『Red Ram』開発チームに聞く生成AI×ゲームの可能性

2022年から急速に普及し現在もなおアップデートが進んでいる生成AIは、プロンプトと呼ばれるテキストを入力することで、高い精度で画像や文章、音楽などを生成することができます。では、生成AIを使ったゲーム開発はどこまで可能なのでしょうか？

2023年7月に開催されたBitSummit Let’s Go!!（以下、BitSummit）でモリカトロンは、シナリオからキャラクターなどゲーム内のほぼすべてのアセットをAIが生成するマーダーミステリー『Red Ram』を発表し、BitSummit会場内のブースで試遊版を公開しました。プレイヤーは被害者の職業や凶器など事件に関わる4つのキーワードを任意で入力した後、あらかじめ候補が用意された犯行動機の選択をします。数十分ほど待つと、ストーリーやトリック、キャラクターや背景、アイテムの画像といったアセットがほぼすべてAIによって生成され、マーダーミステリーのゲームが完成します。

発表後はゲーム媒体のみならず、経済紙もふくめたさまざまな媒体からも取材を受け、広範囲で話題になった『Red Ram』は、生成AIの可能性と課題を検証する試みでした。開発のプロセスおよび振り返りから明らかになったことについて、開発チームの4名にお話を伺いました。

関連記事：楽しいAIを作るには何が必要か？「BitSummit Let’s Go!!」対談レポート

「こんなことができたら面白い」が発端

——本日は『Red Ram』の開発についてお話をいただくということでお集まりいただきました。まず最初に、森川幸人さんに『Red Ram』の開発に至る経緯についてお聞きしたいと思います。

森川幸人（以下、森川）：今回のように自社でゲームを作って発表するのは、モリカトロンとして初めての経験です。これまで手掛けてきたプロジェクトの多くはクライアントワークだったため、クライアントと交わされた守秘義務などの関係で具体的な内容や技術を公にできないことが多かったのです。その結果、企業の認知度の向上を目指しても、具体的に何をやっている会社なのかを発信することができないというジレンマがありました。

また、ちょうど昨年くらいから画像に関してもテキストに関しても生成AIの性能が一気に上がってきて、これはどこかで一度しっかり研究しておかなければという思いもあり、生成AIがゲームを全部作るゲームを開発して「こんなことができたら面白いんじゃない？」というコンセプトモデルとして発表しようと思い至りました。

ただ思い立つのがちょっと遅くて、作った以上はどこかで発表したいと思って近々の予定を見たらBitSummitがあったんですが、7月のBitSummitに間に合わせるには結構ギリギリのスタートで、4月ぐらいだったかなと思います。まあ、そんな形で始めました。

宮本茂則（以下、宮本）：プロジェクト開始が4月でしたから、開発に使えた時間は実質4月中旬からの3か月くらいだったと思います。

森川：ゲーム製作の経験もない会社なので、フロントの部分をどうするかなど課題は色々大変だったところもありましたが、今日ここに集まってくれたメンバーが頑張ってくれたおかげで、BitSummitに何とか間に合いました。

——3か月で開発というのはすごいですね。さて、これから具体的な開発プロセスについてお話を伺っていきたいと思いますが、その前に皆様それぞれの現在のポジションと『Red Ram』の開発において担当した部分についてご紹介をお願いできますでしょうか？

宮本：肩書きはリードエンジニアです。以前、発表したAI会話ジェネレーターの開発にも携わっています。今回の『Red Ram』では、テキストで表示されるメッセージやシナリオの生成部分を主に担当しています。

高橋力斗（以下、高橋）：AIエンジニアです。今年入社して、今回のプロジェクトが初めての仕事になります。役回りとして最も大きかったのはフロントエンドの開発ですね。他にも、ゲームデータの自動生成を行うAPIの実装やデータベースの設計など、バックエンドの部分もお手伝いしました。

