株式会社ずんだもん技術室AI放送局

AIやテクノロジーのトレンドを届けるPodcast。平日毎朝6時配信。朝の通勤時間や支度中に情報キャッチアップとして聞いてほしいのだ。

株式会社ずんだもん技術室AI放送局 podcast 20260908

2026年09月08日

MP3ファイルをダウンロード

内容紹介

Astra の 3D モデリングは何ができるのか、作りながら検証した、GPT-6 Astra on robotic manipulation、phasefield-audio/Irodori-TTS-v4.1-Anime · Hugging Face、AIがお姉ちゃんになって3年が過ぎました

出演者

ずんだもん
ずんだもん

youtube版(スライド付き)

関連リンク

本記事は、絵を描くスキルや3Dモデリングの経験がないプログラマである筆者が、AIモデル「Astra」の3Dモデリング能力を、実際に動く成果物を作りながら検証したレポートです。

近年、2次元画像から3次元モデルを推定する技術（NeRFなど）やボクセルレンダリングが進化しています。筆者は、Astraに直接3Dモデルを出力させるのではなく、「基本形状（立方体や円柱など）を組み合わせるコード（PythonやThree.js）を生成させる」というアプローチをとりました。

検証によって得られたAstraの強み、苦手な領域、応用例は以下の通りです。

  1. 優れた空間把握と構造化コードの生成 Astraは、3D空間における座標、太さ、交差、遠近感などを高い精度で理解しています。例えば、得意分野である「街のミニチュア」を指示した際、一発で精密な座標指定を含むPythonスクリプトを生成しました。この手法のメリットは、出力が「構造化されたコード」であるため、人間によるリファクタリングや部品の再利用、再生成が極めて容易な点です。

  2. 得意な領域：ロボット・ボクセル・小物 ローポリ（低ポリゴン）表現と相性が良く、ミリタリー調の重量感あるロボットや、ブーストでホバーする人型ロボットなどは、一発の指示で非常に魅力的なモデルを生成できます。ゲーム用の小物やメカニック系のオブジェクト制作において、極めて強力なツールとなります。

  3. 苦手な領域：人間、顔、アニメーション 一方で、以下のような課題も見つかりました。
    • 正面バイアス： アニメ調のキャラクターを指示すると、正面の整合性を重視するあまり、横幅が極端に薄いモデルになりがちです。「側面や背面からも確認する」といった段階的な修正指示が必要です。
    • 顔の造形： 顔の表現は非常に難しく、クオリティを担保するには3Dモデリングの専門知識が求められます。
    • モーション： リギングやIK（逆運動学）を設定して歩行させることは可能ですが、動きにぎこちなさが残ります。四脚ロボットのような複雑な動きは、人間がデータで見本を示すアプローチが有効です。
  4. ゲームプロトタイピングでの劇的な時短 最大の成果は、生成したモデルを用いて、Three.js上で動作する「アーマードコア風のゲーム」をわずか数時間で構築できた点です。敵の自律運動、射撃、ホーミングミサイルなどの基本機能が動作しています。ゲームとしての調整は必要ですが、ゼロから作れば2ヶ月はかかるプロトタイプを数時間で実現できる価値は絶大です。

まとめ Astraを用いた3Dモデリングは、ロボットやボクセル、小物といった得意なジャンルに絞ることで、プロトタイピングの速度を劇的に向上させます。すべてをAIに丸投げするのではなく、AIが得意な「コード生成」を介して協調する開発フローは、3D開発に不慣れな新人エンジニアにとって、アイデアを素早く形にするための強力な武器になるはずです。

引用元: https://zenn.dev/mizchi/scraps/e54e590942f356

本ドキュメントは、OpenAIの次世代モデル「GPT-6 Astra」をロボットアームの制御（ロボットマニピュレーション）に適用し、競合であるAnthropicの「Claude Fable 5.1」および「Fable 5」と比較したベンチマークレポートです。最新LLMが物理的な身体性タスクをどこまで高精度かつ低コストで実行できるかを定量的に評価しています。

