デジタルヒューマンとは？仕組み・費用相場と接客受付での導入判断を解説

受付や店舗に「人の姿で応対するAI」を置きたい、という相談が増えました。ただ、デジタルヒューマンという言葉は、フォトリアルな3DCGの人物から写真1枚で作る簡易なしゃべる顔まで幅があり、どこまでを指すのかが曖昧なまま見積を取ると、後から金額が三桁変わることも起こります。本記事では、定義を3要素に分けて固めたうえで、会話が成立するまでの処理を4層で説明し、AIアバターやAIチャットボットとの線引き、受付や店舗接客での使いどころ、SaaS型と受託開発型の費用構造の差を整理しました。最後に、採用してよい条件と見送るべき場面を条件付きで示します。

まとめ：導入して効果が出る業務と、契約前に決めておくこと

先に結論を置きます。デジタルヒューマンで投資が回収できるのは、来訪者や利用者が「人に聞きたいが、聞くほどでもない」と感じている質問が、1日あたり数十件以上たまっている場所です。空港や商業施設のインフォメーション、来客の多い本社受付、行政窓口の一次案内、社内ヘルプデスク。この4つは効果が読みやすい。逆に、質問の絶対数が少ない小規模オフィスの受付や、応対1件あたりの金額が大きく個別性の高い商談は、投資に見合いません。

もうひとつ、契約前に決めるべきものがあります。見た目ではなく、対話の中身を誰が書くかという分担です。ベンダーが用意するのは器であって、回答の元になるナレッジは発注側にしかありません。成否は3DCGの品質ではなく、想定質問の網羅率と回答の更新体制で決まると考えてください。

費用の目安も先に示します。既製アバターを使うSaaS型なら初期数十万円・月額十数万円から、自社ブランド専用の人物を作り込む受託開発型は数百万円から数千万円。中間の、標準アバターを既存の問い合わせ基盤につなぐ構成から始め、効果が出た場所だけ作り込むのが現実的です。

デジタルヒューマンの定義と3DCG・AI対話・音声合成という3要素

言葉の範囲を先に固めます。ここが曖昧だと、要件定義でも見積でも噛み合いません。

人の姿と対話能力を併せ持つ仮想の人物という定義とその外縁の線

デジタルヒューマンとは、コンピュータ上で生成された人の姿を持ち、音声または文字での対話にリアルタイムで応答できる仮想の人物を指します。判定の線は2つ。人型の視覚表現があること、そして相手の入力に応じて応答が変わることです。

この2条件で見ると、収録済みの動画を再生するだけの案内ディスプレイは含まれません。応答が変わらないからです。逆に、画面の中の人物が質問を聞き取ってその場で答えを組み立てるなら、見た目が写実的でなくてもデジタルヒューマンに入ります。写実性は必須条件ではなく、費用を左右する選択肢のひとつにすぎません。

紛らわしいのがバーチャルヒューマンという呼び方です。こちらは広告やSNSで発信するモデルとしての人物像を指すことが多く、対話機能を前提にしません。「バーチャルヒューマンを入れたい」と言われたら、対話が要るのかをその場で確認してください。要らないなら、動画制作の案件であってシステム開発の案件ではありません。

構成する外見・知能・表現力の3要素のうちどこに費用が集中するか

デジタルヒューマンは、外見・知能・表現力の3つで構成されます。外見は3DCGモデルまたは実写ベースの映像生成、知能は質問を理解して回答を組み立てる部分、表現力は音声合成と表情や口の動きの生成です。

費用の集中先は、多くの案件で外見ではありません。既製の標準アバターを選べば外見の費用はほぼゼロになりますし、自社専用にしても、実写の人物を10分程度収録してモデルを作る方式なら数十万円台から選べます。膨らむのは知能の部分、つまり社内文書の整理と回答設計です。ここに全体工数の半分以上が乗る案件は珍しくありません。

会話が成立するまでの処理を4層に分けて内部の仕組みを理解する

仕組みを4層に分けると、どこがボトルネックになるかが見えます。入力・理解・生成・描画の順に追います。

音声認識から応答生成までフロントエンド側で走る処理の流れの全体

第1層は入力です。マイクで拾った音声を文字へ変換する工程になります。ここで効くのは環境音への耐性で、商業施設のような騒がしい場所ではマイクの選定と指向性の設計が精度を左右する。音声を文字にする技術そのものの考え方は音声認識とは？AIの仕組み・精度の考え方・業務導入の判断基準で整理しています。

