近年、動画生成AIが目覚ましい進化を遂げている。その結果、これまで専門的技術や高性能な機材が必要だった動画制作が、誰にでも手が届くものへと変わりつつある。本稿では、動画生成AIの進化の歴史と代表的な動画生成AIサービスの現在地を確認する。
動画生成AIは画像生成AIと共に進化し、深層学習技術の発展やコンピュータの性能向上により急速に進化してきた。
動画生成AIの始まりは画像を生成する技術からスタートした。2014年に登場したGAN（敵対的生成ネットワーク）は、二つのネットワーク（生成ネットワークと識別ネットワーク）が互いに競い合いながら学習する技術で、これにより「本物のような画像」を作り出すことに成功した。この技術をもとに、初期の動画生成AIは、静止画を連続してつなぎ合わせるアプローチで開発が進められた。
2016年以降、ディープラーニング技術が発展し、動画生成AIはさらに自然な動画を生成できるようになった。2018年頃からは、既存の動画を学習し、短い動画を自動的に生成するAIが登場した。この時期には、単に静止画をつなげるだけでなく、「動画としてのつながりや流れ」を意識した生成が行われるようになった。
2020年代に入ると、計算能力の向上と新たな深層学習モデルの導入により、さらに長尺で高品質な映像を用いた動画が作れるようになった。これにはTransformerの導入によって動画内時間の流れの理解に基づく一貫性のある映像作りが可能となったことが大きく貢献している。Transformerは、もともと自然言語処理（NLP）の分野で開発され、ChatGPTなどの対話型AIの基盤となった技術でもある。さらに、拡散モデル（Diffusion model）の導入により、生成する映像の解像度が著しく向上した結果、精細な動画の生成が可能となった。拡散モデルは、画像データにノイズを加えた後、そのノイズを段階的に除去して綺麗な画像を生成する手法であり、テキストから画像を生成するAIであるDALL-E 21やStable Diffusion2で採用されている。この技術はフレーム間の補完にも応用され、前後のフレームをより自然に接続し、滑らかさを大幅に向上させた。
2022年に登場したDALL-E 2やStable Diffusionなどの画像生成AIは、動画生成AIの発展の基盤となった。2023年には米Runwayの「Gen-1」「Gen-2」や米Google DeepMindの「Imagen Video」などが登場し、動画の品質と生成スピードの向上が加速した。
2024年に入ると、これまでの技術革新が一気に集まって、テキストによる指示だけで高品質な動画を生成することが現実になった。特に米OpenAIの「Sora」は、それ以前の動画生成AIを凌駕する高精度かつリアルな動画を生成する画期的なツールとして注目を集めた。Soraはシーン全体の流れやストーリー性を考慮した映像生成を実現した。こうした近年の飛躍的な進化の背景には、自然言語処理（NLP）技術の発展に加え、大規模言語モデル（LLM）の進化3とデータセットの巨大化がある。さらに、テキスト、画像、音声、動画を統合するマルチモーダルAIの技術も進化を続けている。つまり、映像動画そのものだけでなく、音声や字幕を含めた一貫性のある動画コンテンツを総合的に生成できる時代が到来しつつある。
Soraの登場以降、市場では動画生成AIサービスの開発競争が激しさを増している。特に2024年末から2025年初頭にかけて、新たなモデルのリリースや機能のアップデートが相次いだ。以下では、「Sora」、「Veo2」、「Dream Machine」、「Runway」、「Kling」について、実際に使ってみた感想を交えながら特徴を紹介する。
OpenAIが2024年2月に発表した「Sora」は、テキストを入力するだけで高画質のリアルな動画を生成し、動画生成AIが一躍注目されるきっかけとなったツールである。複数の被写体や特定の動き、背景との位置関係を崩すことなく複雑なシーンを生成できるのが特徴で、それ以前の動画生成AIとの大きな違いでもある。Soraは発表から約10か月後、2024年12月9日に正式にリリースされた。
試しに「お内裏様とお雛様に扮する犬と猫」というプロンプトを入力すると、着物を羽織った犬と猫が和室でお行儀よく座り、首を左右に振る動画が10秒足らずで生成された（図表１）。わずか5秒という短い動画ながらも、その動きは驚くほど自然だった。