馬淵浩希（以下、馬淵）：ポジションとしては、高橋さんと同じでAIエンジニアです。今までは、強化学習を使ったキャラクターAIの研究や、宮本さんがおっしゃっていた雑談エンジンの手伝いなど、プロジェクトごとに色々やってきました。今回の『Red Ram』では、ビジュアル部分に関するAI生成の部分を担当していました。

シナリオやセリフの自動生成

——『Red Ram』では、ストーリー構成やトリック、キャラクター画像、アイテム画像、背景画像、これらすべてを生成AIで作っていると伺っていますが、これはChatGPTなど既存の大規模言語モデルをファインチューニングする形で使用されたのでしょうか？

宮本：まずテキスト部分ということで、今回生成に使用したのは主にOpenAIのChatGPT APIを使っています。主にGPT-3.5を使用しましたが、一部でGPT-4を使っています。ChatGPT自体はファインチューニングをして使うことも可能ですが、今回は言語モデルに入力するプロンプトのみで生成内容をコントロールするという方法を採っています。

ファインチューニングを行って専用のモデルを使うほうが、おそらくより精度の高いものができるとは思いますが、今回はプロトタイプ的な位置づけということもあり、ちょっと現実的でないだろうと考えました。ファインチューニングするためには、訓練データを用意する必要があり、今回のようなシナリオであればマーダーミステリーを前もっていくつも書くようなことをしなければいけません。また、開発を進めながら仕様を固めていくという流れでしたから、事前に学習させることが難しかったこともあります。そうした事情から、今回はプロンプトだけで生成内容をコントロールするという方式を採用しました。

——マーダーミステリーでは、殺害の動機や殺害方法、手がかりとなる証拠品や証言など、ストーリー全体の整合性が必要になってきますよね。その辺りの調整はどのようにされたのですか？

宮本：一度にすべてを生成するのは難しいので、まず事件の大枠として、殺害方法や登場人物、場所、証拠品、証言、そして事件全体のフローの概要をまず生成します。それらの核になる部分から人物や場所の詳細を生成し、そこから会話のシナリオを生成する、というように段階的に生成していく方法を採りました。

ただ、整合性に関して言うと、事件の大枠を生成する部分から整合性を取るようには作っていますが、なかなかうまくいっていない部分もあります。実際にプレイしてみると、普通のゲームとして推理をしながら楽しむという意味では、ちょっと物足りない仕上がりになってしまいました。そこは一番難しかった部分で、結局最後までなかなかうまく解決ができなかった部分でもあります。

——今後の課題というところですね。登場人物のキャラクター設定についてはいかがでしょうか？

宮本：一応、キャラクターごとに特徴や個性を設定して、例えば人物によって話し方が変わるように出力する工夫はしています。最初に口癖を設定してみたところ、その影響が強く出すぎてかなり不自然な会話になってしまったので、その設定は不採用としました。一方で、例えば刑事のキャラクターにしても、普通に作ると過剰に丁寧な口調で話す人物になってしまい、これもまた不自然なので、わざと乱暴な口調になるように設定しました。実際にBitSummitでプレイしてもらった方からは、刑事が乱暴すぎるという感想もいただいたりしました。

——「開口一番、会う人を片っ端から犯人に決めつけたがる刑事」という感想もあったようです。もう少し会話内での駆け引きで真相を探っていく、従来のマーダーミステリーやアドベンチャーゲームのような形にしていくとしたら、どういう方法が考えられますか？

宮本：今回は刑事がいて、容疑者がいて、事件はこういう設定で、この場面ではこういうことを話しなさいという設定を与えてシナリオを書かせるという形にしています。プロンプトの形で外から言語モデルに情報を与えて生成するわけですが、条件が多いと外から与えられた情報に沿ってうまくテキストを生成するのが難しい部分があります。刑事と容疑者を混同してしまったり、本当は容疑者が明かさなければいけない事件の真相を、まだそれを知らないはずの刑事がペラペラ話してしまうという失敗もありました。

