JP7058851B1 - 作品を作成し及び／又は編集する方法及びプログラム - Google Patents

Abstract

【課題】ユーザが意図している物語により近い形で、ユーザが発揮できる創造性をより汲み取られるようにして、より容易に作品を作成及び／又は編集する方法及びプログラムを提供する。【解決手段】作品を作成及び／又は編集する方法において、Ｌ番目のフェーズは、第１の学習済みモデルが、少なくとも、Ｌ番目の制作データに基づく第１のデータと、Ｌ番目のプロットデータに基づくデータと、を取得しＳ３１２、第１の学習済みモデルが、少なくとも、Ｌ＋１番目のプロットデータを出力しＳ３１４、第２の学習済みモデルが、少なくとも、Ｌ番目の制作データに基づく第２のデータと、Ｌ＋１番目のプロットデータに基づくデータと、を取得しＳ３１６、第２の学習済みモデルが少なくとも、Ｌ＋１番目の制作データを出力するＳ３１８。【選択図】図６

Description

本発明は、作品を作成し及び／又は編集する方法及びプログラムに関する。

文章の作成、物語の作成、絵本の作成、小説の作成、マンガの作成など、ストーリを有する作品を作成するには、その作成者は、多くの労力を必要とする。
物語、マンガなどを作成するには、物語又は絵などを作成する文章力や絵を作成するスキルが必要である。
思い通りに作品を作成したり、読者に対して興味を抱かせ訴えかける作品を制作したりするには、卓越した能力が必要とされる。

そこで、例えば、格納されているメディアファイルに基づきシングルメディア又はマルチメディアプレゼンテーションを自動生成し、これにより、最小限のユーザの労力しか要求することなくユーザについてカスタマイズされたストーリを自動生成する技術が存在する（特許文献１参照）。この技術は、ストーリープロダクトを自動生成するコンピュータにより実現される方法であって、ルールセットを複数のデジタルイメージアセットに自動適用するステップと、ルールセットを充足するデジタルイメージアセットのデジタルイメージアセットを特定するステップと、特定されたデジタルイメージアセットを含むストーリープロダクトを自動生成するステップを含んでいる。

また、物語モデルを構築することができるデータ処理装置の技術が存在する（特許文献２参照）。データ処理装置は、抽出部と、事例生成部と、モデル構築部とを備える。抽出部は、述語項構造解析および共参照解析が行われた文書から、共有項を持つ述語と共有項の格の種別を表す格種別情報との組み合わせを要素とし、複数の要素を文書における述語の出現順に並べた要素系列を、共有項とともに抽出する。事例生成部は、要素系列を構成する要素のそれぞれについて、当該要素を注目要素としたときに、注目要素を末尾の要素とする要素系列内の部分系列に関する１つ以上の特徴量と、部分系列に対応する共有項の系列に関する１つ以上の特徴量と、の少なくともいずれかの特徴量を含む特徴ベクトルで表現された事例データを生成する。モデル構築部は、事例データを用いて識別モデルに基づく機械学習を行うことにより、先行文脈に後続する要素を推定するための物語モデルを構築する。

また、キャラクタ、台詞、演出などのコマンドをドラッグ＆ドロップすることで、アドベンチャーゲームの作成を支援する技術が存在する（例えば、非特許文献１参照）。

さらに、ユーザが、キャラクタを複数の候補から選択して、選択肢の候補からユーザが候補を選択すると、マンガのストーリ展開を変化させることができる技術が存在する（例えば、非特許文献２参照）。

特表２０１０－５３４４２０号公報 特許第５９４５０６２号公報

ラノゲツクール（https://tkool.jp/lngmv/）（2021年6月26日アクセス） マンガ・カ・ケール（https://www.manga-kakeru.com/）（2021年6月26日アクセス）

開示の技術は、ユーザが意図している物語により近い形で、ユーザが発揮できる創造性をより汲み取られるようにして、より容易に作品を作成することができるようにする技術を提供することを目的とする。

開示の技術は、作品を作成し及び／又は編集する方法であって、当該方法は、第１の学習済みモデルが、少なくとも、Ｌ番目の制作データに基づく第１のデータと、Ｌ番目のプロットデータに基づくデータと、を取得する、第１の取得するステップと、前記第１の学習済みモデルが、少なくとも、Ｌ＋１番目のプロットデータを出力する、第１の出力するステップと、第２の学習済みモデルが、少なくとも、前記Ｌ番目の制作データに基づく第２のデータと、前記Ｌ＋１番目のプロットデータに基づくデータと、を取得する、第２の取得するステップと、前記第２の学習済みモデルが少なくとも、Ｌ＋１番目の制作データを出力する、第２の出力するステップと、を含むＬ番目のフェーズを有し、当該方法は、コンピュータが、前記Ｌ番目のフェーズの前記Ｌ＋１番目のプロットデータと、前記Ｌ＋１番目の制作データとが、ＬがインクリメントされたフェーズであるＬ＋１番目のフェーズに用いられるようにして、Ｌが１からＮとなるまで前記フェーズを順に繰り返し実行することで、一連のＮ＋１個の前記制作データに基づくデータを持つ作品を作成し及び／又は編集する方法であって、前記第１の学習済みモデルは、少なくとも、既存の作品に基づくＰ個の連続した学習用制作データと、前記Ｐ個の連続した学習用制作データの各々に対応するＰ個の連続した学習用プロットデータと、を教師データとして、少なくとも、Ｑ番目（１≦Ｑ＜Ｐ）の前記学習用制作データと、Ｑ番目の前記学習用プロットデータと、が入力された際に、Ｑ＋１番目の前記学習用プロットデータに近いデータが出力されるように、第１の機械学習処理が施され、前記第２の学習済みモデルは、少なくとも、前記Ｑ番目の学習用制作データと、前記Ｑ＋１番目の学習用プロットデータと、が入力された際に、Ｑ＋１番目の学習用制作データに近いデータが出力されるように、第２の機械学習処理が施された、作品を作成し及び／又は編集する方法を提供する。

開示の技術によれば、ユーザが意図している物語により近い形で、ユーザが発揮できる創造性をより汲み取られるようにして、より容易に作品を作成することができるようにする技術を提供することができる。

図１Ａは、作品１０の例を示す。図１Ｂは、プロットブロックＡ１のプロットデータ１１ｐｄ及びこれに対応する制作データ１１ａと、プロットブロックＡ２のプロットデータ２１ｐｄ及びこれに対応する制作データ２１ａとを示す。 図２Ａ及び図２Ｂは、実施形態１を実現する第１の学習済みモデルと第２の学習済みモデルとをそれぞれ示す。 図３は、開示の技術によって出力されるテキストの各プロットデータと各制作データの例を示す。 図４は、図３のテキストの制作データの各々に対応する絵の制作データの例を示す。 図５は、図３のテキストの制作データと図４の絵の制作データとを用いて絵本の作品を構成した例を示す。 図６は、実施形態１の処理フローを示す。 図７は、実施形態２で用いられる学習済みモデルの例を示す。図７Ａは、Ｋ個のＬ＋１番目のプロットデータを出力する学習済みモデルを示す。図７Ｂは、Ｍ個のＬ＋１番目の制作データを出力する学習済みモデルを示す。 図８Ａは、実施形態３に用いられる第１の学習済みモデルを示す。図８Ｂは、実施形態３に用いられる第２の学習済みモデルを示す。 図９Ａ及び図９Ｂは、実施形態３の処理フローの一部を示す。 図１０Ａ及び図１０Ｂは、実施形態３の処理フローの一部を示す。 図１１は、ＡＩの学習プロセスを示す。図１１Ａは、第１の学習済みモデルを構築する学習プロセス、図１１Ｂは、第２の学習済みモデルを構築する学習プロセスを示す。 図１２Ａは、ＧＡＮを用い、第１の学習済みモデルから推奨度もまた出力させるようにするＡＩの学習プロセスの例を示す。図１２Ｂは、ＧＡＮを用い、第２の学習済みモデルから推奨度もまた出力させるようにするＡＩの学習プロセスの例を示す。 図１３Ａは、ＧＡＮを用い、定められた個数のプロットデータと推奨度の対を出力する第１の学習済みモデルを得るための、学習プロセスの例を示す。図１３Ｂは、ＧＡＮを用い、定められた個数の制作データと推奨度の対を出力する第２の学習済みモデルを得るための、学習プロセスの例を示す。 図１４Ａは、ＲＮＮのブロック図を示す。図１４Ｂは、図１４Ａを展開した図であり、ＲＮＮが、ニューラルネットワークの過去から現在に至るまでの一連の入力の影響を将来のＲＮＮに伝えてゆく仕組みを模式的に示した図である。すなわち、図１４Ａと図１４Ｂは同義の図である。 図１５は、各実施例を実現するためのコンピュータのハードウエア構成を示す。

以下に、図面を参照しながら開示の技術を説明する。なお、複数の実施形態において共通する部分については、１つの実施形態において説明し、他の実施形態において説明を省略する場合がある。また、それぞれの実施形態は排他的なものではなく、矛盾の無い限り、ある実施形態の一部を他の実施形態に組み込むことができることは言うまでもない。
まず、本明細書において用いられる用語の定義を説明する。

