2分の自撮りで喋る分身：HeyGen、年商300億円の代償

1. 2分の動画が変えた世界：テイラー・スウィフトが北京語を話した日

2023年秋、世界のソーシャルメディアを1本の短い動画が揺るがしました。アメリカの歌姫テイラー・スウィフトが、まるで北京で生まれ育ったかのように流暢で自然な北京語でインタビューに答えていたのです。

声のトーンやかすかな息遣い、笑うときのイントネーションまでもが本人の声そのものであり、さらに驚くべきは「口元の筋肉の動き（リップシンク）」でした。英語の発音に合わせた口の動きではなく、発声している北京語の母音・子音の形状にミリ秒単位で完全に同期していたのです。

この映像を背後で生み出したのが、生成AI動画スタートアップ「HeyGen（ヘイジェン）」でした。

従来の映像制作業界において、動画を異なる言語へローカライズする作業は莫大な資金と時間を要する専門職の領域でした。翻訳者、プロの声優、録音エンジニア、そして口元の動きを手作業で修正するCGアニメーターを動員し、1本の動画を吹き替えるだけで数十万円から数百万円のコストと数週間の納期がかかるのが常識だったのです。

HeyGenはその常識を完全に破壊しました。ユーザーがスマートフォンで撮影したわずか2分程度の自撮り動画をアップロードするだけで、AIが顔の骨格、表情筋の伸縮特性、そして声紋の特徴を瞬時に学習。世界40以上の言語で、本人そっくりの声と自然な口の動きで話す「高精度の分身（デジタルツイン）」をわずか数分で生成できるようにしたのです。

この直感的な体験は、英Synthesiaなどの先行する法人向けAIアバター勢を凌駕し、グローバル展開を急ぐ世界中の企業を瞬く間に熱狂させました。マクドナルド、ボルボ、アマゾン、セールスフォースといったフォーチュン500企業が、多言語での社員研修やマーケティング素材の制作ツールとしてHeyGenを雪崩を打って導入していったのです。

その結果、快手の「可霊（Kling AI）」や生数科技の「Vidu」がしのぎを削る動画生成AI領域において、同社のARR（年間経常収益）は常軌を逸したスピードで垂直立ち上がりを見せました。2023年4月に100万ドル（約1億5000万円）だったARRは、同年11月には1000万ドル（約15億円）を突破。2024年半ばに3500万ドル、2025年末に1億ドルを超え、2026年半ばにはついに「ARR 2億ドル（約310億円）」という驚異の金字塔を打ち立てました。

しかも、外部資金を湯水のように燃やし尽くす赤字垂れ流しのAIスタートアップが大半を占める中、HeyGenは調達した7400万ドル以上の資金のうちわずか約2500万ドルしか消費せず、創業初期からほぼキャッシュフロー黒字化（フリーキャッシュフロー・ブレークイーブン）を維持し続けるという異例の資本効率を達成していました。

しかし、この華々しい成功ストーリーの裏側には、中国発の起業家がグローバル覇権を握るために払わねばならなかった「極めて冷酷な代償」と、激動の地政学リスク、そして基盤モデル巨頭との死闘が潜んでいました。

---

2. スナップチャットから深センの挫折へ：受託開発の泥沼とピボット

HeyGenの創業者兼CEOである徐卓（Joshua Xu）の原点は、米西海岸のテックカルチャーにあります。同済大学とカーネギーメロン大学（CMU）でコンピューターサイエンスを修めた彼は、米国の写真・動画共有大手スナップチャット（Snapchat）に初期エンジニアとして入社しました。

スナップチャットでの6年間、徐卓はカメラAI、広告アルゴリズム、リアルタイム画像処理基盤の開発を最前線で指揮しました。「ビジュアルコミュニケーションが文字や音声に取って代わる未来」を肌身で実感していた彼は、2020年11月、自らの手で映像革命を起こすべく退職し、中国・深圳で「詩雲科技（Surreal）」を共同創業しました。

