English below.

「行かないと分からない」を、なくしていく

3Dモデル作成の自動化が持つ、社会的な意味

世の中には、実際に行かないと分からないものがたくさんあります。工場の設備、賃貸物件の広さ、観光地の雰囲気、市役所の窓口の並び方。行けば分かります。問題は、行けない人がいることです。遠い、時間がない、体が動かない、言葉が通じない。理由はさまざまですが、結果は同じです。その人はその情報にたどり着けません。

この隔たりを埋める方法は、以前から分かっていました。その場所を3Dで再現し、そこに案内役を置けばいい。分かっていて実現しなかったのは、3Dを用意するのが重かったからです。Threedive AI が2026年8月19日のv1.21.0で追加した「3Dモデル生成」機能は、この重さを崩す側の変化にあたります。

以下、なぜ急ぐ必要があるのか、なぜこれまでできなかったのか、そして何が変わったのかの順で書きます。

なぜ、いま急ぐのか

「現地に来てください」という案内は、案内する人と、出向ける人の両方がいて成り立ちます。日本では、その両側が同時に細っています。

説明する側から見ます。帝国データバンクの調査では、2026年7月時点で正社員の不足を感じている企業は51.3%。7月としては4年連続で半数を超えました。ただし数字は前年同月からわずかに改善しており、同社はその背景にDXなどによる生産性向上を挙げています。人の作業を仕組みに置き換える動きは、すでに始まっているということです。一方で間に合っていない部分もあり、人手不足倒産は2026年上半期に227件と、上半期として過去最多を更新しました。案内、説明、現地対応のように人が出向かないと成立しない業務は、後者に入りやすい部類です。

出向く側も見ます。総務省統計局の推計では、2025年9月15日現在の65歳以上人口は3,619万人、総人口に占める割合は29.4%で過去最高。人口4,000万人以上の38か国で最も高い水準です。

この割合は1985年に10%、2005年に20%を超え、同資料が引く国立社会保障・人口問題研究所の推計では2050年に37.1%に達します。ただし、高齢であることと移動が難しいことは同じではありません。同じ資料では、65歳以上人口は前年から5万人減り、就業者のおよそ7人に1人が65歳以上で過去最高です。移動の負担により近い指標を採るなら、75歳以上の2,124万人（総人口の17.2%）でしょう。それでも、およそ6人に1人です。

説明する人が減り、出向くこと自体が負担な人がこの規模でいる。「現地に来てください」を唯一の選択肢にしておく前提は、両側から崩れています。

なぜ、これまで解けなかったのか

答えは分かっていたのに実行されなかったのは、3Dモデルが受注生産だったからです。社内に担当者がいなければ、外部に依頼し、要件を伝え、見積もりを取り、納品を待つ。制作費の相場を示す公的な統計はないので金額の話はしませんが、問題は金額以前にあります。この工程を一度回すこと自体が決断を要する。「とりあえず1点作ってみる」ができない構造でした。

帰結は明快です。3Dで自分たちを見せられるのは、それに予算を割ける組織と、3Dが売上に直結する業種だけになる。大手の住宅メーカーはモデルルームをVR化できても、地方の不動産会社にはできない。結果として「行かないと分からない」は、行けない人の側にしわ寄せされたまま残りました。

何が変わったのか

3D生成が長く難しかったのは、AIが3Dを学ぶための「お手本」が足りなかったからです。

2015年公開のShapeNetCoreは、55カテゴリ・約51,300点。2022年12月のObjaverse 1.0で約80万点、2023年のObjaverse-XLでは重複を除いて1,000万点超に達します。8年で約200倍です（ShapeNetCoreは人手で分類と向きを検証した部分集合で、比べているのはそのまま学習に使える状態のデータの量です）。

Objaverse-XLの論文（NeurIPS 2023）は、新規視点合成（1枚の画像から別角度の見え方を推定する課題）で、学習データを1,000万点まで増やしても性能向上が続き、頭打ちの兆候がほとんど見られないと報告しています。測られたのはこの課題に限りますが、お手本を増やせばまだ伸びる領域だということです。手法の側も、2022年のDreamFusion（Poole et al.、ICLR 2023）を起点に進み、2025年6月のHunyuan3D 2.1は実務に耐える3D生成モデルだとTencentが位置づけてリリースしています（開発元の説明であり、第三者の検証結果ではありません）。