Soraには画像から動画を生成する機能もある。試しに二羽の鳥の写真をアップロードして「birds are eating food」と入力すると、鳥が餌をついばみ、池の水を飲むという動きが加わった（図表２）。自分が撮影した鳥が写真の枠外に移動して池の中に入ったことは、著者の想像を超えたことであり、驚愕したことを記しておきたい。
Soraの利用にはChatGPTの有料プランへの加入が必要だ。2025年3月20日現在、720p・5秒間の動画を月50本まで生成できる月額20ドルのプラン（ChatGPT Plus）と、1080p・10秒または720p・20秒の動画を月500本まで生成できる月額200ドルのプラン（ChatGPT Pro）がある。
Soraの一般公開から1週間後の2024年12月16日、米Google DeepMindが「Veo2」を発表した。Veo2の特徴は4K解像度の高画質と、細部までリアルな映像表現にある。カメラアングルを指定できるため、さまざまな視点から被写体の動きを捉えることができ、まるで映画のような映像を作成できる。その性能は他社を凌駕し、Metaが提供するベンチマークテスト「MovieGenBench」では、プロンプトの忠実度と映像の質の両面でトップ評価を得た4。YouTubeの公式チャンネルでは多数のデモ動画が公開されおり、人物の表情や動物の動き、水の描写、物体の質感などが極めてリアルに表現されている（図表３）。
2025年2月下旬より、日本でも一部の開発者向けプラットフォームで提供が開始された。早速試してみたところ、人物の表情や動きのリアルさには目を見張るものがあった。ただし、不自然なモーションや描写の破綻が見受けられる場合も多かった。また、数分間の長尺動画を技術的には生成可能と説明されているが、現時点では一般ユーザーの利用は最大5秒までの動画に制限されている。
なお、現在はテキストによる指示から動画を生成する「Text to Video」機能のみに対応しているが、今後は画像から動画を生成する「Image to Video」機能の追加が予定されている。
Runwayは2018年創業のニューヨークを拠点とするスタートアップ企業で、動画生成AIツール「Runway」を提供している。2024年7月から8月にかけてリリースされた「Gen-3 Alpha」「Gen-3 Alpha Turbo」はテキストと画像から5秒または10秒の動画の生成が可能である5。生成時間は10秒超～30秒程度と早く、他の動画生成AIと同様にカメラワークをプロンプトで指定できる。
Runwayの特徴は多彩な編集機能にある。例えば、人物の口元の動きと音声の言葉を一致させる「リップシンク」、「背景の除去」や「オブジェクト削除」などの高度な編集機能があるほか、他のユーザーとの共同編集機能も備えている。スマートフォンで撮影した人物の表情を、アニメーションキャラクターに転換させる「Act-One」と呼ばれるユニークな機能もある。動画生成自体は直感的に行えるので、初心者から上級者まであらゆるレベルのユーザーが楽しめる。無料のお試しプランからビジネスユース向けのエンタープライズプランまで5種類のプランがある。
Luma AIは2021年に設立されたサンフランシスコを拠点とするスタートアップ企業で、動画生成プラットフォーム「Dream Machine」を提供している。2025年1月にリリースされた最新モデル「Ray2」は、1080pの高解像度での出力に対応し、10秒までの動画生成が可能である。
Ray2は、登場人物の感情表現や、自然で一貫性のある動きの表現に優れており、実際に使用してもそのクオリティの高さを実感できた（後述のBOX参照）。リリース当初はテキストによる指示から動画を生成する「Text to Video」機能に特化していたが、現在では「Image to Video」機能が追加され、さらに生成した動画にオリジナルの音楽を追加する「Audio」機能も実装されている。
公式ウェブサイトには、静止画から作成したサンプル動画が多数掲載されており、例えばスケボーでキックフリップする（板を縦に一回転させる）僧侶や、火を噴くドラゴンなど、自然で違和感のない動きが表現されている（図表５）。他にも男性が爆発を潜り抜けて雪原を走るシーンや、雲の中の走るスポーツカーなど、多彩な動画が公開されている。なお、無料プランは生成速度が遅いため、有料プランの利用が推奨される。