第2層は理解と応答生成です。文字になった質問を大規模言語モデルに渡し、社内文書から関連箇所を検索して回答を組み立てます。この検索付き生成を採るかどうかで答えられる範囲が決まる。想定問答を並べるシナリオ型では、言い回しが少し変わっただけで答えられなくなります。

音声合成とリップシンクで表情を作る描画側の処理と映像の出力形式

第3層は音声合成です。組み立てた回答文を、自然な抑揚の音声に変換します。声質を自社の想定する人物像に合わせたい場合は、既製の声から選ぶか、話者の音声を収録して専用の声を作るかの選択になります。声の選び方と商用利用時の権利の扱いは音声合成ソフト比較｜法人向けの選び方・商用利用ライセンス・費用相場にまとめました。

第4層が描画です。合成した音声の波形から口の形と表情を生成し、人物の映像に反映させます。NVIDIAのACEでは、この工程をAudio2Face-3Dというマイクロサービスが担い、音声からARKitブレンドシェイプ形式の表情データを出力する構成を採っています（ACE 24.06系で主要コンポーネントが一般提供・2024年6月発表時点）。クラウドで完結する方式では、動画アバターの既定解像度は1920×1080で毎秒25フレーム、リアルタイム合成のコーデックはH264とされています（Microsoft Learn・2026年5月時点）。写真1枚から作る簡易な方式は頭部のみ・512×512という制約が付きます。

応答が遅れる原因になる遅延の内訳と体感品質が崩れ始める分岐点

4層それぞれに遅延が発生し、合計が体感品質を決めます。内訳は、音声の終わりを検出するまでの待ち、文字変換、回答生成、音声合成、映像への反映。このうち最も伸びやすいのは回答生成で、参照する文書が多いほど時間がかかります。

設計目標としては、質問が終わってから人物が話し始めるまでを1秒台に収めたい。2秒を超えると、相手は「聞こえなかったのか」と判断して話し直し始め、会話が二重になります。逃げ道は2つ。回答の先頭ができた時点で話し始める逐次出力と、考えている間のうなずきの映像を用意しておく方法です。

AIアバター・AIチャットボットとの違いを3つの軸で整理する

この3つは重なる部分があり、ベンダーによって呼び分けも揺れます。判断に使える軸を示します。

AIアバターとの違いは描画の解像度と対話の担い手の所在にある

AIアバターは、写真やイラストを元にした簡易な人物表現まで含む広い言葉です。デジタルヒューマンは、その中でも人としての存在感を出すことを狙って作り込んだものを指す、という使い分けが実務では通りやすい。境目は連続的なので、契約書で厳密に定義しても意味は薄いでしょう。生成型（動画制作）まで含めたAIアバター全体の定義と使い分けはAIアバターとは？仕組み・作り方と接客・動画での導入判断を解説で整理しました。

もうひとつの違いは、中の人がいるかどうかです。AIアバターには、オペレーターが遠隔操作して自分の代わりに画面へ映す用途も含まれます。この方式は応対品質が安定する反面、人件費は減りません。無人化が目的なら、提案書に「オペレーター接続」がないか確認してください。

AIチャットボットとの違いは入出力の様式と設置する場所にある

AIチャットボットは文字での対話が基本で、Webサイトや社内チャットに埋め込んで使います。対してデジタルヒューマンは音声と映像が基本で、設置型のディスプレイや専用端末に置く形になる。この違いは、想定する利用者の状況の差から来ています。

手元にスマートフォンがあって落ち着いて文字を打てる人には、チャットのほうが速い。両手がふさがっている、画面を凝視できない、そもそも文字入力に慣れていない人には、話しかけられる相手のほうが届きます。回答を生成する部分の仕組みは両者でほぼ共通なので、AIチャットボットとは？生成AI型と従来型の違い・仕組みと導入判断で土台を押さえておくと、見積の妥当性を判断しやすくなります。

比較軸	デジタルヒューマン	AIアバター	AIチャットボット
主な入出力	音声と映像	音声または文字	文字が中心
設置場所	受付・店舗の端末	Web会議や動画	Webサイト・社内チャット
人の関与	原則として無人	遠隔操作の構成もある	有人へ引き継ぐ設計が主流
初期費用の目安	百万円台から	数十万円台から	数十万円台から
効果が出る条件	来訪者が多い場所	説明動画を量産する場合	問い合わせが文字で来る場合

