ドコモ、AIで視聴者別にライブ映像を自動構成　推しのアップと全体演出を両立する技術

　NTTドコモは10月23日、AIを活用して一人ひとりの嗜好に合わせたライブ映像を自動で構成する「パーソナライズ映像自動構成技術」を開発したと、報道発表資料で明らかにした。視聴者があらかじめ設定した出演者（推し）のアップ映像と、ステージ全体の演出や見どころを捉えた映像を、AIがバランスよく自動で組み合わせる。視聴者は視聴中にカメラ映像を切り替える操作をしなくても、嗜好に合わせて構成されたライブ映像を楽しめるという。

　背景には、音楽ライブなどの楽しみ方の多様化がある。ドコモによると、好みの出演者や演出、楽曲シーンを重視して視聴するニーズが高まる一方、従来のライブ配信はすべての視聴者に同一の映像と音声を提供するのが一般的だった。複数のカメラ映像を視聴者が切り替えられるマルチアングル配信もあるが、視聴者自身の操作が必要になるうえ、特定の出演者だけに注目すると、ステージ全体の演出や他の出演者の見せ場を見逃してしまう課題があったという。

　本技術には、映像や画像を組み合わせて理解するAIモデルのVLM（Vision Language Model）を活用した。VLMは映像などの視覚情報と、テキストなどの言語情報を同時に処理でき、映像の内容を理解して指示に基づく判断を行えるという。

　ドコモは、2026年11月18日～20日と24日、25日にNTT武蔵野研究センタで開かれる「NTT R&Dフォーラム」で、体験デモを展示する予定だ。NTTの音響技術「音響XR」と組み合わせ、特定の歌声の強調や、出演者の立ち位置に応じた音の方向制御も行う。例えば、特定の出演者の歌声を強調して聞きながら、その出演者のアップ映像とグループ全体のパフォーマンス映像を組み合わせて視聴できるという。

　今後は技術の高度化を進め、音楽ライブに加えてスポーツ観戦やXR／ARグラスを活用した視聴体験への応用を検討する。将来は、多数のユーザーへ一人ひとりの嗜好に合わせた高品質な映像・音響体験を低遅延で配信することを見据え、6G時代に求められる大容量・低遅延通信を活用した研究開発を推進するとしている。