しかし、創業当初の道のりは屈辱と苦悩の連続でした。

当初の詩雲科技が手掛けていたのは、中国国内の広告代理店やゲーム会社向けのCG動画レンダリング請負業務でした。顧客からは過剰な修正要求を突きつけられ、価格競争でマージンを削られ、開発チームは疲弊。創業から1年半以上が経過しても、経常収益はほとんど立ち上がらず、手元資金が急速に底をつきかけていました。

「このまま国内のクライアントワークを続けていては、ただの下請けソフトハウスとして死んでいく」

危機感を募らせた徐卓は、共同創業者の梁漢偉（Wayne Liang、元ByteDanceおよび音楽SNSアプリSmuleのプロダクトデザイナー）とともに、大胆な決断を下しました。受託開発の案件をすべて打ち切り、ターゲットを中国国内から「全世界のクリエイターとビジネスユーザー」へと180度転換したのです。

彼らが着目したのは、当時登場し始めていた深層学習による画像・音声生成技術でした。「カメラの前に立って緊張しながら何テイクも撮り直す苦痛」を世界中の誰もが抱えている。テキストを打ち込むだけで、自分そっくりのアバターが完璧にプレゼンテーションを行ってくれるツールがあれば、動画制作のハードルは一気にゼロになるはずだ。

こうして2022年夏、ブラウザ上で完結するセルフサーブ型AI動画生成SaaS「HeyGen」が誕生しました。

---

3. 「母国法人の清算」という断腸の決断：グローバル資本が突きつけた条件

HeyGenが世界中で爆発的なユーザー拡大を遂げ、ARRが急上昇するにつれ、チームの前に巨大な「見えない壁」が立ちはだかりました。米中間のハイテク摩擦と、データセキュリティをめぐる地政学的分断です。

HeyGenが扱うアバター技術は、ユーザーの顔の立体データ、生体特徴、そして声紋という最も機微な個人データ（バイオメトリクス情報）を大量に処理します。アメリカのフォーチュン500企業や政府系機関、欧州の大企業に導入を広げる上で、「中国に開発拠点や法人があるのではないか」「データが中国国内のサーバーを経由しているのではないか」という疑念は、ビジネスの命取りになりかねない致命的なアキレス腱でした。

さらに、シリコンバレーのトップティアVCから大型の成長資金を調達し、将来的な米ナスダック上場を目指すためには、対米外国投資委員会（CFIUS）の規制や米国の輸出管理規制を完全にクリアする必要がありました。

2023年末から2024年にかけて、徐卓は極めて重い経営判断を下しました。創業の地である深圳の法人「深圳詩雲科技」を完全に清算・登記抹消し、本社機能を米カリフォルニア州ロサンゼルスへ一本化。さらに、創業初期に出資してくれた红杉中国（Sequoia China）や真格基金（ZhenFund）などの中国系VCの株式を、米国の投資家や海外ファンドが買い取る形で資本構成を徹底的に組み替えたのです。

この徹底した「脱・中国化（Clean Break）」とガバナンスの透明化が奏功し、2024年6月、シリコンバレーで最も厳格な投資規律を持つことで知られる名門VCベンチマーク（Benchmark）が主導する6000万ドルのシリーズAラウンドを、評価額5億ドルで完了させました。ベンチマークのゼネラルパートナーであるビクトル・ラザルテ（Victor Lazarte）が取締役に就任し、HeyGenは名実ともに米国籍のAIユニコーンとして生まれ変わったのです。

しかし、これは中国国内の創業仲間や初期の支援者との法的な繋がりを断ち切ることを意味し、多くの出海（グローバル展開）スタートアップにとっても前例のないほど身を切るような「切断の代償」でした。

---

4. なぜ基盤モデル巨頭に呑まれないのか：SaaSとしての防壁と収益性

生成AI業界において、投資家やアナリストが最も頻繁に投げかける疑問があります。「OpenAIがSoraを発表し、GoogleがVeoを投入し、Runwayや快手（Kling）が超高画質動画モデルを進化させる中で、アプリケーション層に位置するHeyGenのような企業はコモディティ化して淘汰されるのではないか？」という懸念です。