どれを選ぶべきかを来訪者の状況から逆算して決めるための手順3段

選定は3段階です。第1段は、利用者が今どこで困っているかの特定。受付に人が並ぶのか、電話が鳴り止まないのか、問い合わせフォームが埋まるのか。困りごとの発生場所が、そのまま置くべき場所になります。

第2段は、その場所で利用者が使える入力手段の確認です。並んでいる列の前で音声入力をさせると、後ろの人に内容が聞こえます。金融や医療の窓口では、この一点だけでタッチ入力併用が必須になる。第3段でようやく、人の姿が必要かを問う。理由が「その方が新しく見えるから」しか出てこないなら、文字のチャットで足ります。

接客・受付・社内案内のうち成果が出やすい業務と不向きな業務の別

同じデジタルヒューマンでも、置く場所によって費用対効果は大きく変わります。3つの典型で見ていきます。

受付・案内で人手を減らせる業務と減らせない業務の線引きの基準

受付業務は、取り次ぎ、道案内、面会予約の確認、入館証の発行の4つに分解できます。デジタルヒューマンが担えるのは道案内と予約確認まで。入館証の発行は物理的な機構が要り、取り次ぎは内線や在席情報との連携が前提です。

したがって受付の無人化を目的にするなら、デジタルヒューマンは全体の一部品として設計する必要があります。入退館の記録や来客通知まで含む仕組み全体の要件は受付システムとは？機能・料金相場と無人受付の選び方、受託開発に踏み込む判断基準で扱っているので、先に全体像を決めてから対話部分を人型にするかを判断してください。逆順で進めると、見た目だけ立派で業務が回らない構成になりがちです。

店舗接客と商品説明でデジタルヒューマンが効く条件と効かない条件

店舗では、商品説明の需要が高く、説明内容を標準化できる分野で効果が出ます。化粧品の成分説明、家電の仕様比較、通信プランの条件整理。「店員に聞くほどでもないが、パネルを読むのは面倒」という中間の需要が厚い領域です。

効かないのは、購入の意思決定に共感や交渉が絡む場面。高額商品の商談やクレームの一次対応がこれにあたります。人の姿をしている分だけ相手は人と同じ反応を期待し、返ってこないときの不満が大きくなる。感情の機微が絡む接点には置かない、と最初に線を引いてください。

社内向けの問い合わせ対応で費用対効果がいちばん読みやすい理由

意外に投資回収が読みやすいのが社内向けです。理由は3つ。就業規則や経費規程など対象文書が既に整っていてナレッジ整備の工数が小さいこと、利用者が社員なので答えられなかった場合の機会損失が売上に直結しないこと、そして問い合わせ件数を人事や情報システムの部門が既に把握しており削減効果を数字で示しやすいことです。

社内で効果を確認してから顧客接点へ広げる進め方は、費用面でも合理的です。同じ回答生成の仕組みを使い回せるため、2つ目以降の設置は初期費用が下がります。文書を回答に変える部分だけを先に作るならAI FAQシステムとは？生成AI・RAGで実現する回答自動化の仕組みと導入判断が入口です。

導入形態3種類の費用構造とSaaS型・受託開発型を分ける判断軸

費用は形態で決まります。3種類の内訳を、含まれるものと別途になるものに分けて示します。

SaaS型の月額と初期費用に含まれるものと別途になるものの境目

SaaS型は、既製の人物モデルと対話基盤をまとめて月額で借りる形です。初期費用は0円から数十万円、月額は数万円から数十万円という帯が多く見られます。含まれるのは標準アバターの利用権、音声合成、管理画面、一定量までの対話回数。

別途になりやすいのは4つ。設置端末とディスプレイの調達、社内文書の初期取り込み、基幹システムとの連携開発、想定を超えた対話回数の従量課金です。月額の数字だけを並べても比較になりません。年間総額に端末費とナレッジ整備の人件費を足して比べてください。

受託開発型で見積が膨らむ工程と削っても差し支えない工程の区別

受託開発型では、自社ブランド専用の人物を作り、業務システムと直結させます。総額は数百万円から、作り込み次第で数千万円まで。膨らむ工程は決まっていて、独自3DCGモデルの制作、専用音声の収録と学習、基幹システム連携、多言語対応の4つです。

