#16 試着AIが4秒で返ってくる時代

スマホで自撮りするだけで、トップス・パンツ・靴・バッグ・帽子など最大6点までの服を自分に着せ替えさせ、しかも数秒で結果が返ってくる —— タオバオ（淘宝）が実際に数千万件の試着リクエストをさばいている、商用レベルのバーチャル試着AI。

「ネットで服を買う前に、自分が着た姿を見たい」というのは誰もが抱く欲求です。画像生成AI（Stable DiffusionやGPT-Imageなど）の進化で、バーチャル試着は現実味を帯びてきました。

しかし実用化には厚い壁があります。研究用データセットはスタジオで撮った綺麗な全身写真と、白背景に置かれたきちんとした商品画像ばかり。一方、実際のユーザーが送ってくる写真は、極端なポーズ、逆光、ブレ、複雑な背景など、現実の「生々しさ」に満ちています。また、上着・インナー・パンツ・靴・バッグ・帽子といった複数アイテムを同時にコーディネートさせたいという要望にも応えなければなりません。加えて、ECサイトで使うなら「数秒で返す」スピードも必須。この「頑健さ・忠実さ・柔軟さ・速さ」を同時に満たすモデルは、これまで存在しませんでした。

ポイントは、​バーチャル試着を「塗りつぶし（インペインティング）」ではなく「画像編集タスク」として扱い直した こと。従来のように「体の一部をマスクしてそこに服を描く」のではなく、複数の参照画像（人物1枚＋服や小物を最大6枚）を一気に受け取り、それらを一つのTransformer（MMDiTアーキテクチャ）で協調的に処理します。

技術的な工夫を料理にたとえると：

• データエンジン：多品目コーデの学習データが足りないので、画像を部品分解して自動でペアを作る仕組みを構築（食材の下ごしらえ工場）
• 多段階学習：まず一般的な画像編集で下地を作り → 高解像度で磨き → 高品質データで仕上げ → 強化学習（DiffusionNFT）で「良い結果」に寄せる
• 推論の高速化：モデル本体を5Bパラメータに絞り、CFG蒸留とステップ蒸留で「短い手順で同じ味」を出せるよう圧縮
• プロンプト書き換え：ユーザーのざっくりした指示を専用モデルがAI向けに翻訳

独自ベンチマーク「Tstars-VTON」（465スタイル・1〜6点の重ね着シナリオを含む1,780サンプル）での総合スコアで、Nano Banana Pro（Google）、GPT-Image-1.5（OpenAI）、Seedream 5.0 lite（ByteDance）など主要商用モデルを上回りました。

スピード差が劇的 です。単品試着で 3.92秒 、6点の複雑コーデでも 6.74秒 。比較対象のオープンソースモデル（QwenEdit-2511、Flux.2 dev）は約200秒かかっており、​実に50倍速い 計算になります。

人間による主観評価でも、アイテム数が増えるほど差が開き、5着のコーデではSeedream5 liteに対して勝率 70.2% 、Nano Banana Proに対しても 54.8% の勝率を記録。つまり「複雑になるほど強い」という特性が確認されました。

このモデルは既にタオバオ（淘宝）アプリで「AI Try-On」として公開されており、​数百万ユーザーが数千万件の試着を実行済み 。論文執筆時点で「世界最大級の本番稼働バーチャル試着」と主張しています。

ビジネス視点で重要なのは、​​「品質とコストのトレードオフを壊した」​ という点です。従来、商用レベルの品質を出すには200秒級の重いモデルが必要で、これを何千万ユーザーに配るのは経済的に非現実的でした。それが数秒レベルに落ちたことで、ECサイトの商品ページに「試着ボタン」を標準装備することが現実解になります。

アパレルEC業界では、返品率の高さ（ネット通販の返品の約3割がサイズ・イメージ違い）が長年の課題。試着AIが普及すれば返品率低下、配送コスト削減、顧客満足度向上という連鎖が起きえます。さらに、ペットや3Dアバター、アニメキャラにも服を着せられる柔軟性は、SNSコンテンツ制作やゲーム業界への波及も期待させます。日本でも楽天・ZOZOなどが同様の技術投入を加速する可能性が高いでしょう。