る舞い、リセットや中断のルール、レイアウトの指針、そして期待される動作を示すプレビューなど、詳細な情報を提供する必要がある。また、イベントが素早く連続して発生した場合の遷移の振る舞いについても事前に話し合っておくべきだ。例えば、アシスタントが処理中のアニメーションがまだ完了していないうちに話し始めたらどうなるか、ユーザーが発話を中断したらどうなるか、リセットはどのような効果を持つのか、といった疑問に早期に答えておくことで、統合段階での予期せぬ問題を防ぐことができる。

最後に、ユーザーが実際に遭遇する可能性のある様々な状態を、アプリケーション内で検証することが不可欠だ。アニメーションエディタの中だけでなく、実際のアプリケーションに組み込んだ状態で確認するのだ。例えば、リスニング、処理中、発話中の間で素早く切り替える、アニメーションが完了する前に中断する、すべてのアクティビティの後でアイドル状態に戻る、発話中に感情を変える、口の動きの最小値と最大値をテストする、まばたきが意図した通りに継続するか確認する、視線の限界や画面の境界線をチェックする、エラーや回復の振る舞いを検証するなどだ。特に、複数の制御が同時に作用する組み合わせに注意を払う必要がある。個別のプレビューでは正しく見えても、活動、感情、発話の入力が同時に変化したときに、予期せぬ振る舞いをすることがあるからだ。

OpenAIのChatGPT Dotsは、AIとの継続的なインタラクションについて考える良い出発点を提供する。システムエンジニアを目指す皆さんにとって、これは、AIアシスタントをより親しみやすく、直感的に理解できるものにするための一つの重要な方法論と言える。最も効果的なアニメーションの選択は、製品の目的に沿ったものでなければならない。例えば、聞き取り中は注意深い動きをさせたり、発話中の動作を明確にしたり、状態が変化したときに分かりやすく承認のサインを出したりするなどだ。AIアシスタントに明確な役割と表情を与えることで、ユーザーとの間に質の高いインタラクションを築くことができる。