D-ID Agentic Videosが事前録画プレゼンテーションをリアルタイム対話型体験に変える仕組み

企業研修やデジタルマーケティングにおいて、録画済み動画プレゼンテーションは長年にわたり構造的なジレンマを抱えてきました。動画コンテンツは低コストで大規模に配信できる反面、本質的に「一方通行のブロードキャスト」です。受講者が難解なコンプライアンス条項で立ち止まったり、製品デモを見た見込み顧客がセキュリティ要件について疑問を抱いたりしても、動画は構わず先に進んでしまいます。視聴者は「分からないまま視聴を続けるか」「動画を一時停止してブラウザ別タブで検索するか」の選択を迫られ、結果として集中力の途切れや離脱が頻発していました。

D-IDが提供する「Agentic Videos」は、この一方通行の課題を根本から打破するソリューションです。単に動画プレイヤーの横に一般的なチャットボットを配置するのではなく、録画済み動画そのものにリアルタイム大規模言語モデル（LLM）と高表現力AIアバターの対話レイヤーを直接統合します。視聴者は動画再生中、いつでもプレイヤー上に表示される「Ask」ボタンをクリックできます。すると動画が一時停止し、自然なクロスフェード（Crossfade）でリアルタイムAIエージェントの対話画面へとシームレスに移行します。アバターは動画の文字起こしや補足知識に基づき、自然な音声やチャットで個別の質問に即答し、必要に応じて該当シーンへのタイムスタンプジャンプまで支援します。疑問が解消すれば、停止していた動画の位置へスムーズに戻って視聴を再開できます。

本記事では、D-ID Agentic Videosの基礎アーキテクチャ、4つのコア技術、視聴者のエンドツーエンド体験、ノーコードStudioおよびREST APIでの実装ワークフロー、そして企業導入におけるベストプラクティスを網羅的に解説します。

従来の静的動画プレゼンテーションが抱える構造的課題

企業の学習・育成（L&D）、製品マーケティング、営業デモにおいて、受動的な動画視聴には3つの深刻な課題が存在します。

• 受講者ごとの理解度のギャップ： リニア（直線的）な動画は視聴者の事前知識に合わせた調整ができません。初学者は専門用語で躓き、経験者は冗長な基礎解説に飽きてしまいます。一度疑問が生じると、その後の学習効果は激減します。
• 文脈の分断と高い離脱率： 疑問を感じた視聴者は、社内Wikiや検索エンジンを調べるために動画を離脱します。プレイヤーから視線が外れた瞬間、動画の完走率やコンバージョン率は急落します。
• 未解決の疑問に対するデータ盲点： 従来の動画アナリティクスは再生時間やシーク位置を記録できますが、「視聴者がどこで疑問を抱いたのか」「何が理解の障壁になったのか」という核心的な理由は把握できません。

D-ID Agentic Videosは、この一方通行の動画を「双方向のインテリジェント・フィードバックループ」へと進化させます。録画動画が全体のストーリーテリングを担い、AIエージェントが必要に応じた1対1の個別指導と疑問解消を即座に提供します。

