- FILMAGENTは3D空間での映像制作を自動化する新しいフレームワーク
- 複数のエージェントが協力して映画の構想から撮影まで行うシステム
- FILMAGENTは既存のツールよりも説得力ある脚本と多様な撮影を実現
論文：FilmAgent: A Multi-Agent Framework for End-to-End Film Automation in Virtual 3D Spaces
本記事で使用している画像は論文中の図表、またはそれを参考に作成した画像を使用しております。
本論文の概要
この論文では、仮想3D空間における映像制作を自動化するための新しいフレームワークである「FILMAGENT」を提案しています。このフレームワークは、大規模言語モデル（LLM）を基盤としたマルチエージェントシステムであり、脚本作成から撮影演出までの一連のプロセスを効率的に行うことを目的としています。
FILMAGENTの特徴は、複数のエージェントが分担して共同で作業を行い、それぞれの結果をフィードバックを通じて改善する点にあります。本システムには、脚本家エージェント、俳優エージェント、撮影監督エージェント、および監督エージェントが含まれており、各役割に応じて映画制作の各工程を担当します。特に、以下の3つのステージに分かれた作業プロセスが採用されています。
- 構想形成（アイデア生成）: 監督エージェントが映画のテーマを基にキャラクタープロファイルやシーン概要を作成します。
- 脚本作成: 脚本家エージェントが場面ごとの台詞やキャラクターのアクションを詳細に設計し、監督エージェントからのフィードバックを受けて改良します。
- 撮影監督プロセス: 撮影監督エージェントがカメラアングルやショット構成を決定し、これを修正・洗練化するために議論を行います。
実験結果によれば、FILMAGENTは映画のストーリーの一貫性やキャラクターのプロフィール、カメラ設定などの指標において、人間の専門家による評価スコアで高い成果を示しました。さらに、既存のツール（例: OpenAIの「Sora」モデル）と比較して、FILMAGENTは脚本の豊かさや撮影演出の多様性・説得力の向上といった点で有意義な進歩が確認されています。
FILMAGENTは、事前定義された仮想空間を基盤にしていることや、全ての作業が多エージェント協調ベースで進行する点から、人間の創造的なタスクを補完する新たな試みとして、映画制作分野の可能性を広げています。将来的には、ビジュアルポストプロダクションや高度なキャラクターアニメーションの統合が予定されています。
図表の解説
この図は、FILMAGENTという3Dバーチャル空間で映画制作を自動化するためのマルチエージェント協力フレームワークを紹介しています。LLM（大規模言語モデル）に基づくエージェントがディレクター、脚本家、俳優、カメラマンの役割を担当し、アイデアの開発、脚本の作成、撮影の各プロセスをシミュレートします。各シーンでは「誰が」「どこで」「何が起こるのか」という要素が表示され、キャラクターの台詞や撮影技法が描かれています。このシステムにより、協力して映像作品を完成させる過程を再現しています。映画の例では、友情の再会での和解をテーマにしています。
この画像は、FILMAGENTの仮想3Dスペースとして構築されたリビングルームの上からの眺めを示しています。図には、フィギュア2に基づく9種類のショットの注釈が追加されています。アルファベットは指定された俳優の位置を示し、数字は撮影のためのカメラの位置を示しています。これらのカメラからのビューは、表1と4で示されています。この配置は、仮想3D空間における撮影プロセスの自動化をサポートするために設計されています。このシステムは、脚本のアイデア開発からキャラクターの動作、カメラの設定まで、映画制作の全プロセスを追求しています。
この図は、FILMAGENTというシステムを用いた3D仮想空間内の居間のカメラと俳優の配置を示しています。FILMAGENTは、Unityを利用して設計された環境で、演技者の位置とカメラ設定が事前に構成されています。図には、4つのカメラショットが表示されており、それぞれ異なる場面や動きを撮影します。例えば、位置Bからのクローズアップショットや、中距離ショット、全体ショット、AからDへの俳優の動きを追うパンショットがあります。これにより、撮影の視覚的な流れを効果的に伝えるための静的および動的なショットが決定されます。
この図は、FILMAGENTのリビングルームを上から見た様子を示しています。このシステムは、3D仮想空間での映画製作を自動化するフレームワークであり、カメラの配置や演技者の位置をシミュレートします。図中のアルファベットは役者の位置を表し、数字は撮影用カメラの位置を示しています。この図では、合計9種類の撮影手法が注釈されています。これらのカメラ位置からの映像が、テーブル1および4に示されています。FILMAGENTは、様々なショットタイプを用いて映画製作を総合的にサポートするシステムです。
図3は、FILMAGENTのワークフローを示しています。このシステムは、仮想3Dスペースを使用し、映画制作を自動化するフレームワークです。まず、監督がキャラクターのプロフィールを作成し、シーンのアウトラインを設定します。次に、脚本家が台本を作成し、監督と俳優がそれを評価して修正します。この段階では、「批評-修正-確認」戦略が使用されます。最後に、撮影監督が各ラインにカメラの配置を注釈し、監督の判断で最終決定がされます。全体のプロセスは、異なる役割を持つ複数のエージェントが協力しながら進行します。
この図は、FILMAGENTというマルチエージェントフレームワークを使った脚本とカメラ設定の改善を示しています。図には、更新前後の勝率、引き分け率、負け率が、スクリプトライティングの第2段階と第3段階、そして撮影段階のカメラ選択に関して示されています。図からは、改良後の勝ち率が高く、脚本とカメラ選択がもとのバージョンより好まれることが示されています。この結果は、エージェント間での反復的なフィードバックと検証によって脚本の質とカメラ選択が改善されることを示唆しています。こうしたプロセスにより、物語の一貫性とカメラ設定の適切さが向上しています。
この表は、FILMAGENTフレームワークの評価結果を示しています。さまざまな手法を人間の評価に基づいて比較し、「アクション」の精度、ストーリーの「プロット」一貫性、キャラクタープロフィールとの「プロフィール」一致性、カメラ設定の適切性を評価しています。「アクション」は0から1の精度で評価され、他の項目は5段階リッカート尺度で評価されます。FILMAGENT（グループ）は、すべての基準で最高の評価を受けており、平均3.98点を獲得しています。これは、複数のエージェントの協力が、単一のエージェントよりも優れた映画制作の結果をもたらすことを示しています。
この図は、FILMAGENTとSoraという2つの異なる動画生成システムを使って、「口論と別れのシーン」を描いた動画を比較しています。Soraは様々な場面やスタイルに適応する能力に優れており、異なるショットを使用しています。しかし、FILMAGENTは一貫性があり、物理的法則に従った動画を生成することで、物語性の強いストーリーテリングを実現しています。この比較を通じて、両システムの強みと弱みが示されました。Soraは速いアイデア生成に役立ちますが、FILMAGENTは詳細なストーリーテリングで優位性を持っているとされています。