（１）作品
本明細書において、作品とは、小説、物語、マンガ、映画、絵本等の創作物等を意味する。作品は、二次元的又は三次元的なイメージ、テキストの集合、時間的要素を含む映像、音声などを含み、これらの組合せたものを含み得る。

（２）プロット及びプロットデータ
プロット（Ｐｌｏｔ）とは、文章及び絵などの作品の部分（制作データ（制作データについては後述する。））における構想、筋書き、筋道を意味する。プロットは、狭い意味では、「・・・が・・・をした（Ａ）。だから、・・・をした（Ｂ）。」というような文章における「だから」で繋がる原因（Ａ）と、結果（Ｂ）のことをいう。プロットが連鎖して記述されることで、物語などのあらすじが構築される。プロットは、別の表現を用いれば、因果関係を意識して出来事を表現した短文と定義することができる。
なお、プロットは、広義には、本などの目次、要約の要素等を指す。

本明細書におけるプロットとは、上記の狭義のプロットに加えて、広義のプロットをも意味する。したがって、本明細書では、プロットは、因果関係で繋がる短文ばかりでなく、筋書、構想などを表す単語である場合があり得る。
プロットは、文字列で表現され得る。個々のプロットの文字列をプロットデータという。

（３）制作データ
１つの制作データとは、１つのプロットを具現化した作品の部分をいう。

すなわち、制作データは、１つのプロットデータに対応する作品の部分をいう。制作データは、例えば作品が小説であれば、プロットデータに対応する小説の部分的な文章を指す。また、作品がマンガであれば、制作データとは、プロットデータに対応するマンガのひとコマであり得る。マンガのひとコマには、絵と文章が含まれ得る。或いは、作品が絵本であれば、プロットデータに対応する絵又は絵と文字との組み合わせによる絵本の１ページであってもよい。制作データには、文字が一切含まれなくてもよく、絵、写真、抽象画、動画、映像、音声の一部分などであってもよい。
制作データを時系列的に並べることで、小説、物語、絵本、マンガ、映画などの作品の全体（或いは部分）が出来上がる。

したがって、創作者が作品を創作する場合には、まずプロットを作ることで、作品の部分である制作データの骨組みを立案することができる。立案した骨組み（プロット）に基づいて、具体的な作品の一部である制作データを創作してゆくことで、作品の内容の構想を立案し具体的な作品を作成することをより容易に行うことができる。

（４）プロットポイント、プロットブロック
プロットとプロットとの区切りをプロットポイントという。また、プロットポイントどうしで区切られる部分をプロットブロックという。プロットポイントで区切られる１つのプロットブロックには、１つの制作データとその制作データに対応するプロットデータが含まれる。

図１Ａは、作品１０の例を示している。図１Ａでは、作品１０は、文の集合を含んでいる。作品１０は、文の集合であるが、既に述べたように一般的な作品は、文の集合であってもよいし、絵、音声などであってもよいことは言うまでもない。

図１Ａは、作品１０が制作データ１１ａと制作データ２１ａの２つを含んでいることを示している。

そして、制作データ１１ａと制作データ２１ａとの間にプロットポイント１１ｐｐが存在している。また、制作データ２１ａの終わりにプロットポイント２１ｐｐが存在している。すなわち、制作データ２１ａは、プロットポイント１１ｐｐとプロットポイント２１ｐｐとの間に存在している。

図１Ｂは、プロットブロックＡ１のプロットデータ１１ｐｄと制作データ１１ａを示している。プロットデータ１１ｐｄは制作データ１１ａに対応する。プロットデータ１１ｐｄ「「ドラゴンの鳴き声がだんだん大きくなる」「木陰に隠れた」」は、制作データ１１ａの因果関係を示すプロットデータの一例である。

図１Ｂはまた、プロットブロックＡ２のプロットデータ２１ｐｄと制作データ２１ａを示している。プロットデータ２１ｐｄは制作データ２１ａに対応する。プロットデータ２１ｐｄ「「ドラゴンの足音が聞こえる」「震えた」」は、制作データ２１ａの因果関係を示すプロットデータの一例である。

＜実施形態１＞
図２Ａ及び図２Ｂは、実施形態１を実現する第１の学習済みモデルと第２の学習済みモデルを示している。

第１の学習済みモデル及び第２の学習済みモデルは、ＡＩ（Artificial Intelligence）に対して、様々な作品を用いて学習させた学習済みモデルである。なお、学習のさせ方については、後述する。

図２Ａの第１の学習済みモデル１０００と図２Ｂの第２の学習済みモデル２０００を交互に用いることによって、実施形態１は、作品の創作者であるオペレータの創作意図を反映させた作品を生成することができる。

図２Ａにおける第１の学習済みモデル１０００は、「（補正された）Ｌ番目のプロットデータと（補正された）Ｌ番目の制作データが入力されると、Ｌ＋１番目のプロットデータを予測して出力する」ように予め学習が施されたＡＩである。

なお、Ｌは自然数（すなわち１，２，３，・・・）である。また「補正」とは、オペレータによる補正を意味する。Ｌ番目のプロットデータは、オペレータによって補正されたものであってもよく、或いは、補正されなくてもよいことを意味する。そして、Ｌ番目の制作データは、オペレータによって補正されたものであってもよく、或いは、補正されなくてもよいことを意味する。

図２Ａの第１の学習済みモデル１０００から出力されたＬ＋１番目のプロットデータは、補正ブロック１００２において、オペレータによる補正を受け取ってもよく、或いは、オペレータによる補正を受け取らなくてもよい。補正ブロック１００２からは、（補正された）Ｌ＋１番目のプロットデータが出力される。
第１の学習済みモデル１０００には、オペレータから受け取った作品の特徴パラメータ及び／又はキャラクタの属性が、入力されてもよい。

作品の特徴パラメータとは、作品のストーリ展開の特徴、作品の時代、作品の表現の作風、作品の対象とする読者の年齢、作品の対象とする読者の性別、及び作品のジャンルのうちの少なくともいずれかの観点における指標を含む。

作品の特徴パラメータは、第１の学習済みモデルが、学習を行う際に、他の教師データと併せてモデルに入力してもよい。他の実施形態における学習済みモデルについても同様である。

キャラクタの属性とは、性別、服装、性格、年齢、体格、機敏性、及び特技のうちの少なくともいずれかの観点における指標を含む。
キャラクタの属性は、第１の学習済みモデルが、学習を行う際に、他の教師データと併せてモデルに入力してもよい。他の実施形態における学習済みモデルについても同様である。

図２Ｂにおける第２の学習済みモデル２０００は、「（補正された）Ｌ＋１番目のプロットデータと（補正された）Ｌ番目の制作データが入力されると、Ｌ＋１番目の制作データを予測して出力する」ように予め学習が施されたＡＩである。

（補正された）Ｌ＋１番目のプロットデータは、オペレータによって補正されたものであってもよく、或いは、補正されなくてもよいことを意味する。そして、（補正された）Ｌ番目の制作データは、オペレータによって補正されたものであってもよく、或いは、補正されなくてもよいことを意味する。

図２Ｂの第２の学習済みモデル２０００から出力されたＬ＋１番目の制作データは、補正ブロック２００２において、オペレータによる補正を受け取ってもよく、或いは、オペレータによる補正を受け取らなくてもよい。補正ブロック２００２からは、（補正された）Ｌ＋１番目の制作データが出力される。
第２の学習済みモデル２０００には、オペレータから受け取った作品の特徴パラメータ及び／又はキャラクタの属性が、入力されてもよい。

図２Ａにおいて出力された（補正された）Ｌ＋１番目のプロットデータと、図２Ｂにおいて出力された（補正された）Ｌ＋１番目の制作データとを得ることで、Ｌ番目のフェーズが終了する。

Ｌ＋１番目のフェーズは、Ｌ番目のフェーズにおいて得られた（補正された）Ｌ＋１番目のプロットデータと、（補正された）Ｌ＋１番目の制作データとを、第１の学習済みモデル１０００に再び入力することで開始される。Ｌ＋１番目のフェーズの動作は、Ｌが１だけインクリメントされていることを除けば、既に述べたＬ番目のフェーズの動作と同様である。

このように、複数のフェーズを繰り返しＮ回実行することで、最初の１個と合わせてＮ＋１個の一連の（補正された）制作データが得られる。得られたＮ＋１個の一連の（補正された）制作データにより、作品が構成されることとなる。

以上のように、オペレータにプロットデータ又は制作データを補正させることを許容することによって、実施形態１によって作り出される作品に対するオペレータの創作意図を適切にかつ容易に反映させることができる。

図３は、開示の技術によって出力される各プロットデータと各制作データの例を示している。１個のプロットブロックは、１個のプロットデータと１個の制作データとから構成される。一連の制作データを合わせたものが作品となる。
図３を用いて、図２に示された実施形態１の動作を以下に説明する。図２においてＬ＝１の場合から順に説明する。