工程	費用への影響	削減の可否
独自3DCGモデル制作	大きい	標準アバターで代替可
専用音声の収録・学習	中程度	既製の声で代替可
ナレッジ整備・回答設計	大きい	削ると品質が崩れる
基幹システム連携	大きい	用途次第で後回し可
多言語対応	中程度	需要のある言語のみに絞る

削ってよいのは外見と声、削ってはいけないのはナレッジ整備と回答設計です。優先順位を逆にした案件は、見た目の評判は良いのに使われない、という結末をたどります。

内製で作る場合に必要な体制と運用にかかり続ける継続費用の目安

クラウド事業者の部品を組み合わせれば内製も可能です。音声認識、言語モデル、音声合成、アバター描画がAPIで提供されており、Microsoftの構成では標準アバターに加え、10分程度の動画収録から作るカスタムアバターや写真1枚から作る方式も用意されています（Microsoft Learn・2026年5月時点）。

ただし、内製には維持の負担が付きます。必要なのは、対話設計の担当者、文書を更新し続ける担当者、APIの仕様変更に追従する開発者の3役。確保できないなら、外部に委ねたほうが総額は安く済みます。継続費用は、APIの従量課金に加えて月次の点検と文書更新の工数が乗ると見込んでください。

受託開発で先に決める5項目と体験品質を落とす典型的な失敗要因

ここからは、実際に外部へ委ねる場合に発注側が決めておく事項を扱います。契約前に固めるほど、後の手戻りが減ります。

対話設計とナレッジ整備を先に固めないと体験品質が上がらない理由

先に決める5項目は、対象業務の範囲、想定質問の一覧、回答の出典となる文書、答えられない場合の逃がし先、更新の担当部署です。5つのうち4つは発注側にしか決められません。ベンダーが決めるのは技術構成だけと考えてください。

想定質問の一覧は、過去の問い合わせ記録から作るのが確実です。受付なら来訪者からの質問メモ、社内なら情報システム部門への依頼履歴。100件ほど集めて分類すると、上位2割が全体の7割前後を占める分布が見えます。その2割に確実に答え、残りは有人へ回す設計にしてください。

答えられない場合の逃がし先も、最初に決める事項です。内線への転送か、フォームへの誘導か、その場での職員呼び出しか。未設計のまま公開すると、利用者は「わかりません」で止められ、二度と使わなくなります。AIチャットボット開発では逃がし先の設計と既存の問い合わせ導線への接続まで含めて構成を組むので、対話の中身から相談したい場合の窓口としてお使いください。

肖像権・音声の権利処理とAI生成物である旨の表示に関する社内規程

実在の人物をモデルにする場合、肖像と音声の権利処理が必要です。確認すべきは、収録した映像と音声を学習に使ってよいか、利用期間はいつまでか、退職後も使い続けられるか、二次利用の範囲はどこまでかの4点。社員をモデルにする案件ほど、書面での合意が抜けがちです。

もうひとつ、応対しているのが人ではないことを示す表示も必要です。写実性が高いほど、相手は人だと誤認します。画面上の明示に加え、会話の冒頭で自ら名乗る設計にしておくと後々の苦情を避けられる。提供事業者側も責任あるAIの指針として開示を求めており、社内規程にも同じ水準を書き込んでおくのが安全です。

運用開始後に効果を測る指標と改善サイクルを回すための運用体制

公開後に見る数字は4つに絞ります。話しかけられた回数、途中で離脱した割合、答えられなかった質問の件数、有人へ引き継いだ件数。改善の材料になるのは3つ目で、そのログを月次で棚卸しして上位から文書を足す作業が実務の中心です。

体制は、月に半日程度の点検枠を確保できれば回ります。担当は業務を理解している現場側の人が望ましい。開発者だけで回すと質問の意図を取り違えたまま回答を足してしまい、精度が横ばいになります。運用初期の3か月だけ、この棚卸しを隔週にしてください。

デジタルヒューマンを採用してよい条件と見送るべき3つの場面の整理

最後に、採否の線を引きます。ここは条件付きで言い切ります。

採用してよい3条件は問い合わせ量・設置場所・体験価値で決まる

採用してよいのは、次の3条件が同時に満たされる場合です。第1に、同種の質問が1日あたり数十件以上発生していること。第2に、利用者が立ち止まって話しかけられる物理的な場所が確保できること。第3に、人の姿で応対すること自体に、来訪者の印象や体験としての価値があること。