Threedive AI の更新履歴には、この変化が順番どおりに現れています。

  • 2025年12月：3D Gaussian Splatting（3DGS）対応。複数の写真や動画から実在の場所を丸ごと3D化する技術で、専用アプリで撮影すれば店舗や観光地をそのまま持ち込めます。追加料金は不要です。
  • 2026年4月17日（v1.14.0）：撮影もせず、文章や画像から3D空間を作る「生成AIによる空間自動作成（BETA）」。目安は下書き用の高速生成で4〜5分、通常生成で7〜10分。
  • 2026年8月19日（v1.21.0）：文章、写真1枚、または複数枚から、個々のモノの3Dモデルを作る「3Dモデル生成」。

先に自動化されたのは器のほうでした。場所は用意できるのに、中に置く机や機械や商品は人が作るしかなかった。v1.21.0は、その最後の穴を埋めた更新です。

どう作ってあるか

3Dモデル生成は、独立した制作ツールではなく、画像や動画を管理するメディアライブラリの中にあります。ボタンを押し、文章か画像を入れる。数分から数十分で完成し、自動でライブラリに追加され、そのままシーンに置けます。3Dモデルが「作品」から「素材」の位置に降りた、ということです。写真をアップロードするのと同じ場所で、同じ手数で手に入ります。

現在の実装では、空間の生成にWorld Labs社のMarble（API版のWorld API）、3Dモデルの生成にMeshyのAPIを利用しています。ここで効いているのが、共通の規格です。生成される3Dモデルの形式であるGLBは、画像でいうJPEGにあたる国際規格で、ISO/IEC 12113:2022として2022年7月に標準化されています。空間の側も、World Labs製の描画エンジン Spark を使い、SOG形式とRAD形式の両方に対応しています。RADはデータを少しずつ送りながら表示するストリーミング前提の形式です。3D空間は精細であるほど重くなるため、全部のダウンロードを待たせずに表示できるかどうかが、実際に使えるかどうかを分けます。

規格を経由している以上、より速く安く高品質な生成サービスが現れれば、繋ぎ替えるだけで済みます。案内や説明の基盤として使われるものが特定の一社に縛られない、というのは、機能の話である以上に運用の話です。

ばらばらの技術が、ひとつの流れになった

いま起きているのは、ひとつの優れた製品が登場したという話ではありません。別々に育った5つの技術が、同じ時期に実用の水準に届いた、という話です。

5つ目の「言葉での操作」は、すでに実地の例があります。メタバーズの技術者は2026年8月、Blender 5.1以降で使える公式のMCPサーバーとClaude Desktopを組み合わせ、Blenderの画面を直接触らずにテクスチャとアニメーション付きの3Dモデルを作り、書き出したGLBをThreedive AIのメディアライブラリに置いて公開する手順を公開しました。作ったのはThreedive AIの機能ではなく外部のAIです。それでも受け取れたのは、間にGLBという規格があったからです。

ここから先は見通しです。いま3D生成は外部サービスへのAPI呼び出しとして実装されていますが、これがAI本体の機能に吸収されていく可能性は高いと見ています。文章の記述からBlender用のプログラムを書き、100体規模の3Dアセットを含むシーンを組み上げる手法もすでに報告されています（SceneCraft、Hu et al.、ICML 2024）。AIが3Dデータを直接出力するようになれば、生成は一往復の会話に収まります。規格を介した接続にしておくことは、その移行に備えるという意味も持ちます。

誰の「行かないと分からない」が消えるのか

社会の側から見て、恩恵を受けるのは次のような人たちです。

移動が負担になる人。 体の状態で外出が難しい方、育児や介護で動けない方。「現地に行けば分かります」で終わっていた場面で、行かずに同じ情報にたどり着けます。

遠くにいる人。 県外、国外。100言語以上への対応と組み合わせると、距離と言語が同時に外れます。

説明する側の小さな組織。 変わるのは必要な予算の桁です。ゼロにはなりません。利用料も、生成に使うクレジットも、何をどう並べるかを考える手間も残ります。それでも、外注の見積もりを取るかどうかという判断が、月額の範囲で試せるかどうかに変わる。それだけで、参加できる組織の数は大きく変わります。