いわゆる「ラッパー（Wrapper）企業への疑問」に対し、HeyGenは驚異的な業績と独自の事業構造で明確な答えを出しています。

比較項目	HeyGen（ヘイジェン）	Synthesia（シンセシア）	基盤モデル巨頭（OpenAI / Sora等）
主要ターゲット	企業のマーケティング・営業・多言語発信	企業研修・社内マニュアル動画	クリエイティブ制作・映画・エンタメ映像
アバター生成手法	2分の自撮り動画から即時クローン生成	スタジオ収録または専用機材での厳格生成	プロンプトからの完全架空キャラクター生成
リップシンク技術	音素解析に基づく微細な表情筋動的追従	プリセットされた口形状のブレンドシェイプ	拡散モデルによるフレーム間直接補間
主な課金モデル	月額SaaS＋エンタープライズAPI従量課金	年間シート契約（エンタープライズ中心）	トークン課金・コンシューマー向け定額制
セキュリティ認証	SOC 2 Type II、生体認証同意ゲートウェイ	SOC 2、GDPR準拠	汎用利用規約・著作権フィルタリング
最新ARR規模	2億ドル超（約310億円）	約1億ドル規模	モデル単体でのSaaS収益は非開示

HeyGenが基盤モデルの進化に飲み込まれず、むしろその進化を取り込んで成長を加速させている理由は、以下の3つの強固な防壁（堀）にあります。

① 「汎用動画」ではなく「アイデンティティ（個人の同一性）」への特化

OpenAIのSoraやRunwayが目指しているのは、「空飛ぶクジラ」や「サイバーパンクの街並み」といった、プロンプトから完全に架空の美しい世界を創り出す映画的な映像生成です。

一方、HeyGenが解決しているのは、「私という人間が、世界中の顧客に向かって正確にプレゼンテーションを行いたい」という、極めて現実的で実用的なビジネスニーズです。架空のAIキャラクターではなく、実在する営業部長やCEO、講師の「顔・声・人格の同一性」を破綻なく保持し、40カ国語で喋らせる技術は、単なる拡散モデルの画像生成とは全く異なる専門的なエンジニアリングとモデルチューニングを必要とします。

② 企業の基幹システムと深く結合したワークフロー

動画を作る作業は、映像を出力して終わりではありません。HeyGenはSalesforce、HubSpot、Canva、Zendeskなどの主要なエンタープライズツールとAPIで直接連携しています。

例えば、見込み客がウェブサイトで資料請求を行った瞬間に、その顧客の企業名と担当者名を呼びかけるパーソナライズされた動画メールが自動生成されて数秒後に送信されるといった、営業プロセスの自動化システム（CRMパイプライン）の中に深く組み込まれているのです。一度この自動化パイプラインを構築した企業は、動画モデルが多少進化したからといって、HeyGenを簡単に解約することはできません。

③ 徹底した資本効率と高い粗利率

HeyGenは自社ですべての超巨大基盤モデルをゼロから事前学習しているわけではありません。オープンソースの優れた音声認識・翻訳モデルや、自社開発した軽量な顔面ランドマーク追従モデル、商用APIを巧みに組み合わせ、最も推論コスト（インフラ費用）が低くなるようにパイプラインを最適化しています。

この結果、同社の売上総利益率（グロスマージン）は70%以上という高い水準を維持しており、調達資金の大半を残したままARR2億ドルを達成するという、シリコンバレーでも屈指のキャッシュ創出力を持つに至ったのです。

---

5. ディープフェイクの影と「なりすまし」の攻防：倫理的防衛のランニングコスト

しかし、高品質なアバターと声紋の複製が誰でも数分で作成できるという利便性は、表裏一体として「史上最も危険な悪用のリスク」を常に孕んでいます。

HeyGenが急成長する過程で、同社の技術を悪用しようとするサイバー犯罪者や詐欺グループとの間で、壮絶な技術的いたちごっこが繰り広げられてきました。実在する企業のCEOのアバターを勝手に作成し、財務担当者に偽の送金を指示する動画を送りつける「ディープフェイクCEO詐欺」や、政治家の偽演説動画の作成、著名人の肖像権を侵害した無断広告への利用などが世界的な社会問題となったのです。