●Ｌ＝１番目のフェーズの動作
例示として、図３におけるプロットブロック１の制作データ１１０ａとプロットデータ１１１とを用いる場合を想定する。これらがそのまま図２Ａの第１の学習済みモデル１０００に入力されてもよいし、これらにオペレータが補正を加えたものが第１の学習済みモデル１０００に入力されてもよい。

以下の説明では、Ｌ＝１のフェーズにおいて、オペレータが独自に創作した制作データとプロットデータとが用いられる実施形態について述べる。これ以外の実施形態(例えば、Ｌ＝１のフェーズにおいてオペレータが独自に創作したプロットデータのみを用いる場合)については後述する。

この場合、１番目のフェーズで、第１の学習済みモデル１０００に、１番目のプロットデータとして図３に示すプロットデータ１１０ｐｄが入力され、１番目の制作データとして図３に示す制作データ１１０ａが入力されたとする。
すると、図２Ａの第１の学習済みモデル１０００が、例えば２番目のプロットデータとして、以下のプロットデータを出力したとする。

［２番目のプロットデータ］＝「現れたのはチビドラゴン」「泣き出す」
が出力されたとする。

図３のプロットブロック２に示されるように、オペレータは、出力された上記２番目のプロットデータに補正を加えて、以下の補正された２番目のプロットデータ１２０ｐｄに変更したとする。
［補正された１番目のプロットデータ１２０ｐｄ］＝「現れたのはチビドラゴン」「巨大なドラゴンに立ち向かおうとする」
この補正された２番目のプロットデータ１２０ｐｄと、１番目の制作データ１１０ａが、図２Ｂの第２の学習済みモデル２０００に入力される。
第２の学習済みモデルは、以下の２番目の制作データを出力したとする。

［２番目の制作データ］＝「しかし、そんな主人公たちの前に現れたのは、チビドラゴンだった。チビドラゴンは巨大なドラゴンに噛みついた。」

図３の制作データ１２０ａに示されるように、オペレータは、出力された上記２番目の制作データに補正を加えて、以下の補正された制作データ１２０ａに変更したとする。

［補正された２番目の制作データ１２０ａ］＝「しかし、そんな主人公たちの前に現れたのは、チビドラゴンだった。チビドラゴンは主人公たちの前に立ちはだかり、巨大なドラゴンに立ち向かおうとする。」
以上で、Ｌ＝１番目のフェーズが終了する。以下、順を追って、後続するフェーズについて説明する。

●Ｌ＝２番目のフェーズの動作
図３におけるプロットブロック２のプロットデータ１２０ｐｄ及び制作データ１２０ａが、図２Ａの第１の学習済みモデル１０００に入力される。なお、この場合、オペレータによる補正がなされる前の制作データが第１の学習済みモデル１０００に入力されてもよい。

第１の学習済みモデル１０００が、例えば３番目のプロットデータとして、以下のプロットデータを出力したとする。
［３番目のプロットデータ］＝「助けようとする」「駆け出し」「魔法など使えっこない」
が出力されたとする。
図３のプロットブロック３に示されるように、オペレータは、出力された上記３番目のプロットデータに補正を加えなかったとする。
この場合、補正されていない３番目のプロットデータ１３０ｐｄと、２番目の制作データ１２０ａが、図２Ｂの第２の学習済みモデル２０００に入力される。
第２の学習済みモデルは、以下の３番目の制作データを出力したとする。

［３番目の制作データ］＝「「危ない！」主人公たちは魔法でチビドラゴンを助けようとするが、そこは駆け出しの魔女っ娘の魔法、ドラゴンに対抗できる魔法など使えっこない。」

図３の制作データ１３０ａに示されるように、オペレータは、出力された上記３番目の制作データに補正を加えなかったとする。この場合は、補正を加えていない制作データ１３０ａが作品に用いられる。
以上で、Ｌ＝２番目のフェーズが終了する。

以上のように、第１の学習済みモデル１０００から出力されるＬがインクリメントされたプロットデータ及び第２の学習済みモデル２０００から出力されるＬがインクリメントされた制作データに対して、オペレータは、自己の創作意図を反映させるように、補正を加えるか否かを判断しつつ、フェーズを進めることができる。

この一連のフェーズにおいて、オペレータは、プロットデータに対して自己の創作意図を考慮して補正の要否を判断し、必要に応じて適切なプロットデータに補正することができる。そして、該当フェーズの適切なプロットデータと、１つ前のフェーズの適切な制作データとが、第２の学習済みモデル２０００に入力されようになる。このため、第２の学習済みモデル２０００は、過去の制作データのストーリの連続性を保ちつつ、適切な該当フェーズの制作データを出力することができる。

図３に示されるように、上記の手順と同様に、第３のフェーズでは、プロットブロック４のプロットデータ１４０ｐｄ及び制作データ１４０ａが得られる。
更に、第４のフェーズでは、プロットブロック５のプロットデータ１５０ｐｄ及び制作データ１５０ａが得られる。
得られた制作データ１１０ａ、１２０ａ、１３０ａ、１４０ａ、及び１５０ａを連結して、以下の作品が得られる。

（作品）
『洞窟の奥から壁を破って出てきたのは、巨大なドラゴンだった！叫ぶ主人公たちはどうしたらいいかわからず、パニック状態だった！
しかし、そんな主人公たちの前に現れたのは、チビドラゴンだった。チビドラゴンは主人公たちの前に立ちはだかり、巨大なドラゴンに立ち向かおうとする。
「危ない！」主人公たちは魔法でチビドラゴンを助けようとするが、そこは駆け出しの魔女っ娘の魔法、ドラゴンに対抗できる魔法など使えっこない。
「もうだめだ・・・。」巨大なドラゴンは炎を吐きかけ、主人公たちがあきらめかけたその瞬間、ドラゴンはチビドラゴンに向かい、突然話しかけてきた。
「こんなところで何しているの！心配したわよ！」なんとドラゴンとチビドラゴンは親子のようだ。』

以上のように、図２の第１の学習済みモデル１０００によって、入力された既存のプロットブロック（プロットデータ及び制作データ）に続く新たなプロットブロックのプロットデータが出力され、オペレータに提案される。

オペレータは、必要に応じて、この提案されたプロットデータにオペレータ自身の創作意図を考慮して、補正を加えることができる。プロットデータは、作品データの内容の因果関係を含むエッセンスであるから、オペレータにとって、理解しやすくかつ容易に補正をすることができる。

適切に補正されたプロットデータと既存の制作データとが第２の学習済みモデル２０００に入力される。この第２の学習済みモデル２０００は、既存のプロットブロックと、これに続く新たなプロットブロックの適切なプロットデータとに基づいて、新たなプロットブロックの制作データを出力することができる。

図４は、図３のテキストの制作データの各々に対応する絵の制作データの例を示す。

図４に示す絵の制作データのみを作品として採用してもよいし、図３のテキストの制作データと図４に示す絵の制作データとを併せて用いて作品を構成してもよい。制作データ１１０ａは、制作データ１１０ｂに対応する。制作データ１２０ａは、制作データ１２０ｂに対応する。制作データ１３０ａは、制作データ１３０ｂに対応する。制作データ１４０ａは、制作データ１４０ｂに対応する。制作データ１５０ａは、制作データ１５０ｂに対応する。

図５は、図３のテキストの制作データと図４の絵の制作データとを用いて絵本の作品を構成した例を示す。

なお、オペレータは、第２の学習済みモデル２０００が出力した制作データに対しても、必要に応じて、自己の創作意図を反映させるべく補正を加えることができる。
このようにして、実施形態１によって、オペレータの負担を軽減させつつ、適切な制作データを得ることができる。

Ｌ＝１のフェーズにおいてオペレータが独自に創作したプロットデータのみを用いる場合について述べる。この実施形態においては、オペレータは独自の制作データを創作する必要がないため、オペレータの負担を更に軽減させることができる。

Ｌ＝１のフェーズでは、１番目の制作データとしてブランクデータを用いる。ブランクデータとは、中身が空であることを表すデータであって、たとえば空の文字列であってもよい。
Ｌ＝１のフェーズにおいて、第１の学習済みモデル１０００に、１番目のプロットデータとしてオペレータが創作したプロットデータを入力し、１番目の制作データとしてブランクデータを入力する。
すると、第１の学習済みモデル１０００から、２番目のプロットデータとして、１番目のプロットデータとほぼ同一内容のプロットデータが出力される。

Ｌ＝１のフェーズにおいて、第２の学習済みモデル２０００に、２番目のプロットデータとして上記で得られた２番目のプロットデータ（内容は１番目のプロットデータとほぼ同一）を入力し、１番目の制作データとしてブランクデータを入力する。

すると、第２の学習済みモデル２０００から、２番目の制作データとして、２番目のプロットデータに合った内容（即ち１番目のプロットデータに合った内容）の制作データが出力される。
このような挙動をするように、第１のモデルおよび第２のモデルを学習させる方法については、後の学習方法についての説明の中で述べる。

Ｌ＝２以降のフェーズでは、学習済みモデルに入力されるデータは、ブランクデータではない通常の制作データになるため、処理の流れは既に述べたものと同様の流れになる。

具体的には、Ｌ＝２のフェーズにおいて、第１の学習済みモデル１０００に、上記２番目のプロットデータ（内容は１番目のプロットデータとほぼ同一）と、上記２番目の制作データ（１番目のプロットデータに合った内容の制作データ）と、を入力する。

