Facial Expression Capture: How AI Reads Emotion from a Single Video (2026 Guide)

顔の表情キャプチャ：AIが単一の動画から感情を読み取る方法

AIを活用した表情キャプチャの完全ガイド — FACSアクションユニットの科学から、プロジェクトに最適な感情モーションキャプチャツールの選び方まで。

顔の表情キャプチャとは？

顔の表情キャプチャ（感情モーションキャプチャまたはAI顔追跡とも呼ばれます）は、人の顔の動き（眉の上げ下げ、まばたき、口の形、顎の動き、頬の動き）をデジタル記録し、3Dキャラクターの顔を動かすアニメーションデータに変換するプロセスです。

従来のマーカーベースのフェイシャルキャプチャ（俳優の顔に数十個の反射マーカーを貼り付け、5,000～50,000ドル以上のマルチカメラリグが必要）とは異なり、AIを活用した表情キャプチャは通常のビデオ（ウェブカメラ、スマートフォン、さらにはYouTube映像）から機能します。マーカー不要、スーツ不要、高価なスタジオ不要。

この技術は過去3年間で急速に普及しました。2026年現在、無料のオープンソースプロジェクトから月額10ドルのクラウドサービスまで、さまざまなツールを使用して、中級レベルのプロフェッショナルスタジオに匹敵する品質の表情キャプチャが可能です。表情キャプチャが主要なセグメントである顔認識市場の世界市場規模は（MarketsandMarkets調べ）、ゲーム、映画、VTuber、バーチャルプロダクション、メンタルヘルス研究などのアプリケーションに牽引され、2025年に42億ドルを超えました。

科学：AIがビデオフレームから感情を読み取る仕組み

FACS — すべてのフェイシャルキャプチャの基礎

AppleのARKitからMetaHuman Animatorに至るまで、あらゆる表情キャプチャシステムはFacial Action Coding System (FACS)にそのルーツをたどります。心理学者ポール・エクマンが1970年代に開発したFACSは、人間の顔の動きを包括的に分類した体系です。FACSは46のアクションユニット（AU）を定義しています。これらは個々の筋肉の動きで、組み合わさることで考えられるすべての表情を生み出します。

主要なFACSアクションユニットとその意味は以下の通りです。

• AU1 — 眉の内側上げ：眉の内側の端が上がる。驚きと恐怖の重要な要素。
• AU4 — 眉の下げ：眉が引き寄せられ下がる。怒りと集中に不可欠。
• AU6 — 頬上げ：頬が上がり、目尻に皺ができる。本物の（デュシェンヌ）笑顔と偽物の笑顔を区別する。
• AU9 — 鼻の皺寄せ：鼻の付け根がしかめられる。嫌悪の表情によく見られる。
• AU12 — 口角上げ：口の端が上外側に引き上げられる。あらゆる笑顔の中心。
• AU15 — 口角下げ：口の端が下がる。悲しみとしかめ面の表情の鍵。
• AU26 — 顎下げ：顎が下に開く。わずかな開き（発話中）から広い開き（驚き、衝撃）まで。

従来のフェイシャルモーションキャプチャでは、各AUは顔の特定の位置に配置された物理マーカーで追跡されていました。AIベースのシステムでは、これらのAUは深層畳み込みニューラルネットワークを使用してビデオフレームの画素パターンから推論されます。

ARKitブレンドシェイプ — 制作の標準

FACSが科学的基础である一方、AppleのARKit 52ブレンドシェイプはデジタルフェイシャルアニメーションの事実上の制作標準となっています。Appleのシステムは52の特定の顔変形チャンネルを定義しており、それぞれがbrowDownLeft、eyeBlinkRight、jawOpen、mouthSmileLeft、cheekPuffなどの個別の動きを表します。各チャンネルは0.0（ニュートラル）から1.0（完全活性化）までの値を出力します。

52のARKitブレンドシェイプはFACSに強く影響を受けていますが、リアルタイムモバイルパフォーマンス向けに再パッケージされています。機能的なクラスターにグループ化されています。

• 目の領域（8形状）：eyeBlinkLeft/Right、eyeSquintLeft/Right、eyeWideLeft/Right、eyeLookUp/Down/In/Out
• 眉の領域（6形状）：browDownLeft/Right、browInnerUp、browOuterUpLeft/Right
• 口と顎の領域（24形状）：jawOpen、mouthClose、mouthSmile、mouthFrown、mouthPucker、mouthDimple、mouthStretchなど
• 頬、鼻、舌の領域（14形状）：cheekPuff、cheekSquint、noseSneer、tongueOut

この標準化により、現代の表情キャプチャは高度に相互運用可能になります。3Dキャラクターが52のARKitブレンドシェイプでリギングされていれば（MetaHumans、Character Creatorモデル、VRoidアバターはデフォルトでそうなっています）、ARKit互換のキャプチャツールならどれでもそのキャラクターを駆動できます。iPhoneアプリ、ウェブカメラAIツール、クラウドベースのビデオ処理のいずれを使用していても可能です。

ピクセルからブレンドシェイプへ：AIパイプライン

では、AIは「ビデオを見る」ことから「キャラクターが左眉を0.73上げるべきだと知る」までをどのように行うのでしょうか？3段階のパイプラインを以下に示します。

1. 顔検出とランドマーク抽出：AIはまず、顔検出モデル（BlazeFaceやMTCNNなど）を使用して各フレーム内の顔を見つけます。顔が見つかると、ランドマーク検出器が468以上の3D顔面ランドマーク（鼻先、目の端、唇の端などの特定の点）を特定します。これらのランドマークは顔の上に3Dメッシュを形成します。
2. 時間的特徴分析：単一フレームは顔の形状を示しますが、連続フレームはその動き方を示します。AIモデル（多くの場合、時間的畳み込みまたはトランスフォーマーアーキテクチャを使用）はフレームシーケンスを分析し、各ランドマークが時間の経過とともにどのように変化するかを追跡します。笑顔の始まり、まばたきの速さ、抑圧された表情の震えなどを捉えます。
3. ブレンドシェイプ回帰：最後に、回帰モデルがランドマークの動きをブレンドシェイプ係数にマッピングします。52のARKitチャンネルのそれぞれについて、その特定の顔アクションがどの程度活性化されているかに基づいて0.0から1.0の値を出力します。各フレーム（通常30～60fps）で記録されたこれら52の数値が、3Dキャラクターを駆動するアニメーションデータになります。

表情キャプチャツール比較（無料からプロまで）

すべてのフェイスキャプチャツールが同じというわけではありません。アニメーターや開発者にとって最も重要な基準で主要プレイヤーを比較します。