D-ID Agentic Videosを支える4つの技術的支柱

静的なMP4ファイルやYouTube動画を動的な双方向対話へと転換する仕組みは、以下の4つの協調システムによって構成されています。

+-------------------------------------------------------------------------+
|                        録画済みソース動画 (元ファイル)                  |
|          (最長30分の直接MP4/MOVリンク、またはYouTube動画URL)            |
+------------------------------------+------------------------------------+
                                     |
                                     v
+-------------------------------------------------------------------------+
|                    自動動画インジェスト & RAG知識エンジン               |
|  - 高精度音声文字起こし & 言語タグ自動判別                             |
|  - エージェント専用知識ベースへの自動要約・インデックス化              |
|  - 秒単位のトピックタイムライン (Timeline of Topics) 構築              |
|  - 最大40,000文字の補足ドキュメント・FAQ注入                           |
+------------------------------------+------------------------------------+
                                     |
                                     v
+-------------------------------------------------------------------------+
|                          D-ID Agent コア構成                            |
|  - プレゼンター：V4 Expressive Avatar (感情連動の微表情と低遅延リップシンク) |
|  - 思考エンジン：グラウンディングRAG (OpenAI / Gemini / カスタムLLM)    |
|  - 音声合成：低遅延TTS (ElevenLabs, Cartesia, Microsoft Speech)         |
+------------------------------------+------------------------------------+
                                     |
                                     v
+-------------------------------------------------------------------------+
|                    プレイヤーランタイム & 状態遷移制御                  |
|    通常の録画再生  <==== ミリ秒単位のクロスフェード ====>  対話セッション |
|    (フローティングAskボタン)                              (WebRTC 双方向通信) |
+-------------------------------------------------------------------------+

1. 自動音声文字起こしとトピックタイムライン構築

動画URLがD-IDの処理パイプラインに送信されると、システムは音声トラックを抽出し、言語（例: ja-JP、en-US）を自動検出しながら高精度な文字起こしを実行します。この際、単にテキストをプロンプトに流し込むのではなく、以下の2つの処理が行われます。

1. RAG知識グラウンディング： 文字起こしデータが分析・要約され、エージェント専用の検索知識ベースとして構築されます。これにより、アバターの回答は動画内で言及された事実に厳格に固定され、ハルシネーション（もっともらしい嘘）が防止されます。
2. トピックタイムライン（Timeline of Topics）の自動生成： プレゼンテーションが意味のまとまりごとに分割され、各トピックの開始秒数が正確にタグ付けされます。視聴者が特定の話題について質問した際、エージェントはタイムラインを参照して文脈を正確に捉え、該当位置へのジャンプを案内できます。

さらに作成者は、動画内で語りきれなかった補足仕様やポリシー情報（最大40,000文字）を追加ドキュメントとして注入可能です。

2. V4 Expressive Avatar（高表現力デジタルヒューマン）

質問時に無機質で動きのぎこちないアバターが表示されると、対話体験は著しく損なわれます。D-IDはAgentic Videosに「V4 Expressive Avatar」アーキテクチャを採用しています。

• リアルタイム感情連動微表情： LLMが生成するトークンの感情トーンをリアルタイムに解釈し、眉の動き、視線、微笑み、頭の傾きなどを自然に変化させます。
• 超低遅延WebRTCストリーミング： 最適化されたWebRTCプロトコルを採用し、サブセコンド（1秒未満）の超低遅延ストリーミングを実現。まるで生身の講師とビデオ通話しているかのようなテンポで会話が弾みます。
• 多彩なカメラ構図と背景カスタマイズ： スタンダード、ミディアム、クローズアップの画角選択に加え、ブランドカラー、静止画像、ループ動画背景の設定が可能です。

3. 口語（スピーチ）に最適化された対話設計

マルチモーダルAIで頻見される失敗例は、画面表示用の箇条書きや複雑な表構造をそのまま不自然に読み上げてしまうことです。D-IDでは、音声対話に特化したプロンプト設計が施されています。

• 発話ルール（Spoken Syntax）： 一息で話せる短く自然な文構造に制限し、数字、日付、金額、専門略語などを耳で聞いて理解しやすい発音に整形します。
• 厳格なグラウンディング設定： 事実に基づくrag-groundedテンプレートと低温度パラメータ（通常0.1）を適用し、公式見解から逸脱しない安全な回答を保証します。
• 発音辞書（Pronunciation Dictionary）： 独自の製品名や医療・法務用語の読み仮名を指定できる辞書機能をサポートしています。

