SpAItial AIは、画像またはテキストから3D空間を生成する世界生成AI「Echo-2」を発表しました。
Echo-2は、1枚の画像やテキストプロンプトを入力とし、リアルタイムで探索できる3D空間を生成します。従来の動画生成モデルがフレームを逐次予測するのとは異なり、空間的に一貫したシーンを直接生成する点が特徴です。出力には3Dガウシアン・スプラッティング（3DGS）を採用。ブラウザ上でもリアルタイムの閲覧が行えるとのことです。
生成された3D空間は、テキストプロンプトを使ったオブジェクトの追加・削除・入れ替え、シーン全体のスタイル変更といった編集にも対応しています。また、シーンの意味的なセグメンテーション（構成要素の識別・分類）も行われるため、椅子や壁など個別のオブジェクト単位での操作が行えます。
用途としては、ゲーム開発、ロボティクスの訓練環境、建築・インテリアの可視化、デジタルツインの構築などが挙げられています。特にロボティクス分野では、高精度な仮想環境でロボットを事前に訓練し、現実世界に応用するSim2Realアプローチへの活用が期待されています。
精度評価では、世界生成の品質を測るWorldScoreベンチマークにおいて、コンテンツの一致度・主観的品質・総合スコアの3項目すべてで競合モデルを上回る結果が示されています。
一方で、Echo-2をはじめとする3DGSを活用した空間生成AIをめぐっては、近年このような議論も行われています。
カーネギーメロン大学コンピュータサイエンス＆ロボティクス学科准教授のキーナン・クレーン氏はXへの投稿で、写真をガウシアン・スプラット製の3D空間に変換するモデルを「ワールドモデル」と呼ぶのは適切ではないと指摘。同氏は、こうした技術はより正確には画像を条件とした3Dジェネレーターの一種であり、自然界の見た目や振る舞いを予測する“ワールドモデル”とは異なると述べています。
A bunch of folks have been building machine learning models that turn a photograph into a 3D environment made of Gaussian splats (read: blobs of color floating in space).
Cool technology & a very admirable effort. But marketing these as “world models” seems wrong.
More… pic.twitter.com/nTGmtFEOxr
— Keenan Crane (@keenanisalive) April 28, 2026
Echo-2 概要
| 名称 | Echo-2 |
| 開発 | SpAItial AI |
| 発表日 | 2026年4月28日 |
| 主な機能 | 画像・テキストからの3D空間生成、シーン編集、スタイル変更、意味的セグメンテーション |
| 対応用途 | ゲーム開発、ロボティクス訓練、建築・インテリア可視化、デジタルツイン構築 |
| レンダリング方式 | ガウシアン・スプラッティング（3DGS） |
| 体験URL | https://spaitial.ai |
