【CEDEC 2024】『Red Ram』と『言霊の迷宮』から見えてくる”生成AI駆動型ゲーム”の現状と可能性

2024.9.20モリカトロン

日本最大のゲーム開発者向け技術カンファレンスCEDEC 2024が、2024年8月21日から23日までパシフィコ横浜ノースで開催されました。23日にはショートセッション「ほぼ、フルAIゲーム。「Red Ram」がプレイヤー好みのミステリーゲームを無限に生成できるからくり」が行われました。本稿ではこのセッションを要約することで、”生成AI駆動型ゲーム”の先駆的事例である『Red Ram』における生成AI活用方法と、同ジャンルの新たな可能性について紹介します。

参考記事：【JSAI2024】AIによるゲーム生成を探求：オーガナイズドセッション「デジタルゲームと人工知能」（前編）
『Red Ram』開発チームに聞く生成AI×ゲームの可能性

段階的な生成によるゲーム体験構築

上記セッションでは、はじめにモリカトロン株式会社AIエンジニアの高橋力斗氏が登壇しました。同氏は「生成AIを使ったゲーム」を開発した動機の説明から話しました。ゲームの基幹システムに生成AIを使うメリットには、多様な生成結果をゲームに反映させることで豊富なゲーム展開のバリエーションを実現できること、またプレイヤーごとにパーソナライズできることがあります。

続いて高橋氏は『Red Ram』の紹介動画を披露してから、ゲーム生成の流れを説明しました。同ゲームは以下のスライドにように4段階の過程を経て、プレイヤーがプレイするストーリーと画面を生成します。

高橋氏を引き継いで登壇したモリカトロン株式会社リードエンジニアの宮本茂則氏は、『Red Ram』のゲーム概要の説明から始めました。同ゲームは、プレイヤーが殺人事件の構成要素を入力すると、その内容にもとづいて生成AIがプレイヤーが解決する事件を生成するというものです。テキスト生成にはGPT-3.5とGPT-4、画像生成にはStable Diffusionを活用しています。テキスト生成に2種類のLLMを採用しているのは、複雑な内容の生成には相対的に高性能なGPT-4を活用するからです。なお、入力画面において「リアル風」あるいは「アニメ風」のどちらかを設定することで、登場人物の顔画像がフォトリアルあるいはアニメ調に生成されます。

プレイヤーによる事件設定入力後に生じる第1段階の生成は、プロット生成です。プロットを生成するLLMには、ミステリーのプロットを生成するノウハウをまとめたミステリー執筆ガイドと、シナリオの分岐といったゲームの制御を設定する情報をまとめた進行フローを合わせて入力します。こうした事前情報と事件設定にもとづいて、データ形式を制約せずにプロットを生成します。

進行フローは、フォローチャートをテキスト形式で記述するMermaid記法が使われています。

第2段階の生成は、ストーリーデータの生成です。この段階では、LLMによってプロットをJSON記法に変換して、後続する生成処理で使いやすいデータ構造にします。

第3段階は、殺人事件のディテールを決定する詳細な設定の生成です。この段階では、ストーリーデータにもとづいて、登場人物、場所、証拠品の特徴を記述したテキスト情報を生成します。

第4段階のテキスト生成では、会話シナリオも生成します。この段階では、登場人物のセリフをLLMによって生成します。LLMに入力するプロンプトの内容は、プロット、ストーリーデータ、詳細設定にもとづいています。プロンプトの作成時には、それらの情報を6種類のテンプレートに挿入します。生成されたセリフには、それぞれに感情に関する情報も付与されます。設定される感情には、普通、怒り、恐れなどの6種類があります。こうした感情は、後述する登場人物の顔画像の生成に活用されます。

ストーリーを反映したゲーム素材生成

第3段階までは、生成処理にLLMを活用していました。第４段階の画像生成では、画像生成AI（Stable Diffusion）を活用してゲーム画面やその画面に表示される各種オブジェクトを生成します。具体的には、詳細設定生成時に得られた場所や証拠品に関するテキスト情報にもとづいたプロンプトを入力して、ストーリーに沿った画像を生成します。

背景画像生成時には、登場人物を重ねて表示した時に不自然にならないように、プロンプトで画角等を指定します。証拠品が写真の場合、写真に写りこんでいる被写体をストーリーに合致したものに生成するのが技術的に困難なため、多数の写真が重なり合った画像を事前に用意しました。

登場人物画像の生成時には、生成オブジェクトの位置や姿勢を指定できるControlNetを活用します。さらに登場人物画像から人物の描画部分だけを抽出して、登場人物を背景画像に重ねます。この抽出には登場人物を識別するセマンティックセグメンテーションと、背景とそのほかの部分を深度推定で区別する方式を併用することで処理精度を高めています。

登場人物の表情の生成には、登場人物画像生成時に用いた乱数を流用することで、表情と人物の一貫性を実現しています。また、表情生成時のプロンプトは、登場人物画像生成時に使用したものに表情に関する情報だけを追加しています。追加される表情情報は、以下のスライドのように6種類あります。

宮本氏は、『Red Ram』のゲームプレイ画面も紹介しました。紹介したプレイでは、以下のスライドのようなプレイヤー入力でした。生成された背景画像は大型ディスプレイが写っていることから、ゲーム開発会社のミーティングルームと理解できます。また、豆腐のような奇抜な凶器設定であっても、「豆腐で窒息死」のような理解可能な死因となっています。また、セリフのなかに「お金の貸し借り」という表現があることから、犯行動機である金銭トラブルが反映されていることがわかります。

明らかになった課題と新たな展開

登壇者が再び高橋氏に戻ったところで、同氏は『Red Ram』における課題を話しました。同ゲームでは整合性のあるストーリーを生成するのに失敗する場合があり、そうした失敗事例としてセリフのつじつまが合わないことがあります。例えば、以下のスライドで示されたようにストーリー序盤で凶器を見つけたにもかかわらず、その後のセリフで凶器が見つけられないと発言してしまうことがありました。

もうひとつの失敗事例として、以下のスライドのように序盤のセリフでネタバレしてしまうものもありました。以上に言及した失敗事例の原因は、詳細設定が会話シナリオにうまく反映されていないからだと考えられます。

会話シナリオからわかる課題のほかに、コストの課題もあります。この課題は、さらに時間的コストと金銭的コストに細分化されます。時間的コストとは、ゲームシナリオ生成時に要する時間を意味します。『Red Ram』では、人物データなどの一部の生成を並列化することで、生成時間の短縮を実現しました。さらにデータ生成完了までの待ち時間に、プレイヤーに生成済みシナリオをプレイしてもらうことで、待機時間におけるストレスを軽減しました。

金銭的コストとは、LLMによる生成に伴う費用を指します。OpenAIが提供しているGPT-3.5とGPT-4のAPIは、コールして生成処理を実行すると課金されます。こうしたコストは、最近約1年間で1/7以下に安くなっています。また、生成完了までの時間も半分以下に短縮しています。LLM開発競争は今後も続くと予想されるので、LLM使用に伴う各種コストの改善はこれからも期待できるでしょう。

高橋氏は、2024年7月に公開した最新生成AI駆動型ゲーム『言霊の迷宮』についても話しました。このゲームは、リアルタイム生成を体験できることを最大の特徴としています。リアルタイム生成とは、ゲームプレイ中におけるプレイヤーの入力に応じて、ゲームに活用する画像等を生成することを意味しています。リアルタイム生成を使えば、ゲーム開始前にゲームデータを生成する『Red Ram』と比較して、プレイヤーが抱く希望をより柔軟にゲーム進行に反映させられます。