4. クロスフェード（Crossfade）プレイヤーランタイム

フロントエンドプレイヤーは、D-IDのCDNから単一のESモジュールスクリプトとして配布されます。特定のフレームワークに依存せず、軽量に動作します。

• バックグラウンド事前ウォームアップ： 動画が再生されているアイドル時間中に、バックグラウンドでエージェントランタイムを初期化し、WebRTC接続の準備を整えます。
• 瞬時の画面切り替え： 「Ask」ボタンが押された瞬間、動画が一時停止し、ミリ秒単位のスムーズなクロスフェードでライブアバター画面へと遷移します。
• 正確な位置への復帰： 対話が終了すると、プレイヤーは再びクロスフェードで動画へと戻り、停止していた秒数から遅滞なく再生を再開します。

エンドツーエンドの視聴者ジャーニー

実際の視聴者が体験するフローを確認することで、なぜこの仕組みが高いエンゲージメントと完走率を実現できるのかが分かります。

[ 動画の通常再生が開始 ]
          |
          v
[ プレイヤー隅に「Ask」ピルボタンが表示 ]
          |
          +---> 疑問がなければそのまま最後まで受動的に視聴可能
          |
          v (疑問や不明点が発生)
[ 視聴者が「Ask」をクリック（または音声で呼びかけ） ]
          |
          v
[ 動画が一時停止し、滑らかなクロスフェードでV4アバターへ移行 ]
          |
          v
[ アバターが on_click 挨拶を発話（「こんにちは！どの点について説明しましょうか？」） ]
          |
          v
[ 音声またはテキストで動画内容について質問 ]
          |
          +---> アバターが表情豊かに分かりやすく解説
          +---> 必要に応じて動画の該当タイムスタンプへのジャンプを提案
          |
          v
[ 疑問が解決し「動画に戻る」をクリック ]
          |
          v
[ クロスフェードで録画画面へ戻り、一時停止位置から再生再開 ]
          |
          v
[ 動画が最後まで終了 ]
          |
          v
[ アバターが自動登場し、on_video_end 挨拶と次のアクション（理解度確認・CTA）を提示 ]

ステージ1: 通常の高品質動画視聴

ユーザーには、一般的なモダン動画プレイヤー（再生/一時停止、シークバー、音量、全画面表示）として表示されます。動画再生中、画面の邪魔にならない位置に「質問する」といった吹き出し付きのAskボタンが常駐します。

ステージ2: 摩擦ゼロの呼び出し

視聴者が疑問を感じた瞬間、Askボタンをクリックします。動画が即座に停止し、美しいクロスフェードでアバター画面へと切り替わります。別タブへの遷移やロード待ちは一切発生しません。

ステージ3: 根拠のある即時Q&A

アバターがあらかじめ設定された挨拶（greetings.on_click）を発話します。視聴者はマイクによる音声、またはキーボード入力で質問できます。例えば「パート3で言及されたデータ暗号化の仕様をもう少し詳しく教えて」と尋ねると、エージェントは文字起こしと補足資料から正確な情報を引用して口頭で回答し、必要に応じて該当シーンへのジャンプを案内します。

ステージ4: 思考を途切れさせない動画復帰

質問が終わったら「動画に戻る」をクリックします。アバター画面がフェードアウトし、元の停止フレームから動画が再開します。視聴者の集中力や文脈は維持されたままです。

ステージ5: 終了後の自動ラップアップ

動画が終了すると、設定に応じてアバターが自動的に登場（show_agent_on_video_end: true）し、終了時のメッセージ（greetings.on_video_end）を伝えます。「受講お疲れ様でした！理解度テストに進む前に、復習したい点はありますか？」などと促すことで、視聴完了後のアクション率を劇的に向上させます。