3つ目が分かれ目です。問い合わせを減らしたいだけなら文字のチャットのほうが安く速い。人の姿に投資する理由は、施設の顔として印象に残すか、文字入力が難しい利用者へ届かせるかのどちらかです。一文で書けないうちは、まだ発注の時期ではありません。

見送るべき3場面と代替手段としての音声のみの構成という選択肢

見送るべき場面を3つ挙げます。ひとつ目は、回答の元になる文書が整理されておらず、部署ごとに異なる運用が口伝で回っている組織。この状態で対話システムを入れても、誤った回答を自信ありげに返す仕組みができるだけです。先にやるべきは文書の整備であって、システムの導入ではありません。

ふたつ目は、応対1件あたりの金額が大きく、担当者との関係性が受注に効く業務。法人向けの高額商材や専門性の高い相談窓口がこれにあたります。みっつ目は騒音が大きく音声認識の精度を確保できない環境で、工場の現場や屋外の入口付近では会話が成立しません。

この3つに当てはまるなら、音声のみの構成か、タッチ操作の案内端末に文字のチャットを載せる構成を検討してください。人型の映像を外すだけで初期費用は大きく下がり、答えられる範囲は変わりません。効果を確認してから人の姿を足す順序でも遅くはないはずです。

よくある質問

提案や社内稟議の場で繰り返し出る質問を、5つに絞って答えます。

デジタルヒューマンとAIアバターは何が違うのですか？

厳密な定義の差はなく、指し示す範囲の広さが違います。AIアバターは写真やイラストを元にした簡易な人物表現まで含む広い言葉で、デジタルヒューマンはその中でも人としての存在感を出すために作り込んだものを指す使い分けが一般的です。実務では呼称にこだわらず、写実性の水準、対話が自動か遠隔操作か、設置場所はどこかの3点を確認してください。

導入にはどれくらいの費用と期間がかかりますか？

既製アバターを使うSaaS型なら初期0円から数十万円・月額数万円から数十万円で、2週間から1か月ほどで公開できます。標準アバターを既存の問い合わせ基盤につなぐ構成は初期100万円台・2か月前後。自社専用の人物を作る受託開発型は数百万円から数千万円で、3か月から半年。期間を左右するのは3DCG制作ではなく、社内文書を回答に変える作業です。

質問に答えられなかったときはどうなりますか？

設計次第です。何も決めていなければ「わかりません」で会話が終わり、利用者はその場に取り残されます。有人窓口への転送、内線呼び出し、問い合わせフォームの表示といった逃がし先を必ず用意してください。答えられなかった質問をログに残す仕組みも、翌月の改善材料になります。

多言語での応対にも対応できますか？

対応できます。音声認識と音声合成の両方が対象言語に対応していれば、回答生成部分は同じ仕組みを使い回せるためです。ただし、言語を増やすほど検証の工数が増えます。来訪者の国籍構成を実測したうえで上位2言語か3言語に絞り、あとから追加できる構成にしておくのが現実的でしょう。

既存のチャットボットがある場合、作り直しになりますか？

多くの場合、作り直しは不要です。デジタルヒューマンの中核は回答を生成する部分で、そこは既存のチャットボットと共通化できます。追加で必要になるのは、音声の入出力と人物映像の描画、そして設置端末。既存の回答品質に不満がないなら、その資産の上に音声と映像の層を足す構成を検討してください。

関連記事

• チャットボット比較｜シナリオ型・AI型・生成AI型の違いと選び方【2026年】：対話の中身をどの方式で作るか先に決めたい場合に。
• AI FAQシステムとは？生成AI・RAGで実現する回答自動化の仕組みと導入判断：社内文書から回答を作る部分だけを先行させたいときに。
• 音声認識とは？AIの仕組み・精度の考え方・業務導入の判断基準を解説：騒がしい環境での認識精度を見積もる必要がある場合に。
• AIチャットボットの作り方｜生成AI＋RAG・ノーコード・受託開発の方式選定と実装手順：実装側の工数感を技術の粒度で確認したいときに。
• 音声合成AIの作り方｜OSS TTS・クラウドAPI・受託開発の方式選定と実装手順：声の生成を内製するか外部APIに委ねるかを比べる場合に。