すると、第１の学習済みモデル１０００から、３番目のプロットデータが出力される。Ｌ＝２のフェーズにおいて、第２の学習済みモデル２０００に、上記３番目のプロットデータと上記２番目の制作データとを入力する。

すると、第２の学習済みモデル２０００から、３番目の制作データが出力される。同様の処理を、Ｌ＝Ｎになるまで繰り返して、１番目からＮ＋１番目までの制作データを得る。得られた制作データのうち、２番目からＮ＋１番目までの制作データを合わせたものを作品とする。

図６は、実施形態１の処理フローを示す。以下に、図６の各ステップについて説明する。

なお、実施形態１において、オペレータが意図している作品の特徴パラメータ及び／又は作品のキャラクタの属性を、第１の学習済みモデル及び／又は第２の学習済みモデルに入力してもよい。作品の中で、一貫して作品の特徴を統一したり、キャラクタの属性を統一したりしたい場合は、初期の段階で、作品の特徴パラメータ及び／又は作品のキャラクタの属性を決め、それ以降は、決められた特徴パラメータ及び／又はキャラクタの属性を一貫して入力し続けるようにしてもよい。なお、作品の特徴パラメータ及び／又は作品のキャラクタの属性は、オペレータが少なくとも１回入力することで、その後のフェーズにおいても同一の特徴パラメータ及び／又はキャラクタの属性が継続して第１の学習済みモデル及び／又は第２の学習済みモデルに入力されるようにしてもよい。
なお、キャラクタが複数存在する場合には、キャラクタ毎にキャラクタの属性を指定できるようにすることが望ましい。

図６の各ステップを以下に説明する。
［ステップＳ３１０］ステップＳ３１０とステップＳ３２０との間の各ステップを、Ｌ＝１からＮまで繰り返し実行する（Ｌは自然数）。なお、Ｎは、あらかじめ定めておかなくてもよい。オペレータが処理を終了してもよいと判断した段階で処理を終了してもよいし、全ての作品データが得られた段階で、処理を終了してもよい。

［ステップＳ３１２］第１の学習済みモデルが、少なくとも、Ｌ番目の制作データに基づく第１のデータと、Ｌ番目のプロットデータに基づくデータとを取得する。Ｌが１である場合（最初のステップ）においては、作品の最初のプロットデータ及び最初の制作データは、オペレータにより作成されたものであってもよい。あるいは、作品の最初プロットデータはオペレータにより作成されたものであって、最初の制作データはブランクデータであってもよい。なお、Ｌ番目の制作データがオペレータにより補正さている場合には、補正されたＬ番目の制作データが取得されてもよい。或いは、Ｌ番目の制作データがオペレータにより補正されていても、補正されていないＬ番目の制作データが取得されてもよい。また、Ｌ番目のプロットデータがオペレータにより補正されている場合には、補正されたＬ番目のプロットデータが取得されることが望ましい。

［ステップＳ３１４］第１の学習済みモデルが、少なくとも、Ｌ＋１番目のプロットデータを出力する。なお、下記に説明する他の実施形態では、更にその他のデータが出力されてもよい。詳細は、他の実施形態を説明する際に説明する。

［ステップＳ３１６］第２の学習済みモデルが、少なくとも、Ｌ番目の制作データに基づく第２のデータと、Ｌ＋１番目のプロットデータに基づくデータとを取得する。なお、Ｌ番目の制作データがオペレータにより補正されている場合には、補正されたＬ番目の制作データが取得されてもよい。或いは、Ｌ番目の制作データがオペレータにより補正されていても、補正されていないＬ番目の制作データが取得されてもよい。また、Ｌ＋１番目のプロットデータがオペレータにより補正されている場合には、補正されたＬ＋１番目のプロットデータが取得されることが望ましい。

［ステップＳ３１８］第２の学習済みモデルが少なくとも、Ｌ＋１番目の制作データを出力する。なお、下記に説明する他の実施形態では、更にその他のデータが出力されてもよい。詳細は、他の実施形態を説明する際に説明する。
［ステップＳ３２０］Ｌ＜Ｎの場合には、Ｌをインクリメントして、ステップＳ３１２に戻る。Ｌ＝Ｎの場合は、処理を終了する。
以上の処理を繰り返すことによって、オペレータの創作意図が適切に反映された複数の制作データが得られる。得られた制作データが結合されることで、作品が得られる。

＜実施形態２＞
図７は、実施形態２で用いられる学習済みモデルの例を示す。
図７において、図２と同じ部分については、図２の説明との重複を避けるため、ここでは説明を省略する点に留意すべきである。図７Ａは、Ｋ個のＬ＋１番目のプロットデータを出力する学習済みモデルを示す。図７Ｂは、Ｍ個のＬ＋１番目の制作データを出力する学習済みモデルを示す。

図７Ａ及び図７Ｂに示す実施形態２と図２Ａ及び図２Ｂに示す実施形態１との差は、実施形態２においては、第１の学習済みモデル及び／又は第２の学習済みモデルが、複数の候補を出力する点である。実施形態２では、複数の候補を出力するＡＩを用いる。例えば、学習のときに、教師データと共に、乱数を教師データに含める。入力に乱数を含めて学習した学習済みモデルは、入力の乱数の値を変えることにより、異なる出力を得ることができる。例えば、ｒ個の異なる乱数のそれぞれを学習済みモデルに与えて、処理をｒ回実行すれば、ｒ個の異なる出力を得ることが可能である。なお、乱数を用いた学習については、後述する。或いは、１回の処理の実行により、予め定められた所定個数(複数個)のプロットデータ又は制作データを出力するように、ＡＩを予め構築しておいてもよい。
以下の説明(実施形態２及び実施形態３)では、学習済みモデルの出力が複数個となる例を挙げるが、上記のように、複数回の処理実行により複数個の出力を得る実施形態も可能であるし、また、１回の処理実行により複数個の出力を得る実施形態も可能である。

第１の学習済みモデル１０１０は、Ｋ個のＬ＋１番目のプロットデータを出力する。補正／選択ブロック１０１２は、オペレータにＫ個のＬ＋１番目のプロットデータを提示し、オペレータに対して、１つを選択するよう促してもよい。補正／選択ブロック１０１２は、オペレータが選択したＬ＋１番目のプロットデータに対して、更にオペレータからの補正を受け入れてもよい。

或いは、補正／選択ブロック１０１２は、Ｋ個のＬ＋１番目のプロットデータに含まれるテキスト情報のうち、単語のみを抽出してオペレータに示して、１以上の単語をオペレータが選択するように促してもよい。そして、補正／選択ブロック１０１２は、Ｋ個のＬ＋１番目のプロットデータのうち、オペレータにより選択された単語を最も多く含むＬ＋１番目のプロットデータをオペレータに提示し、その内容の補正をオペレータに促してもよい。Ｋは、固定された値でなくてもよい。

図７Ｂに示すＭ個の制作データを出力する第２の学習済みモデル２０１０及び補正／選択ブロック２０１２についても、図７Ａに示す第１の学習済みモデル１０１０及び補正／選択ブロック１０１２の説明と同様であるため、説明を省略する。

＜実施形態３＞
図８は、実施形態３を示している。図８Ａは、実施形態３に用いられる第１の学習済みモデルを示す。図８Ｂは、実施形態３に用いられる第２の学習済みモデルを示す。

図８Ａの第１の学習済みモデル１０２０は、Ｋ１個のＬ＋１番目のプロットデータと、そのそれぞれに対応するＫ１個の推奨度とを出力する。出力されたＫ１個のＬ＋１番目のプロットデータと、そのそれぞれに対応するＫ１個の推奨度とは、ゲート１０２１に入力される。ゲート１０２１は、あらかじめ定められた閾値１又はオペレータに指示された閾値２よりも大きな推奨度を持つＫ２個のＬ＋１番目のプロットデータを出力する。
補正／選択ブロック１０２２の動作は、図７における補正／選択ブロック１０１２と同じであるため、説明を省略する。

推奨度を出力させるための学習のさせ方については、後述する。推奨度は、その値が大きいほど、対応するＬ＋１番目のプロットデータの推奨される度合いが高いことを示す。

この場合、上記閾値１又は閾値２を小さくすれば、候補数Ｋ２は、大きくなり、オペレータが選択できる候補を多くすることができる。なお、例えば出力されたＫ１個の推奨度の中に閾値１及び閾値２のいずれをも超える推奨度が無い場合には、Ｋ１個の推奨度の中の最大の推奨度に対応するＬ＋１番目のプロットデータを、ゲート１０２１が出力するようにしてもよい。
図８Ｂに示すＭ１個の制作データを出力する第２の学習済みモデル２０２０、ゲート２０２１及び補正選択ブロック２０２２についても、図８Ａに示す第１の学習済みモデル１０２０、ゲート１０２１及び補正／選択ブロック１０２２の説明が当てはまるため、説明を省略する。