実装手順：ノーコードStudioとREST API

D-IDは、非エンジニア向けの直感的なStudio画面と、開発者向けの完全なREST APIの2つの実装方法を提供しています。

方法1: ノーコード Studioワークフロー

研修担当者やマーケティング担当者に適した方法です。

1. 動画のアップロード： D-ID Creative Reality™ Studioにて、手元の動画ファイル（最長30分の.mp4, .mov, .mpeg）をアップロードするか、YouTubeのURLを入力します。
2. プレゼンターアバターの選択： 動画内の講師の雰囲気やブランドイメージに合ったV4 Expressive Avatarを選択します。
3. 音声とキャラクター設定： 音声プロバイダー（ElevenLabs、Microsoft Speechなど）を選択し、ピッチや話速、エージェントの振る舞い指示を設定します。
4. インタラクション文言の設定： Askボタンの吹き出しテキスト、クリック時の開始挨拶（on_click）、動画終了時の挨拶（on_video_end）を入力します。
5. 補足ナレッジの追加： 動画内で触れきれなかったFAQや詳細マニュアル（最大40,000文字）を入力します。
6. 埋め込みコードのコピー： 発行されたスクリプトタグを社内LMSやWebサイト、LPに貼り付けるだけで完了です。

方法2: 開発者向けREST APIワークフロー

SaaSプラットフォームや自社学習システムへの大規模な組み込みに適した方法です。

ステップ1: Agentic Videoリソースの作成

POST https://api.d-id.com/agentic-videos を呼び出し、動画URL、アバターID、挨拶設定、知識データを送信します。

curl -X POST "https://api.d-id.com/agentic-videos" \
  -H "Authorization: Basic <YOUR_API_KEY>" \
  -H "Content-Type: application/json" \
  -d '{
    "source_url": "https://storage.example.com/videos/compliance-lecture.mp4",
    "name": "セキュリティコンプライアンス研修",
    "presenter_id": "public_mia_elegant@avt_TJ0Tq5",
    "bubble_text": "講師に質問する",
    "greetings": {
      "on_click": "こんにちは！講義内容で分かりにくい点はありましたか？",
      "on_video_end": "講義は終了です。テストを受ける前に質問があればどうぞ！"
    },
    "show_agent_on_video_end": true,
    "background": {
      "color": "#0f172a"
    }
  }'

レスポンスとして、一意の video_id と初期ステータスが返されます。

{
  "video_id": "avd_88a91b2c3d",
  "status": "created"
}

ステップ2: 処理ステータスのポーリング

動画の解析、音声文字起こし、タイムライン生成、エージェント環境構築は非同期で行われます。GET /agentic-videos/{video_id} を定期的に確認し、status が done になるのを待ちます。

curl -X GET "https://api.d-id.com/agentic-videos/avd_88a91b2c3d" \
  -H "Authorization: Basic <YOUR_API_KEY>"

ステータス遷移一覧：

• created: リクエストが受理され、キューで待機中
• started: 音声抽出および文字起こし処理中
• ready: 動画アセットが完成し、エージェントを初期化中
• done: すべての処理が完了し、インタラクティブ再生が利用可能
• error: エラー発生（ファイル形式不正、規約違反、音声認識失敗など）

ステップ3: ドメイン制限付きClient Keyの発行

本番フロントエンドに管理用APIキーを露出させてはなりません。POST /agents/client-key で許可ドメインを限定した読み取り専用キーを発行します。

curl -X POST "https://api.d-id.com/agents/client-key" \
  -H "Authorization: Basic <YOUR_API_KEY>" \
  -H "Content-Type: application/json" \
  -d '{
    "allowed_domains": [
      "https://learning.example.com",
      "https://portal.example.com",
      "http://localhost:3000"
    ]
  }'

ステップ4: HTMLへのプレイヤー埋め込み

データ属性を使用してHTMLにプレイヤーを配置します。スクリプトが自動初期化され、指定のコンテナにプレイヤーがマウントされます。

<!-- マウント先コンテナ -->
<div id="interactive-video-mount" style="max-width: 960px; margin: 0 auto;"></div>

<!-- D-ID 埋め込みスクリプト -->
<script
  type="module"
  src="https://agentic-videos.d-id.com/v1/index.js"
  data-client-key="Z29vZ2xlLW9hdXRoMnwx..."
  data-agentic-video-id="avd_88a91b2c3d"
  data-target-id="interactive-video-mount"
  data-autoplay="false"
  data-external-id="employee_4096"
  data-mixpanel-property-department="技術本部"
></script>