言語モデルにシナリオを書かせるのではなく、それぞれ容疑者役と刑事役という立場を与えてキャラクターを演じさせる形にしたら、もう少し上手くいった可能性もあります。ただ、その場合だと一言ずつ段階的に生成する形となるので、生成にかかる時間もコストも大きくなってしまいます。キャラクターごとに割り降って演じさせていく方法のほうがうまく行ったのではないかと思いますし、言語モデルを通す回数を重ねれば性能も向上していくのですが、今回は時間とコストの兼ね合いを考えても、細かく分割してやっていくのは現実的には難しかったですね。今後、トライしてみたいと思っています。

プロンプトを駆使した画像生成

馬淵：画像に関してはStable Diffusionを使っています。いわゆる写実的な絵が得意とか、背景が得意みたいな、Stable Diffusionで使用できるモデルを世界中で色々な人が公開しているので、それらを組み合わせて画像を生成するという方法を採りました。宮本さんが作った事件にそって、その情報をもとにプロンプトを作って、背景とキャラクター、証拠品の3種類の画像を生成するという形です。

——画像については、当初、人物が裸になってしまったり、指の描写が変になってしまうのを改善するなどの苦労があったと伺いました。

馬淵：まず、登場人物の職業に関連する服装をさせるということを第一にやりました。例えば、料理人はシェフっぽい服装にするといったことです。しかし、それだけだと、例えば「この職業の人はこういった服装をする」という連想ができない無職の人の場合、裸の人物が出てしまうということが起こりました。対策として、とにかくあらゆるケースを想定して服装をたくさんプロンプトに書くというやり方を採りました。そうすることで、入力した服装のうちの何かを着てくれるようになりました。指の描写に関しては、入力した画像の構造の通りに出力する技術（ControlNet）が当時ようやく成熟してきたというところもあって、それを使うことで乗り越えました。

——ネガティブプロンプト（特定の出力をさせない指示）も活用されていると思いますが、プロンプトを作る上で工夫した点を教えてください。

馬淵：そうですね。ネガティブプロンプトで裸などのセンシティブな描写やグロ画像が出ないようにしたり、入れるだけで画像がきれいになるという画質を上げるプロンプトがたくさんあるので、そういったプロンプトも活用しています。今回のキャラクターは極力美男美女にしようという方針でしたので。

——私もBitSummitの会場で実際に体験させていただき、そのときに「凶器」を入力する欄で「レコード盤」と入力したところ、ストーリーの上では、割られたレコード盤が凶器と解釈されました。ところが、出てきた証拠品「レコード盤の破片」の画像が割れていないレコード盤と割れた木片みたいなものの組み合わせとなっていました。割れたという状態にあるレコード盤のように、物体とそれに付随する状態の組み合わせを画像で生成するのは、あの時点では難しかったのでしょうか？

馬淵：カスタマイズ性の高さとコントロールネットで画像の構造が指定できるところが今回の『Red Ram』に最適だろうということで画像生成の言語モデルにStable Diffusionを選んだわけですが、文章の認識能力の部分でAIが想定しているものと乖離が出てしまうとうまくいかないことがあります。例えば、「被害者の写真」という証拠品を出そうとすると、被害者とは何かという部分を入力することになります。しかし、今回殺された人物として紐付けられるのかというと、難しいところがあります。また、最も強調してほしいところが指定できるわけではないので、そういった部分が今回うまくいかなかったのだと思います。

ゲーム開発において生成AIができること、苦手なこと

——今回、ゲームのアセットのほぼ全部を生成AIで作ったことで、生成AIの強みと弱みそれぞれが見えてきたと思いますが、それについてはいかがでしたか？

高橋：生成AIを用いたゲームの強みは、プレイヤー独自のコンテンツを生成できることです。例えば、今回のマーダーミステリーでは、プレイヤーが事前に入力した設定をもとに事件の展開を生成します。この点は生成AIを全面に押し出したゲームならではの面白さだと思っています。

