[비즈한국] 「言語モデルがテキストのみで実装される概念であれば、マルチモーダルが完成する段階では、テキスト以外にも画像を新しく生成したり、人間のように自然な音声を生成したりするなど、多様な形でアウトプットを作り出すことができます。」
7日、ソウル・コエックス（COEX）で開催された「KAIST AI技術説明会2026」の招待講演に登壇したカカオ035720のユニファイド・ファウンデーション・モデル・スタジオ・リーダー、ノ・ビョンソク氏は、カカオの最新マルチモーダルAI開発動向を紹介し、このように述べた。生成AI競争がテキスト中心の段階を越え、視覚・音声まで同時に理解して反応するマルチモーダル時代へと移り変わる中、カカオも自社統合AIモデルの高度化に拍車をかけている様子だ。
「V」と「A」の結合…リアルタイム型マルチモーダルAIの実装
カカオが開発中の「Kanana-o」は、テキスト、音声、画像を同時に理解して応答できる統合マルチモーダル言語モデルだ。従来の画像処理特化モデル「Kanana-v」と、オーディオ理解・生成モデル「Kanana-a」を一つに統合した形である。
ノ・リーダーは「テキストと画像を理解するビジョンモデル、そしてオーディオを理解・生成するモデルをそれぞれ開発してきたが、両モデルが同一のLLM基盤構造を使用しているため、モデルの統合（マージング）を通じて効率的に一つにまとめることができた」と説明した。
カカオは2月27日から3か月間、Kanana-o APIのクローズドベータテスト（CBT）を行い、技術の完成度を高めてきた。特に音声応答の過程でユーザーが体感する待ち時間を減らすことに注力したという。ノ・リーダーは「従来の方法では回答全体をすべて生成し終えてからでないと音声を出力できず、ユーザーは待ち続ける必要があったが、これをストリーミング方式に変更し、最初の音声が聞こえるまでの待ち時間を1.5秒から0.5秒へと3倍短縮した」と語った。
音声生成の効率を高めるための独自技術も紹介された。カカオは、音声をAIが処理しやすい単位に圧縮・変換する独自トークナイザー技術「LMSPT」を開発して適用している。この技術により、従来に比べて音声生成速度を約6倍向上させることができたと説明した。
講演では、マルチモーダルモデルの画像処理方式についても紹介された。一般的にAIモデルは、高解像度画像を処理する際、画像を縮小したり複数の断片に分けたりして処理するが、この過程で細部の情報が失われる可能性がある。これに対しカカオは、原画の解像度を維持したまま画像を処理する「ネイティブ・レゾリューション」方式を適用し、文書や図表のような細かな画像の理解性能を高める方向で開発を進めていると明かした。
KAISTキム・ジェチョルAI大学院と城南産業振興院、ソウル特別市が共同主催する今回の技術説明会は、6日から3日間開催される「AIエキスポ・コリア」期間中の2日目に行われた。会場では、主要なAI研究成果や産業現場へと広がる最新の人工知能技術が、産業界および一般大衆に向けて紹介された。
「エージェンティックAI」の感覚器官へ
カカオのマルチモーダル技術は、今後のカカオのAI戦略の核心基盤の一つになると見込まれている。カカオは自社AIモデル「Kanana」を基盤に、カカオトーク内の多様なAI機能を拡大すると同時に、メッセンジャーを超えた「エージェンティックAIプラットフォーム」への進化を図っている。同日の午前に行われたカカオの第1四半期決算発表のカンファレンスコールで、カカオのチョン・シナ代表は「エージェンティックAIに最適化したモデル『Kanana 2.5』を公開する予定だ」と明かした。
エージェンティックAIとは、単なる質疑応答のレベルを超え、ユーザーの意図を理解して複数の作業を自律的に遂行する形態のAIを指す。Kanana-oがこのような戦略において実質的に「感覚器官」の役割を担うことになるという分析だ。
テキストだけでなく音声と画像まで同時に認識できるため、今後はAIメイト、対話型検索、コンテンツ推薦、リアルタイム要約・通訳といった機能へ拡張される可能性が高いからだ。視覚情報と聴覚情報をリアルタイムで処理できれば、ユーザー環境をより立体的に認知して反応できるようになる。特にモバイルメッセンジャー環境において、音声・画像ベースの相互作用の比重が増すことが予想される中、マルチモーダルの能力が重要視されている。
ノ・リーダーは「画像やオーディオを含む統合データを活用し、互いに異なる感覚情報を横断しながら総合的に処理して応答する方向で学習を進めている」と言及した。
「AIがホドリも理解」韓国文化・情動への特化を強調
カカオもグローバルモデルとの差別化要素として、韓国文化と情動への理解度を強調している。最近、グローバルAI企業は、国や文化的に敏感なテーマを回避せず、各地域の文脈に合わせた情報を提供する方向へと発展している。
会場では、独島（竹島）をテーマにしたポッドキャストのシナリオ生成事例もデモンストレーションされた。Kanana-oは、独島が韓国社会において持つ歴史的・文化的意味や領土主権の象徴性などを反映し、ポッドキャスト形式の対話を構成した。
ノ・リーダーは「過去のビジョンモデル（視覚知能）は、ホドリの画像を単に『虎』として認識するレベルに留まっていたが、韓国型コンテンツを追加学習させたことで、今では『ホドリ』という名称や文化的な文脈まで理解できるようになった」と例を挙げた。続けて「世の中に存在する多様な形態のデータを自由に理解し表現できる、真の意味での統合マルチモーダルAIへと発展させていく予定だ」と語った。
同日午前の招待講演では、KAISTキム・ジェチョルAI大学院のシン・ジヌ教授とオ・ソンジュン准教授が、それぞれロボット・ファウンデーション・モデルとパーソナライズAIをテーマに発表を行った。KAISTキム・ジェチョルAI大学院のチョン・ソン院長は「AI技術の競争が世界的に激化する状況の中で、国内産業界と研究機関が技術動向を共有し、協業の機会を模索できるよう毎年本イベントを開催している」とし、「国内AIエコシステムの発展に寄与していきたい」と述べた。