アナム・カラ-3：インタラクティブAIアバターの進歩

Anamは、インタラクティブなアバターを作成するために設計された最新モデル「cara-3」をリリースしました。このアバターは、拡散トランスフォーマーがオーディオをモーション埋め込み（頭の位置、視線、唇の形状、表情を含む）に変換する2段階のパイプラインを採用しています。これらの埋め込みは、参照画像に適用されてビデオフレームを生成し、再学習の必要なく任意の顔をアニメーション化することができます。

特に、Cara-3はH200上で約70msの初回フレームまでの時間を達成でき、単一のGPUで多くの同時アバターセッションをサポートします。この速度は、従来の技術が不安定であることが判明したため、オーディオからモーションへの変換に使用される新しいフローマッチングの変種によるものです。

独立したブラインド評価では、Cara-3がHeyGen、Tavus、D-IDなどの競合製品を上回り、さまざまな指標で平均24%高いスコアを獲得しました。Spearman相関係数0.697で示される応答性は、視覚品質（0.473）よりもユーザーエクスペリエンスに大きな影響を与えることが示されています。

Anamはまた、高コストなステップを再実行することなく反復的な開発を促進するために、トレーニングデータパイプラインのバックボーンであるMetaxyをオープンソース化しました。