現場の担当者。 見学対応、内見同行、窓口説明。繰り返しの説明を24時間動く仕組みに任せられれば、人は判断の要る仕事に回れます。

念のため書いておくと、3D空間は現地体験の代わりではありません。手ざわり、におい、その場の人とのやりとり。移せないものは多くあります。生成された3Dモデルも、寸法精度が保証されたデータではなく、CADや実測に基づく設計データとは用途が違います。施工・製造・法規対応の根拠にはなりません。ここで担うのは、伝えるための3Dです。

その伝えるための3Dが、これまでは割に合いませんでした。説明のために1点作るのに、見積もりと納期と外注の判断が要ったからです。その不均衡が消えます。数分で終わり、標準規格で出てきて、そのまま空間に置ける。この条件が揃った時点で、3Dを使うかどうかは予算の問題ではなく、伝えたいことがあるかどうかの問題になります。

そして差がつくのはモデルの出来ではありません。空間の中に何を、どの順序で置き、誰に何を説明させるか。「行かないと分からない」をなくしていくというのは、突き詰めればその設計の話です。

3Dモデル生成機能の操作手順と出力例は、リリースノート v1.21.0に掲載しています。

出典
  • Threedive AI「リリースノート」v1.21.0（2026年8月19日）、v1.20.0（2026年7月31日）、v1.14.0（2026年4月17日）、docs.threedive.ai/release-notes
  • 株式会社メタバーズ「空間AIチャットボット『Threedive AI』が3D Gaussian Splatting（3DGS）に対応」（2025年12月1日）
  • メタバーズ公式note「[Threedive AI]World APIがつながりました」（World Labs社のMarble／World APIの利用について）
  • Meshy 公式ドキュメント（Text to 3D / Image to 3D API、GLB等の出力形式）、docs.meshy.ai
  • メタバーズ テックスタッフ「Blender初心者でも大丈夫！Claude Desktop + Blender公式MCPで3Dモデルを作成、Threedive AIで公開する」Qiita（2026年8月29日投稿、8月31日更新）
  • Spark（World Labs、Three.js向け3DGS描画エンジン）公式リポジトリ、github.com/sparkjsdev/spark
  • 帝国データバンク「人手不足に対する企業の動向調査（2026年7月）」（2026年8月17日公表）
  • 総務省統計局「統計からみた我が国の高齢者－『敬老の日』にちなんで－」（2025年9月14日公表）
  • Chang, A. X. et al.「ShapeNet: An Information-Rich 3D Model Repository」（2015年、arXiv:1512.03012）
  • Deitke, M. et al.「Objaverse-XL: A Universe of 10M+ 3D Objects」（NeurIPS 2023 Datasets and Benchmarks）
  • Poole, B. et al.「DreamFusion: Text-to-3D using 2D Diffusion」（ICLR 2023、arXiv:2209.14988）
  • Tencent Hunyuan3D「Hunyuan3D 2.1」リリース告知（2025年6月13日）
  • The Khronos Group「Khronos glTF 2.0 released as an ISO/IEC International Standard」（2022年8月4日）／ISO/IEC 12113:2022（2022年7月発行）
  • Hu, Z. et al.「SceneCraft: An LLM Agent for Synthesizing 3D Scenes as Blender Code」（ICML 2024、arXiv:2403.01248）

—

Closing the gap called “you have to be there”

What the automation of 3D model creation actually means

There is a great deal you cannot understand without going to see it. The equipment on a factory floor. How big an apartment really is. The feel of a tourist site. How the counters are laid out at city hall. Go there and you will know. The problem is that some people cannot go. Too far, no time, a body that will not cooperate, a language they do not speak. The reasons vary; the outcome does not. That person does not get the information.

How to close this gap has been understood for years: reproduce the place in 3D and put a guide inside it. The reason it did not happen is that preparing the 3D was heavy going. The 3D model generation feature added to Threedive AI in v1.21.0 on August 19, 2026 sits on the side of that weight that is now giving way.

What follows is in three parts: why this is urgent now, why it could not be solved before, and what has changed.

Why the urgency

“Please come and see for yourself” works only if there is someone to guide and someone able to travel. In Japan, both sides are thinning at once.

Take the explaining side. Teikoku Databank puts the share of companies reporting a shortage of full-time staff at 51.3% as of July 2026 — the fourth consecutive July above half. The figure is slightly improved year on year, and Teikoku Databank attributes that partly to productivity gains from digitalisation. Replacing human effort with systems has already started showing up in the numbers. But the replacement has not kept pace everywhere: bankruptcies attributed to labour shortages reached 227 in the first half of 2026, a record for a first half. Guiding, explaining, and attending in person tend to fall into the second category.

