# Pika Enact：再生中のAI動画を「演出」できるのか

- 番組: [The Neuron: AI Explained](https://ai-curator.jp/podcasts/shows/cmv8ukqpj0003711052b4okte)（The Neuron）
- 元のタイトル: Pika Enact: Can You Direct AI Video While It Plays?
- 配信日: 2026年11月19日
- 長さ: 45分
- 要約作成日: 2026年11月19日
- トピック: [#AI動画生成](https://ai-curator.jp/topics/AI%E5%8B%95%E7%94%BB%E7%94%9F%E6%88%90) [#世界モデル](https://ai-curator.jp/topics/%E4%B8%96%E7%95%8C%E3%83%A2%E3%83%87%E3%83%AB) [#リアルタイム生成](https://ai-curator.jp/topics/%E3%83%AA%E3%82%A2%E3%83%AB%E3%82%BF%E3%82%A4%E3%83%A0%E7%94%9F%E6%88%90) [#Pika](https://ai-curator.jp/topics/Pika) [#合成データ](https://ai-curator.jp/topics/%E5%90%88%E6%88%90%E3%83%87%E3%83%BC%E3%82%BF) [#クリエイティブAI](https://ai-curator.jp/topics/%E3%82%AF%E3%83%AA%E3%82%A8%E3%82%A4%E3%83%86%E3%82%A3%E3%83%96AI)
- URL: https://ai-curator.jp/podcasts/cmwmmeybl00006u1204601307

## 要約

The NeuronのホストがPika CEOのDemi Guo氏、クリエイティブリーダーのMatan Cohen-Grumi氏とLindsay Brillson氏を迎え、インタラクティブなAI動画生成「Pika Enact」を議論した回。プロンプトを入力して完成クリップを待つ従来方式と異なり、シーン再生中にキャラクターを動かし、俳優に話しかけ、カメラも変更できる。リアルタイム生成を支える独自モデル「H3 Flex」、合成データ、品質と速度のトレードオフ、AI作品の権利、3年後の展望まで語られた。

## ポイント

- Enactは、シーン再生中にキャラクターをドラッグしたり、声で演技指示を出したり、カメラを調整できる対話型の動画生成で、現場での演出に近い体験を目指している。
- 基盤は同社のモデルH3 Flex。Demi氏によれば、既存のリアルタイムモデルは約5秒のチャンク単位で遅延があるが、Enactは遅延のないストリーミング型を新たに訓練したという。
- 学習データは3Dで描画した映像を、低速だが高品質な動画モデルでフォトリアルに変換する合成データのエンジンで作っている。リアルタイム版は非リアルタイム版より画質がやや劣ると認めている。
- エージェント層が俳優（キャラクター）に自己認識と記憶を与え、「Sarahはもっと感情的に」といった指示を覚えさせて、誰に向けた指示かも区別する。
- 演技を固めてからカメラを別工程で試せるため、実際の撮影のように同時進行で全てを制御する必要がなく、大きなアンロックだとMatan氏は述べた。
- Lindsay氏は、AIで作ったキャラクターは自分のIPで、Pikaは商用ライセンスを提供すると述べた。またAI時代にも創作者自身が倫理と独創性を守る責任があるという見方を示した。

## 章立て

- [00:00] **導入：プロンプトから演出へ** — 従来のAI動画ツールとの違いと、ゲスト紹介。Pikaが創作の未来をどう捉えてきたかをDemi氏が語る。
- [04:15] **Enactが変える演出体験** — MatanとLindsayが、キャラクターを動かすと実際に反応する体験の直感性と没入感を語る。
- [07:23] **構想の背景と実現プロセス** — モデル、テンプレート、エージェントを経て、現実の演出を模したリアルタイム演出に至る流れ。Matan氏のデモ映像が北極星になった経緯。
- [14:47] **技術の裏側：H3 Flexと合成データ** — 遅延のないストリーミング型モデル、3Dと動画モデルを組み合わせたデータ生成、品質とのトレードオフを説明。
- [20:00] **デモ：キッチンでの口論シーン** — 背景変更、セリフのリハーサル、本番の撮影までをライブ指示で行うデモ。
- [23:40] **俳優への指示とエージェント層・世界モデル** — 記憶を持つ俳優、マルチモーダル入力、カメラ操作を別工程にできる利点を議論。
- [34:30] **提供形態と創作物の権利** — H3 FlexのAPI、Hugging Faceでの重み公開、創作プラットフォームへの搭載と、AI作品の所有やオマージュの線引き。
- [39:00] **3年後の展望** — 恐竜のような非現実的な演出や、クリエイターが作品との一体感を取り戻す未来像。

## 解説記事

AI動画ツールの多くは、シーンを文章で説明して生成ボタンを押し、結果を待つ方式だ。The Neuronのこの回では、Pika CEOのDemi Guo氏と、クリエイティブリーダーのMatan Cohen-Grumi氏、Lindsay Brillson氏が、再生中の動画に手を入れられる新しい試み「Pika Enact」を語った。