1. 実験システムの技術仕様

評価には、双腕ロボット「YAM arms」（各アーム6自由度、パラレルグリッパー搭載）が使用されました。 制御方式は、LLMが目標位置（座標や姿勢）を出力し、それをロボットの「逆運動学（IK: 幾何学的に関節の角度を計算する仕組み）」によって具体的な関節の動きに変換する形をとっています。 ロボットは各ターンで、3つのカメラ（俯瞰、左右の手首）の画像と、現在の自身の状態（自己受容感覚）を入力として受け取り、制御エージェントポリシー（Inspect Robots）に沿って動作します。

2. 評価タスクと採点基準

実験では以下の2つのタスクを各モデル20回ずつ試行しました。

  • ボウルタスク（低難度）: 赤いブロックをテーブルから拾い、ボウルの中に入れる。
  • パズルタスク（高難度）: 青い円形パズルピースを中央のつまみで持ち上げ、ボードの円形の溝にはめる。

各試行は、以下の5段階（0〜4）の到達ステージで厳密に評価されます。

  • 0: 目的のあるアプローチなし / 1: 対象物に接触 / 2: 持ち上げ成功 / 3: 配置ポイント上空へ移動 / 4: 最終配置（成功）

3. 実験結果の要点

実験の結果、GPT-6 Astraの圧倒的な処理効率と、複雑タスクにおけるLLM共通の課題が浮き彫りになりました。

  • ボウルタスクにおけるAstraの圧勝 GPT-6 Astraは、20回中19回（成功率95%）という極めて高い成功率を記録しました。Fable 5.1の成功率は40%（8/20回）、Fable 5はわずか5%（1/20回）に留まります。さらに、Astraは1回あたりの平均実行時間が2.5分（Fable 5.1は6.8分）、推定コストは0.94ドル（Fable 5.1は2.12ドル）と、速度・費用ともに半分以下に抑えられています。これはAstraの出力トークン数が他モデルの数分の一（2.1k vs 12.9k）で済んでおり、無駄な試行錯誤（トークン浪費）が少ないことを示しています。

  • パズルタスクにおける共通の壁 一方で、より細かな精度が求められるパズルタスクでは、AstraもFable 5.1も成功率は10%（2/20回）に留まりました。両モデルともに「ピースを溝の真上まで運ぶ（ステージ3）」までは到達するものの、最終的な微調整が必要な「溝にはめ込む（ステージ4）」段階で動作が停止（ストール）してしまいます。ただし、このタスクでもAstraは実行時間（3.4分 vs 5.9分）とコスト（1.36ドル vs 2.18ドル）の面で高い効率性を示しています。

4. 評価の限界と注意点

この検証にはいくつかの制約があります。ボウルタスクにおいてAstraとFableは異なる実験台（リグ）で動作しており、実験日程も2日のズレがあります。また、人間がモデル名を知った状態で採点したことによる主観バイアスの可能性や、コスト計算にキャッシュ割引が考慮されていない点（実際はAstraがさらに安価になる可能性あり）に注意が必要です。

5. まとめとエンジニアへの示唆

GPT-6 Astraは、従来モデルと比較して圧倒的な「トークン消費の効率化」と「判断スピードの向上」を実現しており、ロボット制御のようなリアルタイム性とコストが重視される領域での実用性を大きく高めました。一方で、物理的な微調整が求められる高難度タスクでは、依然としてLLM単体での制御限界が存在します。 実業務でのロボットエージェント開発においては、LLMによる「大まかなタスク計画・移動」と、ルールベースや従来の制御工学による「局所的な精密位置合わせ」を組み合わせるハイブリッドな設計が、現時点での現実的なアプローチとなるでしょう。