AIの開発競争では中国が米国を猛追している。中国の快手科技の動画生成AI「Kling 」の最新バージョンKlingv1.6（2024年12月リリース）が、SoraやRunwayを超える高性能モデルとして注目されている。テキストおよび画像から動画生成でき、1080pの高画質で、動画の長さは5秒または10秒を選択できる。
特に優れているのはプロンプトの理解力で、他の動画生成AIと比べて破綻が少なく、精度が高いと感じた。例えば、「公園で犬の散歩をするヒューマノイドロボット」を生成した際、リードが尻尾に繋がるハルシネーションは見られたものの、ロボットや犬の歩き方に不自然さはなかった。「編み物をするウサギ」や「空を飛ぶ流線形の電車」など、架空の世界を描くプロンプトも忠実に表現された（図表6）。
Klingの特徴として「Creativity⇄Relevance」という独自の調整機能を搭載し、AIの創造性を重視するか、プロンプトに忠実な動画を生成するかを選択できる点が挙げられる。意図しない動画が生成されないよう、不要な要素や避けたい描写を排除するネガティブプロンプト機能も備えている。また、無料プランと有料プランで動画の品質や生成所要時間が変動するシステムを採用しており、筆者が利用したスタンダードプランでは、生成所要時間は4分から8分だった。なお、無料プランでは30分待っても生成されず、現状では有料プランを使うのが現実的と感じた。
本稿では５つの動画生成AIツールを紹介したが、多くのユーザーが最初に直面する壁はプロンプト作成だろう。特に公開されているデモ動画のような高品質な作品を作るには、登場人物の動き、天候、背景、光の当たり方、カメラアングルなど、詳細な指示をする必要がある。プロンプトの作成には補助ツールを利用する手もある。例えば、ChatGPTの『GPTs』6 に載っている、「Veo2Promter」や「Master Video Prompt Creation KLING AI 1.6」などがそれだ。
また、多くのサービスがフリーミアムモデル7を採用している。無料プランでは出力回数や解像度が制限されているのに対して、有料プランではこれらの上限が拡大され、商用利用を許可しているものもある。価格帯も幅広く、個人向けの数千円程度のプランから大企業向けの高額プランまで選択肢があり、ユーザーは自分の用途に応じて柔軟に選べるようになっている。
現在の動画生成AIは、実写と区別がつかないほどリアルな映像を生成できる段階に達している。高品質な動画を作るには一定のスキルが求められるが、今後、技術が進化し、より直感的な操作が可能になれば、多くの人が高品質な映像を作成できるようになるだろう。動画生成AIは映像制作のあり方を根本から変える可能性があり、多様な分野での活用が期待される。次稿では、広告、企業PRやSNSでの活用事例を取り上げるとともに、今後の展望と課題について掘り下げる。
本稿で取り上げた５つの動画生成AIツールに同じプロンプトを入力して動画を作成してみた。今回作成したのは「フルートを演奏する女性」で、下の写真はその動画をキャプチャしたものである。
Soraはフルートを構える姿勢と指の動きは表現できていたが、表情や動きに息づかいが感じられず、リアリティに欠けていた。Veo2はフルートの持ち方が縦笛のようになっており、Runwayに至ってはフルートではなく、クラリネットのような別の楽器になってしまっていた。Klingは楽器を持つ手の形こそ自然だが、楽器の形状が不自然で、「フルートを演奏している」という肝心な部分が表現されていなかった。
最も完成度が高かったのはLuma Ray2だ。指の形状にやや違和感があるものの、表情や指の動きは本当に演奏しているように感じられた。アスペクト比の違いが完成度に影響した可能性もある。Luma Ray2には音声合成機能も備わっており、「Audio」をクリックするとフルートの音色が合成された。
もちろん、この一例だけで、どのツールが最も優れているかを断定することはできない。ただし、このケースに限らずいくつかのパターンを試してみた結果、個人的にはKlingとLuma Ray2が、クオリティと使いやすさのバランスに優れていると感じた。また、シンプルなプロンプトでも、詳細なプロンプトより高品質な動画が生成されるケースもあり、それぞれのAIには得手・不得手もあるようだ。
PDF:MB
PDF書類をご覧いただくには、Adobe Readerが必要です。
右のアイコンをクリックしAcrobet(R) Readerをダウンロードしてください。