図９Ａ及び図９Ｂは、実施形態３の処理フローの一部を示している。以下、これらのステップについて説明する。
図９Ａは、第１の学習済みモデルが、少なくとも、Ｌ＋１番目のプロットデータを出力するフローである。
［ステップＳ１１１２］推奨度が所定の値よりも高いＬ＋１番目のプロットデータが抽出される。なお、推奨度が所定の値よりも高いＬ＋１番目のプロットデータが無い場合には、推奨度が高いものから順に１個以上のＬ＋１番目のプロットデータを抽出してもよい。
［ステップＳ１１１３］抽出されたプロットデータが１つかがチェックされる。このチェックが肯定的（Ｙｅｓ）であれば、処理はステップＳ１１１６に進む。このチェックが否定的（Ｎｏ）であれば、処理はステップＳ１１１４に進む。
［ステップＳ１１１４］複数のＬ＋１番目のプロットデータがオペレータに提示され、そのうちの１つが、オペレータによって選択される。
［ステップＳ１１１６］選択されたＬ＋１番目のプロットデータ又は唯一のプロットデータに対する補正が、オペレータから受け取られる。
以上の処理を行うことによって、（選択され補正された）Ｌ＋１番目のプロットデータを取得することができる。
なお、以上の処理の過程で、補正をオペレータから受け取らない場合も許容される。
図９Ｂは、第２の学習済みモデルが、少なくとも、Ｌ＋１番目の制作データを出力するフローである。
［ステップＳ１１２２］推奨度が所定の値よりも高いＬ＋１番目の制作データが抽出される。なお、推奨度が所定の値よりも高いＬ＋１番目の制作データが無い場合には、推奨度が高いものから順に１個以上のＬ＋１番目の制作データを抽出してもよい。
［ステップＳ１１２３］抽出された制作データが１つかがチェックされる。このチェックが肯定的（Ｙｅｓ）であれば、処理はステップＳ１１２６に進む。このチェックが否定的（Ｎｏ）であれば、処理はステップＳ１１２４に進む。
［ステップＳ１１２４］複数のＬ＋１番目の制作データがオペレータに提示され、そのうちの１つが、オペレータによって選択される。
［ステップＳ１１２６］選択されたＬ＋１番目の制作データ又は唯一の制作データに対する補正が、オペレータから受け取られる。
以上の処理を行うことによって、（選択され補正された）Ｌ＋１番目の制作データを取得することができる。
なお、以上の処理の過程で、補正をオペレータから受け取らない場合も許容される。

図１０Ａ及び図１０Ｂは、実施形態３の処理フローの一部を示している。以下、これらのステップについて説明する。
図１０Ａは、第１の学習済みモデルが、少なくとも、Ｌ＋１番目のプロットデータを出力するフローである。
［ステップＳ１１５２］推奨度が高い方から所定の個数のＬ＋１番目のプロットデータが、オペレータに提示される。
［ステップＳ１１５４］複数のＬ＋１番目のプロットデータのうちの１つが、オペレータによって選択される。なお、上記の所定の個数が１の場合には、１つのプロットデータが提示されるので、このステップは実行されなくてよい。
［ステップＳ１１５６］選択されたＬ＋１番目のプロットデータに対する補正が、オペレータから受け取られる。
以上の処理を行うことによって、（選択され補正された）Ｌ＋１番目のプロットデータを取得することができる。
なお、以上の処理の過程で、補正をオペレータから受け取らない場合も許容される。
図１０Ｂは、第２の学習済みモデルが、少なくとも、Ｌ＋１番目の制作データを出力するフローである。
［ステップＳ１１６２］推奨度が高い方から所定の個数のＬ＋１番目の制作データが、オペレータに提示される。
［ステップＳ１１６４］複数のＬ＋１番目の制作データのうちの１つが、オペレータによって選択される。なお、上記の所定の個数が１の場合には、１つの制作データが提示されるので、このステップは実行されなくてよい。
［ステップＳ１１６６］選択されたＬ＋１番目の制作データに対する補正が、オペレータから受け取られる。
以上の処理を行うことによって、（選択され補正された）Ｌ＋１番目の制作データを取得することができる。
なお、以上の処理の過程で、補正をオペレータから受け取らない場合も許容される。

＜実施形態４＞学習プロセスの例１
教師データとして、既存の作品をプロットポイントで区切られる複数個（Ｐ個とする）のプロットブロックに切り分けて、各プロットブロックのプロットデータと制作データを抽出したものを用意する。切り分けられた各プロットブロックから、プロットデータと制作データを人間が作成してもよい。或いは、大量の既存の作品データと、この作品データから人間が抽出したプロットデータ及び制作データと、を教師データとしてＡＩを学習させることで、「作品をプロットブロックに切り分けて、各プロットブロックのプロットデータと制作データを抽出する」ＡＩの学習済みモデルを予め構築しておき、利用することもできる。このようにして複数の既存の作品の各々について、一連のプロットブロックのプロットデータと制作データとを用意するとよい。

作品の特徴パラメータ及びキャラクタの属性については、教師データとする既存の作品から人間によって抽出されたものを用いることができる。或いは、複数の既存の作品とその作品から人間によって抽出された作品の特徴パラメータ及びキャラクタの属性とを教師データとして、作品から特徴パラメータ及びキャラクタの属性を抽出するように学習させたＡＩによって、作品の特徴パラメータ及びキャラクタの属性を抽出させるようにしてもよい。
図１１は、ＡＩの学習プロセスを示す図である。図１１Ａは、第１の学習済みモデルを構築する学習プロセス、図１１Ｂは、第２の学習済みモデルを構築する学習プロセスを示す。

図１１Ａでは、１つの作品のＱ番目のプロットデータ及びＱ番目の制作データから、Ｑ＋１番目のプロットデータに近いデータを出力するように教師データ１０３１を使って第１のＡＩに学習させて、第１の学習済みモデル１０３０を作成する第１のＡＩの学習プロセスを示している。１つの作品がＰ個のプロットブロックから構成される場合には、一連のＰ－１個の教師データを用いることができる。そして、複数の既存の作品を用いて、学習プロセスを繰り返すことにより、第１の学習済みモデル１０３０を構築することができる。
教師データに用いる作品は、テキストのみを含む作品に限られない。教師データに用いる作品は、絵、マンガ、映像、音声などの作品であってもよい。
ＡＩの学習プロセスで用いる教師データには、作品の特徴パラメータ及び／又は作品に含まれるキャラクタの属性を含ませることができる。

図１１Ｂは、１つの作品のＱ＋１番目のプロットデータ及びＱ番目の制作データから、Ｑ＋１番目の制作データに近いデータを出力するように教師データ２０３１を使って第２のＡＩに学習させて、第２の学習済みモデル２０３０を作成する第２のＡＩ学習プロセスを示している。
学習のさせ方は、図１１Ａと同様であるので、説明を省略する。

前述のように、Ｌ＝１のフェーズにおいてオペレータが独自に創作したプロットデータのみを用い、制作データはブランクデータとする実施形態が可能である。このような実施形態のＡＩの学習方法について述べる。

既存の作品から作成した教師データのＰ個のプロットデータを、先頭から順に１番目からＰ番目のプロットデータとする。同様に、Ｐ個の制作データを、先頭から順に１番目からＰ番目の制作データとする。

この教師データに、以下のように０番目のデータを追加する。０番目のプロットデータは、１番目のプロットデータと同一の内容とする。０番目の制作データは、ブランクデータとする。
この追加により、第１のＡＩの教師データには、次のようなデータが含まれる。

入力（プロットデータ）: ０番目のプロットデータ（即ち１番目のプロットデータ）
入力（制作データ）: ０番目の制作データ（即ちブランクデータ）
出力（プロットデータ）: １番目のプロットデータ

このような教師データを使って学習させることにより、第１のＡＩは、「入力された制作データがブランクデータであれば、入力されたプロットデータとほぼ同じ内容のプロットデータを出力する」ように学習する。

また、上記のように０番目のデータを追加することにより、第２のＡＩの教師データには、次のようなデータが含まれる。
入力（プロットデータ）: １番目のプロットデータ
入力（制作データ）: ０番目の制作データ（即ちブランクデータ）
出力（制作データ）: １番目の制作データ

このような教師データを使って学習させることにより、第２のＡＩは、「入力された制作データがブランクデータであっても、入力されたプロットデータに合った適切な制作データを出力する」ように学習する。

なお、図１１Ａ及び図１１Ｂの第１のＡＩ学習プロセス及び第２のＡＩ学習プロセスとして、当業者に周知のＧＡＮ（Generative Adversarial Network）（敵対的生成ネットワーク）を用いてもよい。

＜実施形態５＞学習プロセスの例２
図１２Ａは、ＧＡＮを用い、第１の学習済みモデルから推奨度もまた出力させるようにするＡＩの学習プロセスの例を示す。図１２Ｂは、ＧＡＮを用い、第２の学習済みモデルから推奨度もまた出力させるようにするＡＩの学習プロセスの例を示す。
図１２Ａを用いて、第１の学習済みモデルから推奨度もまた出力させるようにするＡＩの学習プロセスを以下に説明する。