弱みは生成速度の遅さです。ゲームの中で生成をするわけですが、例えばストーリーに登場するキャラクターの台詞を1つ生成するだけで30秒くらいかかったりします。プレイヤーは自由に自分のペースでどんどん操作をしたいでしょうから、生成で何度も待たされるのはかなりのストレスになります。ゲーム内での生成待ちの解消は『Red Ram』の開発においても非常に大きな課題でした。最終的には、ゲームコンテンツをまとめて生成し、ゲームが遊べる状態になるまでプレイヤーに待機してもらう方式にしました。この方式であればプレイ中に待たされることは無いので、生成の待ち時間に対してプレイヤーが感じるストレスは小さいと思っています。今後、生成AIを使ったゲームを作る際には、こうした入力と出力のタイムラグの解消が毎回大きな課題になると思います。

宮本：先程お話したように『Red Ram』では言語モデルに生成させることで、シナリオなどの設定を作っています。難しいのが、ランダム性のコントロールです。色々な事件を作るにはある程度のランダム性が必要ですが、そうすると時折おかしなものが出力されてしまいます。おそらくこれはテキストに限ったことではないと思いますが、比較的低い確率であってもこうしたエラーが生じることが、AIでゲームのアセットを生成する際の弱点になると思います。

例えば、ほとんどのセリフが違和感なく生成できたとしても、おかしなセリフがほんの少しでも混じっているとそれがプレイヤーの印象に残ってしまい、やはり生成がおかしいと思われてしまいます。ですから、今回も可能な限り出来の悪いものが出力されないように注力しました。

——違和感のある生成物をAIに自動チェックさせるプロセスを組み込むことができれば、全体の精度が高くなりそうですが、いかがでしょうか？

宮本：そうですね。作ったものに対して、「この会話のおかしな部分を指摘しなさい」という形で言語モデルに整合性をチェックさせられると精度は上がると思います。今回、生成された内容をチェックさせるようなテストも行って見ましたが、言語モデルが「このシナリオはおかしいです」ときちんと指摘してくれる所まではまだできませんでしたし、整合性のさらに先の、生成されたゲームがプレイヤーにとっておもしろいかどうかをAIに判断させるのは、現段階ではまだ難しいと思います。

馬淵：画像に限って言えば、生成AIの強みはむしろ生成時間が早いという部分にあると思います。今回、BitSummitにおいて相当の枚数の画像を生成しましたが、あれをもし人間が手作業でやろうとしたら、相当な時間がかかります。それに対して、1枚を10秒ぐらいで生成できる（長くても30秒くらい）。これまで人間が作成にかけてきた時間に対して、生成の速度は非常に速いと考えています。

逆に弱みは、宮本さんがお話したことと同じですが、最後はやはり人間が評価しないと良いものになりにくいという点です。先程お話したStable Diffusionで画像のクオリティを上げるプロンプトを使う例が分かりやすいのですが、例えば人物を生成するときに美男美女を出力させるプロンプトをたくさん入力すればするほど、同じような格好や背丈になり、似通った外見の人物画ばかりが出力されてしまいます。つまり、AIが考える最も美しいであろう人間の外見に寄せられていくわけです。しかし、それが全人類の好みの顔なのかと言うとそうとも限らず、人によっては100点満点中30点くらいだと感じる方もいます。そういった意味で、最後は人間が評価していかないと、遊ぶ人たちにとって魅力的なゲームとして完成させるのは難しいのではないかと思います。

森川：今回はあえて全部AIにやらせるという形にしましたが、実際にゲーム開発で生成AIを導入する際は、人間がやるべきところとAIがやるべきところの役割分担が必要になってくると思います。ただ、そのためにも一度、誰かが全部AIでやってみるということをしなければいけない。やってみると、やはりここはAIでは厳しいよね、ここは人間がやらざるを得ないよねというところが見えてくるので。その実験として、今回やってみたというところもあります。やはり人間の主観の部分の判断は、宮本が言ったようにAIが判断するのはまだまだ厳しいかなと思います。