これらのスキャンダルは、一度でも起こればプラットフォームの存続を根底から揺るがしかねない破滅的なリスクとなります。

この安全性を維持するため、HeyGenは売上高の相当な割合と膨大なエンジニアリングリソースを「セキュリティとトラスト＆セーフティ（Trust & Safety）」へ投じざるを得なくなっています。

現在、HeyGenで自身のアバターを作成するためには、単に動画をアップロードするだけでは不十分です。「動的ビデオ同意（Dynamic Video Consent）」と呼ばれる厳格な認証プロセスが課されます。システムがその場でランダムに提示した英文スクリプトを、カメラの前で本人が読み上げる映像を撮影させ、音声認識と生体検知（Liveness Detection）を組み合わせて「本人が自らの意思でアバター化を承諾していること」をリアルタイムで検証する仕組みです。

さらに、生成されたすべての動画には、コンテンツの出所と真正性を証明する国際標準規格「C2PA」に準拠した電子透かしが不可視の形で焼き込まれています。

こうした強固な防御壁の構築は、悪意あるユーザーを排除し、大企業顧客からの信頼を獲得する決定打となった一方で、気軽に使いたいライトな一般ユーザーに対する参入障壁となり、コンシューマー向けバイラルマーケティングの勢いを自ら抑制するというジレンマを同社にもたらしました。HeyGenは「誰もが自由に遊べるおもちゃ」であることを捨て、「厳格に管理されたエンタープライズ業務インフラ」へと舵を切ることを余儀なくされたのです。

---

6. 言語の壁が溶ける時代の企業コミュニケーションと冷徹な現実

HeyGenの躍進が突きつけているのは、単に「動画制作が便利になった」というツールレベルの改善ではありません。それは、近代産業が数百年間にわたって前提としてきた「言語と国境という物理的摩擦」が、ソフトウェアによって完全に無力化されるという不可逆な現実です。

かつて、日本の製造業やゲーム会社、家電メーカーが海外へ製品を輸出する際、最大のボトルネックは常に「言語のローカライズ」と「現地サポート体制の構築」でした。海外市場ごとに現地法人を立ち上げ、バイリンガルの営業パーソンを雇い、何ヶ月もかけてマニュアルや研修ビデオを翻訳・吹き替える作業は、巨額の固定費を伴う重荷でした。

しかし今日、米国や中国の新興スタートアップは、HeyGenを活用してわずか数人のマーケティングチームで世界40カ国へ向けたローカライズ動画を毎日数千本単位で自動生成し、TikTok、YouTube、LinkedIn、そして個別メールを通じて世界中の潜在顧客へ直接リーチしています。

画面の中の創業者は、流暢な日本語、ドイツ語、アラビア語、スペイン語で、各国の商習慣に合わせた微妙な言い回しを使いながら、熱っぽく自社製品の魅力を語りかけてきます。相手が画面の向こうのアバターだと頭では分かっていても、人間の視覚と聴覚は、自分の母国語でアイコンタクトを交わしながら語りかけてくる「分身」に対して、無意識のうちに親近感と信頼を抱いてしまうのです。

この圧倒的な情報発信の速度と密度の差は、伝統的な手法に固執する企業との間に、修復不可能なほどの認知の格差を生み出しつつあります。

徐卓率いるHeyGenが証明したのは、卓越したAI技術そのものの価値だけではありません。自らの出自である中国の受託市場に甘んじることなく、地政学的分断の痛みを引き受けて母国法人を切り離し、シリコンバレーのルールに身を投じてまで「世界で使われるデファクトスタンダード」を掴み取った、冷徹なまでの生存本能です。

生成AIが人間の肉体と言語の制約を解き放つ時代。物理的な国境と言語の壁に守られてきたすべてのビジネスは今、画面越しに世界中から語りかけてくる「無数の精巧な分身たち」との容赦ない競争の渦中に放り込まれています。