ステップ5: SPA（React / Next.js / Vue）でのプログラム初期化

単一ページアプリケーションでルーティングに応じて動的にマウントする場合は、プログラムから直接初期化関数を呼び出します。

import { useEffect } from 'react';

export function InteractiveVideoComponent({ videoId, clientKey, userId }) {
  useEffect(() => {
    let isMounted = true;

    async function mountPlayer() {
      const { init } = await import('https://agentic-videos.d-id.com/v1/index.js');
      const mountElement = document.getElementById('spa-video-container');

      if (mountElement && isMounted) {
        init({
          clientKey: clientKey,
          agenticVideoId: videoId,
          target: mountElement,
          autoPlay: false,
          externalId: userId,
          mixpanelProperties: {
            appVersion: '3.1.0',
            cohort: '2026-q3'
          }
        });
      }
    }

    mountPlayer();
    return () => { isMounted = false; };
  }, [videoId, clientKey, userId]);

  return <div id="spa-video-container" className="w-full aspect-video rounded-2xl shadow-xl" />;
}

主なビジネス活用領域と導入効果

質問ログを活用したコンテンツ改善ループ

従来の動画分析ツールでは「4分20秒の地点で30%のユーザーが離脱した」ことは分かっても、「なぜ離脱したのか」の真因は分かりませんでした。

Agentic Videosは、貴重な対話テレメトリデータを収集できます。

• 高頻度質問の分析： 視聴者がどの専門用語や業務プロセスで最も困惑したかを明確に特定。
• 反復ジャンプ箇所の特定： どのアジェンダが最も頻繁に見直されているかを把握し、動画本編の説明拡充に反映。
• 感情と購買シグナルの検知： 視聴者の質問内容から、不満の兆候や導入意欲の強さを可視化。

Mixpanel連携などを通じてこれらのデータを分析することで、動画スクリプト自体の改訂や、補足知識ベースの強化を継続的に進めることができます。

導入時のベストプラクティスと注意事項

1. 原盤動画の音質を確保する： RAGの精度とトピックタイムラインの正確さは、音声認識の品質に直結します。BGMの音量を抑え、マイクのノイズを低減した高品質な録音を心がけてください。
2. 動画の長さの制約： 直接アップロードできる動画ファイルの長さは最長30分です。それ以上の長尺コンテンツ（1時間以上のウェビナーなど）は、YouTube経由で指定するか、モジュールごとに分割して登録してください。
3. 厳格なコンプライアンス設定： 法務や医療、金融などの分野では、LLMテンプレートをrag-groundedに固定し、温度設定を低め（0.1）に保つことで、誤情報の混入を徹底的に防止してください。
4. 講師とアバターのトーン＆マナーの一致： 実在の講師が動画に出演している場合、風貌や声質の近いアバターと音声モデルを選択することで、クロスフェード時の違和感を最小限に抑えられます。
5. 本番環境のドメイン制限設定： セキュリティ保護のため、本番用のClient Keyには必ず許可ドメインを設定し、第三者による不正なAPI利用を防止してください。

まとめ：受動的な動画から対話型ストリーミングへ

D-ID Agentic Videosは、動画メディアのあり方を「一方的な情報提供」から「知的で双方向の対話体験」へと進化させました。動画スクリプトに根ざした知識ベース、自然な微表情を持つV4アバター、そして違和感のないクロスフェード技術の融合により、企業研修、マーケティング、カスタマーサポートのあらゆる場面で、圧倒的な視聴体験と高いエンゲージメントを実現します。

参考資料

• Overview - Pair a pre-recorded video with a live D-ID agent using a single script tag
• Quickstart - Embed a pre-recorded video paired with a live D-ID agent in a few minutes
• Data Attributes - HTML attribute configuration reference for the agentic-videos embed script
• Programmatic Init - Load and initialize the agentic-videos embed from JavaScript
• Create an agentic video - D-ID API Reference
• Get an agentic video - D-ID API Reference