ＧＡＮによる学習では、ジェネレータ１０４３とディスクリミネータ１０４４の二つのＡＩを交互に学習させる。加えて、このＡＩ学習プロセスによって学習した学習済みモデルから、異なる複数のＬ＋１番目のプロットデータと、これに対応する複数の推奨度が得られるように、モデルの入力に乱数を加える。以下に学習プロセスの例を具体的に説明する。

（Ａ１）ディスクリミネータ１０４４の学習
教師データとして、本物のデータと偽物のデータを用意する。本物のデータとは、人間が作成した作品から抽出した、Ｑ番目のプロットデータ、Ｑ番目の制作データ、及びＱ＋１番目のプロットデータである。

一方、偽物のデータとは、ジェネレータ１０４３から出力されたＱ＋１番目のプロットデータと、その出力を得る処理において入力されたＱ番目のプロットデータと、Ｑ番目の制作データとである。ジェネレータ１０４３に入力されるＱ番目のプロットデータは、１つ前のフェーズでジェネレータ１０４３が出力したものをそのまま用いても良いし、オペレータによる補正を想定した加工が施されたものであっても良い。また、ジェネレータ１０４３に入力されるＱ番目の制作データは、１つ前のフェーズで制作データを生成したＡＩが出力したものをそのまま用いても良いし、オペレータによる補正を想定した加工が施されたものであっても良い。

ディスクリミネータ１０４４に本物のデータが入力された際には出力の真贋度１ａの値が真（例えば、１．０）に近づくように、また偽物のデータが入力された際には出力の真贋度１ａの値が偽（例えば、０．０）に近づくように、ディスクリミネータ１０４４を学習させる。

（Ａ２）ジェネレータ１０４３の学習
ジェネレータ１０４３から出力されたＱ＋１番目のプロットデータと、その出力を得る処理においてジェネレータ１０４３に入力されたＱ番目のプロットデータと、Ｑ番目の制作データとを、ディスクリミネータ１０４４に入力し、ディスクリミネータ１０４４から出力される真贋度１ａの値が真（例えば、１．０）に近づくように、ジェネレータ１０４３を学習させる。同時に、ジェネレータ１０４３から出力される推奨度１ｂの値がディスクリミネータ１０４４から出力される真贋度１ａの値に近づくように、即ち推奨度と真贋度の差が０に近づくように、ジェネレータ１０４３を学習させる。

なお、Ｑ番目のプロットデータは、１つ前のフェーズでジェネレータ１０４３が出力したものをそのまま用いても良いし、オペレータによる補正を想定した加工が施されたものであっても良い。ただし、ジェネレータ１０４３に入力されるＱ番目のプロットデータと、ディスクリミネータ１０４４に入力されるＱ番目のプロットデータは、同一のものとする。

また、Ｑ番目の制作データは、１つ前のフェーズで制作データを生成したＡＩが出力したものをそのまま用いても良いし、オペレータによる補正を想定した加工が施されたものであっても良い。ただし、ジェネレータ１０４３に入力されるＱ番目の制作データと、ディスクリミネータ１０４４に入力されるＱ番目の制作データは、同一のものとする。
以上のように学習させることによって、ジェネレータ１０４３が第１の学習済みモデルとなる。

図１２Ｂは、第２の学習済みモデルから推奨度もまた出力させるようにするＡＩの学習プロセスを示している。
第２の学習済みモデルの学習プロセスは、図１２Ａと比較すると、入力がＱ番目ではなくＱ＋１番目のプロットデータである点と、出力がプロットデータではなく制作データである点と、で相違している。したがって、上記の相違点以外は、図１２Ａにおいて説明した学習プロセスと同様の学習プロセスをジェネレータ２０４３及びディスクリミネータ２０４４に同様に適用することができるため、説明を省略する。
この学習プロセスにより、「ディスクリミネータが真に近いと判断するような出力」の推奨度が高くなるように学習される。
学習済みモデルに入力する乱数の値を変えて、処理を複数回実行することにより、複数の出力と複数の出力の各々に対応する推奨度が得られる。
このようにして得られた推奨度をオペレータに提示することによって、オペレータは、既存の作品の傾向に近い、より自然なプロットの展開の選択肢を選択することができる。
以上の実施形態では、ジェネレータからプロットデータ又は制作データと推奨度が出力されるので、得られた学習済みモデルは実施形態３に用いるのに好適である。
一方、変形実施形態として、ジェネレータからプロットデータ又は制作データのみを出力し、推奨度を出力しない実施も可能である。その場合、ジェネレータの学習においては、ディスクリミネータからの出力が真（例えば、１．０）に近づくことのみを目標とする。この実施形態から得られた学習済みモデルは、実施形態２に用いるのに好適である。
また、更なる変形実施形態として、学習済みのジェネレータと学習済みのディスクリミネータとを合わせて、第１の学習済みモデル又は第２の学習済みモデルとして利用する実施形態も可能である。
以下、第１の学習済みモデルを例として説明する。この実施形態では、ジェネレータは推奨度を出力しない。学習済みのジェネレータと学習済みのディスクリミネータとを合わせたものを第１の学習済みモデルとする。第１の学習済みモデルへの入力は、学習済みのジェネレータに入力される。学習済みのジェネレータから出力されたプロットデータを、第１の学習済みモデルの出力とする。更に、このプロットデータを学習済みのディスクリミネータに入力して、出力された真贋度を推奨度とする。この実施形態は推奨度を得ることができるので、実施形態３に用いるのに好適である。

＜実施形態６＞学習プロセスの例３
図１３Ａは、ＧＡＮを用い、定められた個数のプロットデータと推奨度の対を出力する第１の学習済みモデルを得るための、学習プロセスの例を示す。図１３Ｂは、ＧＡＮを用い、定められた個数の制作データと推奨度の対を出力する第２の学習済みモデルを得るための、学習プロセスの例を示す。
図１３Ａは、定められた個数のプロットデータと推奨度の対を出力する第１の学習済みモデルを得るための、学習プロセスの例を示す。
ＧＡＮによる学習では、ジェネレータ１０５３とディスクリミネータ１０４４の二つのＡＩを交互に学習させる。

（Ｂ１）ディスクリミネータ１０４４の学習
学習データとして、本物のデータと偽物のデータを用意する。
本物のデータとは、人間が制作した作品から抽出された、Ｑ番目のプロットデータ、Ｑ＋１番目のプロットデータ及びＱ番目の制作データである。
一方、偽物のデータとは、ジェネレータ１０５３から出力されたＱ＋１番目のプロットデータと、その出力を得る処理においてジェネレータ１０５３に入力されたＱ番目のプロットデータと、Ｑ番目の制作データとである。ジェネレータ１０５３からは複数個のプロットデータが出力されるので、その中からランダムに選んだ１個を使用する。ジェネレータ１０５３に入力するＱ番目のプロットデータは、１つ前のフェーズでジェネレータ１０５３が出力したものをそのまま用いても良いし、オペレータによる補正を想定した加工が施されたものであっても良い。また、ジェネレータ１０５３に入力されるＱ番目の制作データは、１つ前のフェーズで制作データを生成したＡＩが出力したものをそのまま用いてもよいし、オペレータによる補正を想定した加工が施されたものであってもよい。

ディスクリミネータ１０５４に本物のデータが入力された際には出力の真贋度３ａの値が真（例えば、１．０）に近づくように、また偽物のデータが入力された際には出力の真贋度３ｂの値が偽（例えば、０．０）に近づくように、ディスクリミネータ１０５４を学習させる。

（Ｂ２）ジェネレータ１０５３の学習
ジェネレータ１０５３から出力されたＱ＋１番目のプロットデータと、その出力を得る処理においてジェネレータ１０５３に入力されたＱ番目のプロットデータと、Ｑ番目の制作データとを、ディスクリミネータ１０５４に入力し、ディスクリミネータ１０５４から出力される真贋度３ａの値が真（例えば、１．０）に近づくように、ジェネレータ１０５３を学習させる。同時に、ジェネレータ１０５３から出力される推奨度３ｂの値がディスクリミネータ１０５４から出力される真贋度３ａの値に近づくように、即ち推奨度と真贋度の差が０に近づくように、学習させる。ジェネレータ１０５３は複数個（Ｋ個）の「プロットデータと推奨度の対」を出力するので、その中からランダムに選んだ１対を使用する。
また、これと同時に、「ジェネレータ１０５３から出力されるＫ個のＱ＋１番目のプロットデータが互いに似た内容にならない」ように学習させることが望ましい。

なお、Ｑ番目のプロットデータは、１つ前のフェーズでジェネレータ１０５３が出力したものをそのまま用いても良いし、オペレータによる補正を想定した加工が施されたものであっても良い。ただし、ジェネレータ１０５３に入力されるＱ番目のプロットデータと、ディスクリミネータ１０５４に入力されるＱ番目のプロットデータは、同一のものとする。

また、Ｑ番目の制作データは、１つ前のフェーズで制作データを生成したＡＩが出力したものをそのまま用いても良いし、オペレータによる補正を想定した加工が施されたものであっても良い。ただし、ジェネレータ１０５３に入力されるＱ番目の制作データと、ディスクリミネータ１０５４に入力されるＱ番目の制作データは、同一のものとする。
以上のように学習させることによって、ジェネレータ１０５３が第１の学習済みモデルとなる。

