検証

NVIDIA、IBC 2026で「AI for Media」を拡張AI生成動画の判定「Synthetic Video Detector」はテキスト→動画で99.3%・画像→動画で97.7%の精度になり、Dalet・TwelveLabs・Wowzaが組み込み。フレーム生成（リプレイで6倍スロー）、超解像の10ビット対応、SDR→HDR変換、LipSync、Studio Voice

2026年10月1日公開執筆：AI時短ラボ約7分で読めます

日刊AIニュース11月7日（土）号：前日のAIのニュース3本を短くまとめました（約5分）›

NVIDIAは2026年9月9日、アムステルダムのIBC 2026（9月11〜14日）に向けて、放送・スポーツ・制作向けのSDK・NIM群「AI for Media」の拡張を発表した。①Synthetic Video Detector（SVD）：映像が本物かAI生成かの確率を評価し、精度はテキスト→動画で99.3%、画像→動画で97.7%に到達。Daletが報道機関向けの検証ワークフローに、TwelveLabsが「Compliance by TwelveLabs」に、Wowza（3万5,000超の配信）がライブ映像の解析に組み込む。②3D Body Pose：単一カメラの映像から関節位置を推定。③Video Frame Generation：中間フレームを生成して2倍・4倍、Ross Videoのリプレイで6倍スロー。④Video Super Resolution：10ビット対応。⑤TrueHDR：SDRをリアルタイムでHDR（約2,000ニト）に。⑥LipSyncと話者検出でNDIが翻訳・吹替を放送に。⑦Studio Voiceにマイクプロファイル。

NVIDIA、IBC 2026で「AI for Media」を拡張──AI生成動画の判定「Synthetic Video Detector」はテキスト→動画で99.3%・画像→動画で97.7%の精度になり、Dalet・TwelveLabs・Wowzaが組み込み。フレーム生成（リプレイで6倍スロー）、超解像の10ビット対応、SDR→HDR変換、LipSync、Studio Voice

精度はNVIDIA申告、判定ではなく確率
原文で確認した精度や倍率の数字
評価データセットや価格は不明
原題は「Real-Time AI at IBC」
関連記事

2026年9月19日・日本時間時点の情報です。 NVIDIAのブログ（9月9日）を読んだ。動画を作る側として気になるのは、AI生成動画の判定器の精度と、リプレイや超解像のような制作の裏方の部品。当サイトの透かしと来歴（SynthID・C2PA）が「作る側の印」なら、こちらは「見る側の判定」。

3行まとめ

AI生成動画の判定。 IBC 2026（アムステルダム、9月11〜14日、170超の国から4万4,000人超、1,300超の出展）でNVIDIAはAI for Media（放送・スポーツ・制作向けのSDK・NIMマイクロサービス・手引き・設計図）を拡張した。Synthetic Video Detector（SVD）は、映像が本物かAI生成かの確率を評価するNIMで、SIGGRAPHでの初公開以降、精度はテキスト→動画で99.3%、画像→動画で97.7%に到達（難しい画像→動画で大きく改善）。Daletが報道機関向けのクラウド検証ワークフローに組み込み（編集者が映像を投げてスコアとメタデータを見る）、TwelveLabsが一般提供したCompliance by TwelveLabs（地域・独自基準への適合を審査）にフレーム単位の真正性信号として統合、Wowza（170超の国で3万5,000超の配信を支える）がライブ映像の解析枠組みで配布し、オンプレ・エッジ・クラウド・完全隔離でも動く。

制作の部品。 3D Body Pose：単一カメラの映像から2D/3Dの関節位置と角度を推定し、マーカーなしで動作を構造化。スポーツの追跡・生体力学・判定・選手の安全に加え、キャラクターリグに写せばアニメのブロッキングやデジタルダブルに。Vizrtは仮想スタジオで追跡した体の動きで照明・影を駆動。Video Frame Generation（VFG）：生成AIで中間フレームを作り2倍・4倍にし、Ross VideoのRio Replayで6倍スローモーション（8倍を開発中）。Video Super Resolution（VSR）：ノイズ・ぼけ・圧縮ノイズを減らして拡大、リアルタイムと高品質のモード、10ビット対応。TrueHDR：SDRをリアルタイムでHDR（約2,000ニト）に。3つは1つの映像効果パイプラインで組み合わせられる。

音声と多言語。 LipSync（口の動きを目標音声に合わせ、頭の動き・まばたきは保つ。遮蔽の処理と歯・唇・肌の質感を改善）とActive Speaker Detection（複数音声トラックでの話者分離が不要に、音声区間検出を追加、gRPC対応）で、NDIが翻訳・口の動きを合わせた吹替・地域言語化を既存の放送ワークフローに載せる。Studio Voiceはノイズ抑制・残響低減・明瞭化の後にマイクプロファイルで音の性格を選べる。基盤側はHoloscan for Mediaに**Media Exchange Layer（MXL）**を統合し、ソフトウェア化した制作機能が映像・音声・データをやり取りする共通層に。スポーツ向けの「Sports Intelligence Playbooks」も。

精度はNVIDIA申告、判定ではなく確率

SVDの99.3%／97.7%はNVIDIAの申告で、テスト集合や偽陽性率は書かれていない。「確率を出す」道具であって「判定を下す」道具ではない、と本文も「レビューのもう1つの分析点」と位置づける
判定器（SVD）と来歴の印（C2PA、Credentio）は補完関係で、印がない映像には判定器しか使えない
VFGの「6倍スロー」は、TwelveLabsのRodeoのような編集AIと違い、放送のリプレイ装置に組み込む部品。個人の編集ソフトで使えるかは別
LipSyncによる吹替はElevenLabsのDubbing v2と競合する領域で、NVIDIAは放送局のオンプレ向け

原文で確認した精度や倍率の数字

この記事の下調べで、筆者は9月19日にNVIDIAのブログを取得し、来場者数・99.3%／97.7%・Dalet／TwelveLabs／Wowzaの組み込み・3万5,000・2倍／4倍／6倍／8倍・10ビット・約2,000ニト・LipSyncと話者検出の改善点・NDI・MXLがその原文にあることを確認した。各パートナーの発表は開いていない。筆者はSVDを試していない。