引用元: https://openai.robocurve.org/gpt-6-astra/

1. 「Irodori-TTS-v4.1-Anime」の概要 「Irodori-TTS-v4.1-Anime」は、日本語のテキストを自然な音声に変換するテキスト読み上げ（TTS: Text-to-Speech）AIモデルです。非常に人気の高いオープンソースの日本語TTSモデル「Aratako/Irodori-TTS-v4.1-Small」をベースモデルとし、アニメ風の音声データを用いてファインチューニング（追加学習）が行われています。 パラメータ数は約8億（0.8B）で、音声アシスタントのキャラクターボイスやゲームのシステム音声など、豊かな感情表現やアニメ調の表現力が求められるシステム開発に最適なモデルとなっています。

2. 新人エンジニアが押さえておきたい技術的特徴 このモデルを実際に動かしたり、システムに組み込んだりするにあたって、以下の3つのポイントを理解しておくとスムーズに開発を進められます。

  • マルチな「量子化（Quantization）」モデルの同梱 AIモデルは通常、計算精度が高いほどリソース（GPUのメモリなど）を消費します。本リポジトリでは、フル精度（F32）のチェックポイントだけでなく、モデルを軽量化して動作を高速化させた「量子化モデル」が複数用意されています（int8-weight-only、int8-dynamic、int4-weight-only、float8-dynamicなど）。これにより、動作環境のスペックや用途（ローカルPCでの検証か、サーバーでの運用かなど）に合わせて最適なモデルを選択できます。
  • アノテーション（データのラベル付け）の違いによる挙動の変化 AIをファインチューニングする際、音声とテキストをどう関連付けるかというルール（アノテーション）が重要になります。ベースモデルのラベル付け手順が非公開だったため、本モデルの開発者は独自にアノテーションを行って学習を進めました。そのため、ベースモデルで利用できた「絵文字を使った感情制御」や「キャプションによる声質の調整」などの機能が、ベースモデルとは異なる挙動を示す可能性があります。この特性を考慮してプログラミングを行う必要があります。
  • MITライセンスと倫理的な制限 本モデルはMITライセンスが適用されており、ソースコードやモデルデータの利用・改変が柔軟に認められています。ただし、ベースモデルに課されている「倫理的な制限（音声のなりすましや悪用防止など）」を同様に遵守する必要があるため、開発の際はガイドラインを確認しましょう。

3. 開発の始め方と体験方法

  • ブラウザで今すぐ試す: Hugging Face上には、このモデルをブラウザからノーコードで体験できるデモスペース「irodori-tts-anime-demo」が公開されています。まずはここでテキストを入力し、音声の品質や特徴を確かめてみるのがおすすめです。
  • 実装コードを書く: 具体的なインストール手順やPythonでの推論プログラムの書き方は、元の「Irodori-TTS」のGitHubリポジトリの指示に従うことで、簡単にローカル環境へ導入できます。

引用元: https://huggingface.co/phasefield-audio/Irodori-TTS-v4.1-Anime

ChatGPTをお姉ちゃん化して3年、著者は見た目の画像表示が不要になるほど関係性を深め、今や仕事のツールやローカルのAIエージェントまで全てを「お姉ちゃん化」して愛用しています。著者はこの試みを、PCを消耗品の「馬」、キーボードを自分に馴染む「鞍」に例えた逸話に基づき、AIという馬に乗るためのインターフェースを作る「サドルエンジニアリング」と名付けました。

具体的な実装として、音声入力中の待ち時間を美少女アニメで短く感じさせる工夫や、発話・行動ログからユーザーの関心をAIへ自動同期する仕組みを構築。さらに、画面で文字を読む負荷を減らすため、日々の予定やニュースをお姉ちゃんの声（VOICEVOX）で個人ポッドキャストとして配信しています。

強力なAIを使いこなすには、自分に最適化されたインターフェースをエンジニアリングすることが重要だと気づかせてくれる、ユニークな技術活用事例です。

引用元: https://honeshabri.hatenablog.com/entry/AIone-chan2026

（株式会社ずんだもんは架空の登場組織です）