#### プロンプトボックスは「ブラックホール」

Lindsay氏は、プロンプトを入力する方式を「ブラックホールに投げ込むようなもので、対話がなく、届けられるだけ」と表現した。Enactではキャラクターを持ち上げて動かすと、その動きに合わせて実際に演技し反応するという。再生中のシーンから人物だけを切り分けて、その場で物理的に自然な反応を返すこと自体が技術的な偉業だと同氏は述べている。

監督経験を持つMatan氏は、体験そのものが他のAI制御手法とまったく違い、現場に近い感覚だったと振り返る。プロンプトの精緻化やエージェントによる制御が進むなか、むしろ「基本に戻る」直感的な手法だという見方だ。同氏は、AI制作では創作者が「プログラマー」のようになりがちだが、Enactは人間的なやり取りを取り戻すと語った。

Demi氏は、Pikaの歩みをモデル、テンプレート、エージェント、そしてリアルタイム演出へと続く流れとして説明した。創作を「より身近にする」ことが一貫した問いで、対象は非クリエイターだけでなくプロも含むという。将来は、現場の演出と同じく環境を整え、俳優に話しかけ、カメラも動かす形が最も直感的になると考えている。

#### 技術：遅延のないストリーミングと合成データ

Enactは、同社が最近公開したオープンウェイトモデルの流れをくむ「H3 Flex」上に構築されている。Demi氏は、このモデルがオープンウェイトモデルの中で速度とコストの効率が最も高く、品質は同程度だと述べた。

同氏によれば、既存のリアルタイムモデルは約5秒ごとのチャンク単位で生成するため、ストリーミングではあっても対話的ではない。Enactでは遅延のない、より効率的なリアルタイムモデルを新たに訓練した。多様な入力を条件として受けるアーキテクチャも開発したという。

データは市販品では足りず、独自のデータエンジンを構築した。3Dでシーンをレンダリングし、エージェントで3Dデータを増やし、低速だが高品質な動画モデルでフォトリアルな映像に変換する合成データだという。品質については、リアルタイム版は非リアルタイム版よりやや劣ると率直に認めた。それでも、損失のない推論の効率化技術など、PikaFlexで培った経験で補っているという。

#### 俳優に記憶を与えるエージェント層

デモでは、キッチンの夜という設定に変更し、AliceとBobのセリフをリハーサルして、「アクション」で本番テイクに移った。俳優は指示を聞き、セリフを試し、受けた修正を覚えて最終演技に反映するという。

Demi氏の説明では、モデルはテキストや参照に加えて「インタラクション入力」も受ける、世界モデル的な構造だ。通常の動画モデルには記憶もキャラクターの概念もないため、エージェント層がキャラクターに自己認識と記憶を与える。「Sarahはもっと感情的に」という指示を覚えさせ、「Sarahが近づく」とDarrenを取り違えないようにするためだ。氏はこれを、細かなカメラ指定を書き込むプロンプトから、意図を伝えるエージェント、そして演出そのものへという、思考の抽象度の変化だと捉えている。

Matan氏は、カメラ操作を演技の確定後の別工程にできる点を強調した。現場では演技とカメラを同時に決めなければならず、あの瞬間にカメラがなかったという悔いが残りがちだ。Enactでは完璧な演技を固めてから、カメラワークの違いを試せる。

#### 提供形態と権利、そして3年後

H3 FlexはAPIで利用でき、オープンウェイトはHugging Faceで公開され、同社の制作プラットフォームにも新たに入ったという。

権利についてLindsay氏は、AIで作ったキャラクターも、粘土や絵画で作ったものと同じく自分のIPだと述べた。Pikaは商用ライセンスを提供しているという。参照の扱いは、オマージュか盗用かを創作者自身が律するべきで、道具が何であれ基準は同じという立場だ。

3年後について、Demi氏はエージェントを超えて、実際の演出と同じ直感的で視覚的な制作に移ると見る。しかも恐竜を演出するような、現実にはできない表現も同じ体験でできるという。Lindsay氏は、AIに慎重なクリエイティブ職の人々が抱える、新たなスキル習得の負担や、作者性が薄れる感覚を和らげたいと語った。

#### まとめ

Enactは、AI動画の制御を「文章を書く」作業から「現場で演出する」作業へ近づけようとする試みだ。遅延を避けるためのストリーミング型モデルや合成データの工夫は、画質との折り合いを伴うが、同社はそれを認めたうえで進めている。日本の制作現場にとっても、プロンプト技術の習得より演出の経験が活きる可能性を示す点が注目に値する。権利や倫理を創作者自身が担うという考え方も、AI活用の議論の参考になるだろう。

> この要約・解説記事は、元の音声の文字起こしをもとに AI（Claude）が日本語で作成したものです。出典: The Neuron: AI Explained「Pika Enact: Can You Direct AI Video While It Plays?」