Now the travelling side. Japan’s Statistics Bureau estimates the population aged 65 and over at 36.19 million as of September 15, 2025 — 29.4% of the total, the highest on record, and the highest among the 38 countries with populations over 40 million.

That share passed 10% in 1985 and 20% in 2005, and the projection by the National Institute of Population and Social Security Research cited in the same document puts it at 37.1% by 2050. Being older is not the same as finding travel difficult, though. The same release notes that the 65-and-over population fell by 50,000 from the previous year, and that roughly one in seven workers is now 65 or older, a record. A closer proxy for mobility burden would be the 21.24 million people aged 75 and over — 17.2% of the total. Still about one person in six.

Fewer people to explain, and this many people for whom travelling is itself a burden. The premise that on-site attendance is the only option is failing from both sides.

Why it could not be solved before

The answer was known and went unbuilt because 3D models were made to order. Without a specialist in-house, you described what you needed to a vendor, requested a quote, and waited. There are no public statistics on what 3D modelling costs, so leave the amount aside — the problem sits upstream of the amount. Running that process even once required a decision. “Let’s just make one and see” was not available.

The consequence is plain. Only organisations that could budget for it, and industries where 3D translates into revenue, got to show themselves in three dimensions. A large homebuilder could put show homes in VR; a local agency could not. So “you have to be there” persisted, and the cost fell on the people who could not.

What changed

3D generation stayed hard because there were not enough examples for an AI to learn from.

ShapeNetCore, released in 2015, held about 51,300 models across 55 categories. Objaverse 1.0 reached roughly 800,000 in December 2022, and Objaverse-XL passed 10 million deduplicated objects in 2023 — roughly 200-fold in eight years. (ShapeNetCore is a subset whose categories and orientations were verified by hand; what is compared here is data in a state where it can be trained on directly.)

The Objaverse-XL paper (NeurIPS 2023) reports that on novel view synthesis — inferring how an object looks from another angle given one image — performance kept improving as data scaled to 10 million, with few signs of slowing down. That was measured on that task specifically, but it marks an area where more examples still buy more capability. Methods advanced too, from DreamFusion (Poole et al., ICLR 2023) in 2022 through to Hunyuan3D 2.1 in June 2025, which Tencent positioned as ready for real work — the developer’s own characterisation, not an independent evaluation.

Threedive AI’s update history shows the change arriving in order.

  • December 2025: support for 3D Gaussian Splatting (3DGS), which reconstructs a real place in 3D from photos or video. Capture with a phone app and a shop or a landmark comes in as it is. No additional charge.
  • April 17, 2026 (v1.14.0): “AI space generation (BETA)” — a 3D space built from text or an image without shooting anything. Roughly 4–5 minutes for fast draft generation, 7–10 for standard.
  • August 19, 2026 (v1.21.0): 3D model generation — individual objects from text, one photo, or several.

The container was automated first. Places could be prepared, but the desks, machines, and products inside them still had to be made by hand. v1.21.0 fills that last hole.

How it is built

3D model generation is not a separate authoring tool; it sits in the media library, alongside images and video. Press the button, supply text or a picture. It finishes in minutes to tens of minutes, lands in the library automatically, and goes straight into a scene. A 3D model has dropped from the status of a finished work to that of raw material — obtained in the same place, with the same effort, as uploading a photo.

The current implementation uses World Labs’ Marble (via its API form, World API) to generate spaces and Meshy’s API to generate 3D models. What makes that workable is shared standards. GLB, the format the models come in, is the JPEG of 3D — standardised as ISO/IEC 12113:2022 in July 2022. On the space side, Threedive AI renders with Spark, the engine built by World Labs, supporting both the SOG and RAD formats. RAD is built for streaming, sending data progressively rather than all at once. A reconstructed space gets heavier the more faithful it is, so whether it can display without waiting for a complete download decides whether it is usable at all.

Because everything passes through standards, a faster, cheaper, or better generation service can simply be wired in. Something used as infrastructure for guidance not being chained to one vendor is less a feature than an operating requirement.

Separate technologies became one flow

What is happening is not that one excellent product arrived. It is that five technologies, developed separately, reached practical quality around the same time.

