　従来のTalking Headは、あらかじめハイエンドカメラでスキャンした顔の3Dモデルと、表情のパラメータ、音声データを組み合わせ、本人の顔と声で表情豊かに3Dアバターを喋らせる技術だが、「緻密なデータを複数組み合わせて実現しているため、非常に大きなコンピューティングリソースを必要としていた」（加治佐氏）という。これに対し、現在Microsoft Research Asiaで研究・開発を進めているものは、音声の質と精度が向上し、より手軽に顔の3Dモデルを生成できるようになったという。

画像6　2012年1月に披露した「Talking Head」のデモ

画像7　「Talking Head」をベースにさらに進化

　「音声認識／音声合成などの処理に、機械学習（マシンラーニング）の分野で注目されている『Deep Learning』の技術（DNN：Deep Neural Network）を応用し、音声の質と精度を向上させている。また、従来、時間をかけて顔の3Dモデルを取り込んでいたが、身近なデバイスとクラウドのリソースを活用することで、いつでも、どこでも、簡単に取り込めるようにした」（加治佐氏）。

画像8、画像9　「3D FACE」のデモ。専用アプリを立ち上げた「Windows Phone」で顔を撮影する　※画像クリックで拡大表示

　その具体例として紹介されたのが「3D FACE」だ。「Windows Phone」で専用のアプリを立ち上げて、カメラで人の顔をぐるりとスキャン（1分くらいかけて撮影）すると、その撮影データが自動的にクラウドにアップロードされて処理が行われる。クラウド側での処理を終えると、Windows Phoneのアプリ上に3Dモデルが表示され、タッチ操作で自由に動かすことができる。既に、同様のコンセプトのスマートフォン向けアプリも存在するが、「3Dプリンタ」の普及とともに人物や物体を手軽に3Dスキャンできる技術にも注目が集まりそうだ。