生成AIでもっと面白いゲームを

——最後に、今後の展望について皆さんからお伺いできればと思います。

森川：基本的には、先程の問題提起したところで、このプロジェクトの一旦の目標は達成したと考えています。完全にすべてをAIで作るゲームを商品化していくことは目指してはいないので。ただ開発チームの3人から、これはやり残したとかこういう可能性があるという意見が出て、それがちょっと面白いアイディアだったらやっていきたいなと思っています。

宮本：そうですね。目下は11月25日の「CEDEC＋KYUSHU 2023」（以下、CEDEC＋KYUSHU）に出展する予定もあるので、それに向けて改良を続けています。モデルに関してはChatGPTのままで、プロンプトの工夫や生成の工夫で、できる範囲で整合性がもっとうまく取れたり、もっとそれらしいセリフが生成できるようにしようと考えています

高橋：ご指摘いただいたように、テキストの内容に合わない画像が生成されている部分が結構あるので、そこをもう少し改善したいと思っています。単にテキストをプロンプトとして画像生成モデルに入力するだけでなく、テキストを解析して生成画像のジャンルに合わせたプロンプトに加工するなど、色々試していければと考えています。一般公開の予定はないもののイベントに出展する機会はありますし、このようにして『Red Ram』のクオリティを上げていければと思います。また、会社全体として生成AIを使ったゲームを作る取り組みは今後も続けていくという考えなので、『Red Ram』以外にも試行錯誤して面白いゲームを開発したいと思っているところです。

馬淵：直近ではCEDEC＋KYUSHUに向けて、登場人物を美男美女にしたいという要望がありつつも、そうした出力をするプロンプトを使うと生成AIが似たような顔ばかり出してしまうという問題を解決すべく、うまくバランスが取れるようにがんばっているところです。

もっと先の展望としては、Chatのやり取りで画像を生成することができる「DALL-E 3」が公開されたので、画像とテキストのマルチモーダルモデル（両方を出力できるモデル）を『Red Ram』で扱えるようになると、テキストと合わない画像が生成される問題も解消できるのではないかなと考えています。事件とは関係がない画像を出さない、あるいは「被害者の写真」を出力する際にシナリオの中の被害者の顔と一致する画像が出せるようになってくると、『Red Ram』のクオリティも上がってくるのではないかと期待しています。

森川：実装はしなかったけれど、アニメーション的な見せ方を実験していたよね。同じ顔で表情がちょっと違うバージョンを連打して、切り替えでアニメーションっぽくみせるというような。それに関してはどうかな？ アニメーション化に向けては。

馬淵：『Red Ram』に関しては、ゲームに表示してもらうに際してどのタイミングで表示を変えるのかという問題があるとは思いますが、表情を変える画像自体はもう生成できます。

——刑事が追求していくと追い詰められた容疑者の表情が変わったりすると、演出としてもエモーショナルな感じになりそうですね。CEDEC＋KYUSHUの現場に行かないと『Red Ram』の改良版は体験できないのですか？

森川：現場でこちらが色々と説明しながら体験してもらうのがいいなと思っています。Webアプリなのでネットで公開することも可能ですが、Webの場合エディットができないので、人が作ったものをプレイするだけになってしまいますし。自分で設定して遊びたいという場合はやはり会場まで来てください。最後に、高橋が言ったように、生成AIを使ったゲームを作るプロジェクトは実際、動いています。具体的にいつ発表できるかはまだちょっと分かりませんが、「こういう使い方が面白いんじゃない？」という提案が、そう遠くない未来にまたできると思います。

【お知らせ】11月25日に九州産業大学1号館で開催されるCEDEC＋KYUSHU 2023のインディーゲームコーナー（ブース番号３）にて​​『Red Ram』を出展します。ぜひお越しください。

Writer：大内孝子、Interview​​：高橋ミレイ