図１３Ｂは、定められた個数の制作データと推奨度の対を出力する第２の学習済みモデルを得るための、学習プロセスの例を示す。
第２の学習済みモデルの学習プロセスは、図１３Ａと比較すると、入力がＱ番目ではなくＱ＋１番目のプロットデータである点と、出力がプロットデータではなく制作データである点と、で相違している。したがって、上記の相違点以外は、図１３Ａにおいて説明した学習プロセスと同様の学習プロセスをジェネレータ２０５３及びディスクリミネータ２０５４に同様に適用することができるため、説明を省略する。
この学習プロセスにより、「ディスクリミネータが真に近いと判断するような出力」の推奨度が高くなるように学習される。
このようにして得られた推奨度をオペレータに提示することによって、オペレータは、既存の作品の傾向に近い、より自然なプロットの展開の選択肢を選択することができる。
以上の実施形態では、ジェネレータからプロットデータ又は制作データと推奨度が出力されるので、得られた学習済みモデルは実施形態３に用いるのに好適である。
一方、変形実施形態として、ジェネレータからプロットデータ又は制作データのみを出力し、推奨度を出力しない実施も可能である。その場合、ジェネレータの学習においては、ディスクリミネータからの出力が真（例えば、１．０）に近づくことのみを目標とする。この実施形態から得られた学習済みモデルは、実施形態２に用いるのに好適である。
また、更なる変形実施形態として、学習済みのジェネレータと学習済みのディスクリミネータとを合わせて、第１の学習済みモデル又は第２の学習済みモデルとして利用する実施形態も可能である。
以下、第１の学習済みモデルを例として説明する。この実施形態では、ジェネレータは推奨度を出力しない。学習済みのジェネレータと学習済みのディスクリミネータとを合わせたものを第１の学習済みモデルとする。第１の学習済みモデルへの入力は、学習済みのジェネレータに入力される。学習済みのジェネレータから出力されたプロットデータを、第１の学習済みモデルの出力とする。更に、このプロットデータを学習済みのディスクリミネータに入力して、出力された真贋度を推奨度とする。この実施形態は推奨度を得ることができるので、実施形態３に用いるのに好適である。

＜用いるＡＩ＞
以上の各実施形態では、作品のストーリ展開における因果関係を考慮することが重要となる。すなわち、あるプロットブロックと次のプロットブロックとのストーリの連続性が、なるべく担保されるように実施形態を構築することが重要である。
上記の様なニーズに親和性があるＡＩの例としては、当業者に周知のＲＮＮ（Recurrent Neural Network）が挙げられる。

図１４Ａは、ＲＮＮのブロック図を示す。図１４Ｂは、図１４Ａを展開した図であり、ＲＮＮが、過去から現在に至るまでの一連の入力の影響を将来のＲＮＮに伝えてゆく仕組みを模式的に示した図である。すなわち、図１４Ａと図１４Ｂは同義の図である。

図１４Ａにおいて、時刻ｔにおける入力Ｘｔが、ＲＮＮであるＡ９３０に入力され、時刻ｔにおいてＹｔを出力することを示している。時刻ｔは本発明のフェーズのカウンタＬに相当する。矢印９２０は、隠れ状態のデータ（hidden state data）と呼ばれ、過去から現在に至るまでの一連の入力の影響を将来のＲＮＮに与えるようにすることができるデータである。

図１４Ｂは、時刻１におけるＡ９３１の入力がＸ１で出力がＹ１であり、入力Ｘ１の影響が、時刻２におけるＡ９３２に矢印９２１によって伝えられることを示している。時刻２におけるＡ９３２の入力はＸ２であり出力はＹ２である。出力Ｙ２は、入力Ｘ２の影響だけでなく、矢印９２１を経由して入力Ｘ１の影響も受けることができる。時刻２に至るまでの入力Ｘ１およびＸ２の影響は、矢印９２２によって、時刻３のＡ９３３に伝えられる。時刻３の入力はＸ３で出力はＹ３である。出力Ｙ３は、入力Ｘ３の影響だけでなく、矢印９２２を経由して入力Ｘ１及び入力Ｘ２の影響も受けることができる。時刻３に至るまでの入力Ｘ１、Ｘ２およびＸ３の影響は、矢印９２３により、さらに将来のＲＮＮに伝えられていく。

このような性質を持つＡＩであるＲＮＮを用いると、それぞれの実施形態において、各フェーズで出力されるプロットデータ及び制作データが、それ以前のフェーズで入力された一連のプロットデータ及び制作データの影響を受けるので、より自然なストーリ展開を持つ制作データで構成される作品が得られやすくなる。
したがって、このようなＲＮＮを各実施形態に用いることは、より自然でより望ましい作品を得ることにつながる。
ＲＮＮの異なる使い方として、以下のような実施形態も可能である。
第１の学習済みモデルがＲＮＮを内包して、例えば単語ごとに処理を行う構成であってもよい。この内包されるＲＮＮを図１４Ｂを使って説明すると、Ｘ１、Ｘ２、Ｘ３、・・・及びＹ１、Ｙ２、Ｙ３、・・・はそれぞれ１個の単語となる。Ｙ１、Ｙ２、Ｙ３、・・・を並べたものがプロットデータとなり、第１の学習済みモデルから出力される。
同様に、第２の学習済みモデルがＲＮＮを内包して、例えば単語ごとに処理を行う構成であってもよい。この内包されるＲＮＮを図１４Ｂを使って説明すると、Ｘ１、Ｘ２、Ｘ３、・・・及びＹ１、Ｙ２、Ｙ３、・・・はそれぞれ１個の単語となる。Ｙ１、Ｙ２、Ｙ３、・・・を並べたものが制作データとなり、第２の学習済みモデルから出力される。

＜ハードウエア構成＞
図１５は、各実施例を実現するためのコンピュータのハードウエア構成を示す。
ハードウエア構成は、ＣＰＵ５０１、本実施形態のプログラム及びデータが格納されるＲＯＭ５０２、ＲＡＭ５０３、ネットワークインターフェース５０５、入力インタフェース５０６、表示インタフェース５０７、外部メモリインタフェース５０８を有する。これらのハードウエアは、バス５０４によって相互に接続されている。

ネットワークインターフェース５０５は、ネットワーク５１５に接続されている。ネットワーク５１５には、有線ＬＡＮ、無線ＬＡＮ、インターネット、電話網などがある。入力インタフェース５０６には、入力部５１６が接続されている。表示インタフェース５０７には、表示部５１７が接続される。外部メモリインタフェース５０８には、記憶媒体５１８が接続される。記憶媒体５１８は、ＲＡＭ、ＲＯＭ、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、ハードディスク、メモリーカード、ＵＳＢメモリ等であってもよい。
上述の実施形態を実現するプログラム及び方法は、図１５に示されるハードウエア構成を備えるコンピュータにより実行され得る。

本明細書及び図面に開示された動作フローの各ステップは、矛盾の無い限り順番を入れ換えて実行されてもよい。また、複数のステップが同時に実行されてもよい。各ステップは、メモリに記憶されたプログラムを実行することにより実現されてもよい。また各ステップの一部は、オペレーティングシステム或いはハードウエアにより実現されてもよい。また、各ステップが全て実行される必要はなく、特定のステップの実行が省略されてもよい。また、１つのステップが複数回実行されてもよい。また、複数のステップが、繰り返し実行されてもよい。

プログラムは、非一時的（non-transitory）な記憶媒体に格納され得る。非一時的なメモリとしては、ＲＡＭ，ＲＯＭ、ＵＳＢメモリ、ＤＶＤなどが挙げられるが、これらに限定されるものではない。
また、各実施形態は、ハードウエアの装置としてインプリメントされ得る。
また、各実施形態は排他的なものではなく、矛盾の無い限り組み合わせることができる。

すなわち、請求項に記載された方法又はプログラムの順序とは異なる順序で実行される技術、或いは一部の処理が同時に実行される技術も、当該請求項に規定された発明の技術的範囲に属することは言うまでもない。

１０００ モデル
１００２ 補正ブロック
１０１０ モデル
１０１２ 補正／選択ブロック
１０２０ モデル
１０２１ ゲート
１０２２ 補正／選択ブロック
１０３０ モデル
１０３１ 教師データ
１０４３ ジェネレータ
１０４４ ディスクリミネータ
１０５３ ジェネレータ
１０５４ ディスクリミネータ
２０００ モデル
２００２ 補正ブロック
２０１０ モデル
２０１２ 補正／選択ブロック
２０２０ モデル
２０２１ ゲート
２０２２ 補正／選択ブロック
２０３０ モデル
２０３１ 教師データ
２０４３ ジェネレータ
２０４４ ディスクリミネータ
２０５３ ジェネレータ
２０５４ ディスクリミネータ

Claims (18)

