PixVerse R2はどう動く？操作しながら変化するAI生成の世界

PixVerse R2は、AI動画を「完成したクリップ」ではなく、ユーザーが介入しながら展開させる「動く世界」として生成しようとするモデルです。文章や画像、音声、アクションを入力すると、生成中のシーンを引き継ぎながら、映像と音声を同期させて出力します。AIsphereは2026年9月22日にR2を発表し、中国での正式発表は翌23日と報じられました。同社は8月に技術概要も公開しています。159

入力のたびに、同じ世界の続きを生成

一般的な動画生成のように、ひとつのプロンプトから固定されたクリップを作って終わるのではなく、R2ではセッションの途中でもユーザーが操作を続けられます。PixVerseは、文章、参照画像、音声、アクションによる入力に対応すると説明しています。報道では、WASDキーのような操作でキャラクターを動かしたり、プロンプトでキャラクターを入れ替えたり、物体を追加したり、環境を変えたりする例も紹介されています。16

狙いは、入力のたびに別の動画を作るのではなく、その時点のシーンや操作を踏まえて、現在の場面とその先をつなげることです。「世界モデル」という呼び方の要点もここにあります。R2はセッション中の出来事を次の生成に引き継ぎ、キャラクターや物体、空間の関係を保つことを目指しています。136

Zero MarkとEveのデモが示すもの

クリエイターのXiaolongbaoが制作したインタラクティブ作品『Zero Mark』では、同じ場面でもプレイヤーの選択によって展開が変わります。生き物に葉ではなくドラゴンを差し出すと、リアルタイム生成される反応も変化する――入力がシーンの続きを左右する仕組みを示すデモです。12

別のデモには、デジタルキャラクターのEveが登場します。報道によると、Eveは音声やキャラクター設定、記憶、プレイヤーとの関係性を踏まえて質問や物語の展開に応答し、複数回のやり取りでも同じ人物らしさを保つことを目指しています。ただし、これらは想定される体験を示すデモであり、長時間のセッションでどれほど安定して機能するかを独立に評価したものではありません。6

リアルタイム性と一貫性を支える仕組み

AIsphereはR2を大きく二つの要素で説明しています。Omni Causal ARは、複数の入力を扱い、現在の世界の状態をもとに次の展開を生成する「世界モデル」の中核です。Real-Time Accelerationは、その能力をインタラクティブに動かすための加速レイヤーとされています。1913

同社が紹介する主な技術には、生成の区切り方や記憶、計算量に関わるものもあります。

• Dynamic Chunking（動的分割）：入力や出来事に合わせて生成する区間の長さを調整します。短い区間は素早い局所的な反応に、長い区間はまとまりのある動きや出来事の表現に使う設計です。3
• 複数の時間幅のメモリー：長期的な手がかりと直近の変化を同時に扱うための仕組みです。技術概要では、長期的な基準を保持するSink Memory、最近の動きを扱うRolling History、物体ごとの表現を再利用するObject KV Cacheが挙げられています。10
• Error Bank（誤差バンク）：代表的な失敗状態を保存し、通常の履歴とともに学習時に再利用する仕組みです。生成の失敗からも学ぶことを狙っています。310
• ブロックスパース注意機構：セッションが長くなった際、関連性の高い情報に計算を集中させる方法として説明されています。二次報道では、出力品質の低下がほとんどない状態で疎性が90％を超えたとされていますが、これは報告されたシステム上の結果であり、独立したベンチマークではありません。716

性能の数値をどう読むか

AIsphereは、社内評価で「長時間セッション中の映像のずれ」を35.8％減らしたと報告しています。これは同社による評価結果であり、あらゆる用途での性能を独立機関が検証した数値ではありません。2

提供された資料には、他のシステムと比較できる独立した遅延時間、フレームレート、画質のベンチマークは示されていません。したがって、R2がリアルタイム動作を掲げ、長時間の一貫性を目指していることは分かるものの、シーンや操作の違い、長いセッションを通じた実際の性能がどの程度かは、ここにある情報だけでは判断できません。デモは仕組みのイメージを伝えるものですが、幅広い使い方での安定性を証明するものではありません。13

R1からGame Engineへ続く製品の方向性

PixVerseは、2026年1月にR1を発表し、連続生成されるインタラクティブ動画への取り組みを始めました。R2はその次の段階として、より多様な入力と、セッションをまたいで維持するシーンの状態に重点を置いています。PixVerse Game Engineは、リアルタイム生成映像をAIエージェントやゲームの仕組みと結びつけるもので、役割やルール、変化する世界の状態を含む体験につながる構想です。1418

確認できる資料から説明できるのは、こうした製品の方向性までです。CEOのWang Changhu氏がインタラクティブな世界について具体的に述べたとする引用は、根拠が十分でないため、ここでは帰属を示していません。