The fifth, operation by language, already has a field example. In August 2026 an engineer at Metabirds published a walkthrough combining Claude Desktop with the official MCP server available in Blender 5.1 and later: a textured, animated 3D model built without touching the Blender interface, exported as GLB, dropped into the Threedive AI media library, and published. The model came from an outside AI, not from any Threedive AI feature. It could still be received because GLB sat in between.

The rest is projection. 3D generation is currently an API call to an outside service, but there is a good chance it gets absorbed into the AI models themselves. Methods already exist that write Blender programs from a text description and assemble scenes of around a hundred 3D assets (SceneCraft, Hu et al., ICML 2024). If a model emits 3D data directly, generation fits inside a single conversational turn. Building on standards-based connections is also a way of preparing for that.

Whose “you have to be there” disappears

Seen from the side of society, who benefits?

People for whom travel is a burden. People whose health limits going out, people tied up with childcare or caregiving. Situations that ended with “come and see for yourself” become situations where the information arrives without the trip.

People who are far away. Another prefecture, another country. Combined with support for over a hundred languages, distance and language come off at once.

Small organisations doing the explaining. What changes is the order of magnitude of the budget. It does not go to zero: there is still a subscription, still credits consumed by generation, still the work of deciding what to place and how. But the decision moves from whether to commission a vendor to whether to try something within a monthly fee — and that alone changes how many organisations can take part.

Staff on the ground. Tours, viewings, counter explanations. Handing repeated explanation to something that runs around the clock frees people for work that requires judgment.

For the record, a 3D space is not a replacement for being there. Texture under the hand, smell, the exchange with a person on site — plenty does not transfer. A generated 3D model is also not dimensionally accurate data; it serves a different purpose than CAD or survey-based design data and is no basis for construction, manufacturing, or regulatory compliance. What it handles is 3D for explaining.

And 3D for explaining rarely paid for itself. One model to illustrate a point meant a quote, a lead time, and a decision about outsourcing. That imbalance is what disappears. It finishes in minutes, arrives in a standard format, and drops into the space as it is. Once those conditions hold, using 3D stops being a budget question and becomes a question of whether you have something to explain.

What separates one result from another is then not the quality of the model. It is what goes where in the space, in what order, and who explains what to whom. Closing the gap called “you have to be there” comes down, in the end, to that design.

The steps and output examples for 3D model generation are published in release notes v1.21.0.

Sources
  • Threedive AI, release notes v1.21.0 (August 19, 2026), v1.20.0 (July 31, 2026), v1.14.0 (April 17, 2026), docs.threedive.ai/release-notes
  • Metabirds Co., Ltd., “Threedive AI adds support for 3D Gaussian Splatting (3DGS)” (December 1, 2025)
  • Metabirds official note, “[Threedive AI] World API is now connected” (on the use of World Labs’ Marble / World API)
  • Meshy official documentation (Text to 3D / Image to 3D API, output formats including GLB), docs.meshy.ai
  • Metabirds tech staff, “Creating a 3D model with Claude Desktop + Blender’s official MCP and publishing it with Threedive AI,” Qiita (posted August 29, 2026; updated August 31, 2026)
  • Spark (World Labs, 3DGS renderer for Three.js), official repository, github.com/sparkjsdev/spark
  • Teikoku Databank, “Survey on corporate trends regarding labor shortages (July 2026)” (published August 17, 2026)
  • Statistics Bureau of Japan, “Statistical Topics: The Elderly in Japan — for Respect for the Aged Day” (published September 14, 2025)
  • Chang, A. X. et al., “ShapeNet: An Information-Rich 3D Model Repository” (2015, arXiv:1512.03012)
  • Deitke, M. et al., “Objaverse-XL: A Universe of 10M+ 3D Objects” (NeurIPS 2023 Datasets and Benchmarks)
  • Poole, B. et al., “DreamFusion: Text-to-3D using 2D Diffusion” (ICLR 2023, arXiv:2209.14988)
  • Tencent Hunyuan3D, Hunyuan3D 2.1 release announcement (June 13, 2025)
  • The Khronos Group, “Khronos glTF 2.0 released as an ISO/IEC International Standard” (August 4, 2022); ISO/IEC 12113:2022 (published July 2022)
  • Hu, Z. et al., “SceneCraft: An LLM Agent for Synthesizing 3D Scenes as Blender Code” (ICML 2024, arXiv:2403.01248)