1. 作品を作成し及び／又は編集する方法であって、
   当該方法は、
   第１の学習済みモデルが、少なくとも、Ｌ番目の制作データに基づく第１のデータと、Ｌ番目のプロットデータに基づくデータと、を取得する、第１の取得するステップと、
   前記第１の学習済みモデルが、少なくとも、Ｌ＋１番目のプロットデータを出力する、第１の出力するステップと、
   第２の学習済みモデルが、少なくとも、前記Ｌ番目の制作データに基づく第２のデータと、前記Ｌ＋１番目のプロットデータに基づくデータと、を取得する、第２の取得するステップと、
   前記第２の学習済みモデルが少なくとも、Ｌ＋１番目の制作データを出力する、第２の出力するステップと、
   を含むＬ番目のフェーズを有し、
   前記Ｌ番目のフェーズは、
   オペレータによる補正を前記オペレータから受け取ることができるステップをさらに有し、
   前記Ｌ番目の制作データに基づく第１のデータ、前記Ｌ番目のプロットデータに基づくデータ、前記Ｌ番目の制作データに基づく第２のデータ、及び前記Ｌ＋１番目のプロットデータに基づくデータ、のうちの少なくとも１つのデータは、前記オペレータによる前記補正を含むことができるデータであり、
   当該方法は、コンピュータが、前記Ｌ番目のフェーズの前記Ｌ＋１番目のプロットデータと、前記Ｌ＋１番目の制作データとが、ＬがインクリメントされたフェーズであるＬ＋１番目のフェーズに用いられるようにして、Ｌが１からＮとなるまで前記フェーズを順に繰り返し実行することで、一連のＮ＋１個の前記制作データに基づくデータを持つ作品を作成し及び／又は編集する方法であって、
   前記第１の学習済みモデルは、少なくとも、既存の作品に基づくＰ個の連続した学習用制作データと、前記Ｐ個の連続した学習用制作データの各々に対応するＰ個の連続した学習用プロットデータと、を教師データとして、少なくとも、Ｑ番目（１≦Ｑ＜Ｐ）の前記学習用制作データと、Ｑ番目の前記学習用プロットデータと、が入力された際に、Ｑ＋１番目の前記学習用プロットデータに近いデータが出力されるように、第１の機械学習処理が施され、
   前記第２の学習済みモデルは、少なくとも、前記Ｑ番目の学習用制作データと、前記Ｑ＋１番目の学習用プロットデータと、が入力された際に、Ｑ＋１番目の学習用制作データに近いデータが出力されるように、第２の機械学習処理が施された、
   作品を作成し及び／又は編集する方法。
2. 前記第１の学習済みモデル及び前記第２の学習済みモデルの少なくとも一方は、更に既存の作品に基づく特徴パラメータが教師データとして入力されることで、前記第１の機械学習処理及び／又は前記第２の機械学習処理が施され、
   前記特徴パラメータを教師データとする前記第１の機械学習処理が施された前記第１の学習済みモデルの前記第１の取得するステップ及び／又は前記特徴パラメータを教師データとする前記第２の機械学習処理が施された前記第２の学習済みモデルの前記第２の取得するステップは、少なくとも１回はオペレータから特徴パラメータを更に取得する、
   請求項１に記載の作品を作成し及び／又は編集する方法。
3. 前記第１の学習済みモデル及び前記第２の学習済みモデルの少なくとも一方は、更に既存の作品に基づくキャラクタの属性が教師データとして入力されることで、前記第１の機械学習処理及び／又は前記第２の機械学習処理が施され、
   前記キャラクタの属性を教師データとする前記第１の機械学習処理が施された前記第１の学習済みモデルの前記第１の取得するステップ及び／又は前記キャラクタの属性を教師データとする前記第２の機械学習処理が施された前記第２の学習済みモデルの前記第２の取得するステップは、少なくとも１回はオペレータからキャラクタの属性を更に取得する、
   請求項１又は２に記載の作品を作成し及び／又は編集する方法。
4. 前記第１の出力するステップは、複数のＬ＋１番目のプロットデータを出力する、
   請求項１ないし３のうちいずれか１項に記載の作品を作成し及び／又は編集する方法。
5. 前記第１の出力するステップは、前記複数のＬ＋１番目のプロットデータのそれぞれに対応する推奨度をさらに出力する、
   請求項４に記載の作品を作成し及び／又は編集する方法。
6. 前記Ｌ番目のフェーズは、
   前記第１の出力するステップが出力した前記複数のＬ＋１番目のプロットデータのうちの１つを、オペレータに選択させることができるステップをさらに有し、
   前記Ｌ番目のフェーズの前記第２の取得するステップ及び前記Ｌ＋１番目のフェーズの前記第１の取得するステップは、前記選択されたＬ＋１番目のプロットデータに基づくデータを取得することができる、
   請求項４又は５に記載の作品を作成し及び／又は編集する方法。
7. 前記第１の出力するステップが出力した前記複数のＬ＋１番目のプロットデータのうちの１つを、オペレータに選択させることができるステップは、
   前記複数のＬ＋１番目のプロットデータのうち対応する推奨度が高いほうから所定の個数のＬ＋１番目のプロットデータを、オペレータに選択させるようにオペレータに提示するステップを含む、
   請求項６に記載の作品を作成し及び／又は編集する方法。
8. 前記第１の出力するステップが出力した前記複数のＬ＋１番目のプロットデータのうちの１つを、オペレータに選択させることができるステップは、
   前記複数のＬ＋１番目のプロットデータのうち、対応する推奨度が所定の値よりも高いＬ＋１番目のプロットデータの個数が複数である場合は、前記対応する推奨度が所定の値よりも高いプロットデータを、オペレータに選択させるようにオペレータに提示するステップを含む、
   請求項６に記載の作品を作成し及び／又は編集する方法。
9. 前記第２の出力するステップは、複数のＬ＋１番目の制作データを出力する、
   請求項１ないし８のうちいずれか１項に記載の作品を作成し及び／又は編集する方法。
10. 前記第２の出力するステップは、前記複数のＬ＋１番目の制作データのそれぞれに対応する推奨度をさらに出力する、
    請求項９に記載の作品を作成し及び／又は編集する方法。
11. 前記Ｌ番目のフェーズは、
    前記第２の出力するステップが出力した前記複数のＬ＋１番目の制作データのうちの１つを、オペレータに選択させることができるステップを、さらに有し、
    前記Ｌ＋１番目のフェーズにおいて、
    前記第１の取得するステップが取得するＬ＋１番目の制作データに基づく第１のデータは、前記選択されたＬ＋１番目の制作データが用いられ、かつ、前記第２の取得するステップが取得するＬ＋１番目の制作データに基づく第２のデータは、前記選択されたＬ＋１番目の制作データが用いられる、
    請求項９又は１０に記載の作品を作成し及び／又は編集する方法。
12. 前記第２の出力するステップが出力した前記複数のＬ＋１番目の制作データのうちの１つを、オペレータに選択させることができるステップは、
    前記複数のＬ＋１番目の制作データのうち、対応する推奨度が高いほうから所定の個数のＬ＋１番目の制作データを、オペレータに選択させるようにオペレータに提示するステップを含む、
    請求項１１に記載の作品を作成し及び／又は編集する方法。
13. 前記第２の出力するステップが出力した前記複数のＬ＋１番目の制作データのうちの１つを、オペレータに選択させることができるステップは、
    前記複数のＬ＋１番目の制作データのうち、対応する推奨度が所定の値よりも高いＬ＋１番目の制作データの個数が複数である場合は、前記対応する推奨度が所定の値よりも高い制作データを、オペレータに選択させるようにオペレータに提示するステップを含む、
    請求項１１に記載の作品を作成し及び／又は編集する方法。
14. 前記特徴パラメータは、
    作品のストーリ展開の特徴、作品の時代、作品の表現の作風、作品の対象とする読者の年齢、作品の対象とする読者の性別、及び作品のジャンルのうちの少なくともいずれかの観点における指標を含む、
    請求項２に記載の作品を作成し及び／又は編集する方法。
15. 前記キャラクタの属性は、
    性別、服装、性格、年齢、体格、機敏性、及び特技のうちの少なくともいずれかの観点における指標を含む、
    請求項３に記載の作品を作成し及び／又は編集する方法。
16. 前記Ｌ番目のフェーズの前記第１の出力するステップにおいて、前記第１の学習済みモデルがＬ＋１番目の第１の状態データをさらに出力し、
    前記Ｌ＋１番目のフェーズの前記第１の取得するステップにおいて、前記第１の学習済みモデルが前記Ｌ＋１番目の第１の状態データをさらに取得する、請求項１ないし１５のうちいずれか１項に記載の作品を作成し及び／又は編集する方法。
17. 前記Ｌ番目のフェーズの前記第２の出力するステップにおいて、前記第２の学習済みモデルがＬ＋１番目の第２の状態データをさらに出力し、
    前記Ｌ＋１番目のフェーズの前記第２の取得するステップにおいて、前記第２の学習済みモデルが前記Ｌ＋１番目の第２の状態データをさらに取得する、
    請求項１ないし１６のうちいずれか１項に記載の作品を作成し及び／又は編集する方法。
18. 請求項１ないし１７のうちいずれか１項に記載の方法をコンピュータに実行させるプログラム。
    

Images