生成AI（人工知能）はさまざまな業種で活用されていますが、動画制作を劇的に効率化する革新的な技術としても注目されています。テキストや画像、既存のデータをもとに短時間で動画を生成するこの技術は、マーケティング、エンターテインメント、教育分野で多くの可能性を秘めています。
本稿では、動画を作れる生成AIの基本的な仕組みをわかりやすく解説し、最新の技術動向に触れつつ、注目の動画生成AIツール6選を紹介します。
動画を生成できるAIとは？
動画生成AIとは、テキストや画像、あるいはその他のデータを基にして、新たな動画コンテンツを自動的に作り出す人工知能の技術を指します。この技術は、ディープラーニングや生成モデル（例：GANやTransformer）を活用しており、さまざまな業界で注目を集めています。特に、動画編集や広告制作、エンターテインメント業界での利用が進んでおり、人間が手作業で行うには膨大な時間と労力がかかるプロセスを効率化しています。
動画生成AIの仕組み
動画生成AIは、通常以下のようなプロセスで動作します：
- 入力データの準備
テキストプロンプト、画像、音声、またはこれらの組み合わせを入力として使用します。 - モデルによる生成
入力データに基づいて、AIモデルがフレームやアニメーションを生成します。この際、事前に学習したデータベースやアルゴリズムを使用します。 - 後処理
生成された動画に対して調整やエフェクトの追加を行い、最終的な出力を完成させます。
動画生成AIの用途
この技術は、多様な用途に利用されています。以下は代表的な例です：
- マーケティング
広告動画やプロモーション素材を効率的に制作できます。 - 教育
教材やオンライン講座向けのアニメーション動画の作成に役立ちます。 - エンターテインメント
映画の特殊効果やゲーム内の映像制作をサポートします。 - 個人利用
SNS向けの短編動画や創作活動に活用されています。
動画生成AIのメリットと課題
動画生成AIは、コスト削減や効率化の観点で非常に魅力的です。従来であれば専門スキルが必要だった作業も、誰でも簡単に行えるようになります。一方で、技術的な課題も残されています。例えば、リアルな映像生成には高精度なモデルと膨大な計算資源が必要であり、また著作権や倫理的な問題も議論されています。
関連記事：ニューヨーク・タイムズがOpenAIを著作権侵害で提訴｜アップルも動き見せる
Runway
| 項目 | 詳細 |
|---|---|
| 主な特徴 | テキストや画像からの動画生成：テキストや画像を入力として、最大10秒の動画を生成可能。 多様なスタイルの動画生成：リアルな映像からアニメーション風の動画まで、多彩なスタイルに対応。 商用利用可能：生成した動画は商用目的で使用可能。 |
| 利用可能なユーザー | Basicプラン：無料プランではGen-3の利用不可。 Standardプラン以上：月額$15からの有料プランでGen-3の利用が可能。 |
| 生成可能な動画の長さ | – Gen-3：最大10秒。- Gen-1：最大15秒。- Gen-2：最大16秒。 |
| 料金形態 | – Basicプラン：無料、Gen-3は利用不可。- Standardプラン：月額$15（年契約で$12/月）。- Proプラン：月額$35（年契約で$28/月）。- Unlimitedプラン：月額$95（年契約で$76/月）。- Enterpriseプラン：要問い合わせ。 |
| 日本語対応の有無 | – 日本語対応：公式サイトやインターフェースは英語表記が主であり、日本語対応に関する明確な情報は提供されていない。 |
| トレーニングデータの特徴 | – データソース：YouTube動画やその他の映像データを使用してモデルをトレーニング。 |
Runwayは、クリエイター向けに多彩な生成AIツールを開発するスタートアップであり、最新の生成ビデオモデル「Gen-3 Alpha」を発表しています。同モデルは、テキストや画像から高品質なビデオを生成する能力を持ち、前バージョンと比較して忠実度や一貫性、動きの表現が大幅に向上している。
同モデルの仕組みは、主に2つの大きな技術要素に基づいています。第1に、共同学習（joint training）というアプローチを採用しており、ビデオと静止画のデータセットを同時に学習します。この方法により、時間的な連続性（temporal consistency）や映像内の動きの自然さを担保すると同時に、静止画からも高解像度のフレームを生成する能力を向上させています。
第2に、Runwayのモデルはマルチモーダルアプローチ（multi-modal approach）を使用しており、異なる種類の入力（テキスト、画像、ビデオ）に対して柔軟に対応します。例えば、テキストから映像を生成する場合は、入力されたプロンプトをまず映像フレームの特徴量に変換し、その後フレーム間の一貫性を保ちながらビデオ全体を構築します。画像から映像を生成する場合には、元の画像を基に、動きや時間的な変化を加味したフレームを連続的に作成します。
さらに、Runwayはディフュージョンモデルの派生技術を活用しています。この技術では、ノイズから徐々に高精細なデータを生成するプロセスを通じて、映像フレームを作成します。特に、Gen-3 Alphaではディフュージョン過程に時間的次元を統合することで、シーン内のオブジェクトの動きや変化をよりリアルに表現することが可能となっています。
Runwayは、ユーザーが生成したい映像をより細かくカスタマイズできるよう、以下のような制御機能も提供しています。
- Motion Brush: 特定の領域に動きを追加したり、編集したりできるツール。
- Advanced Camera Controls: カメラのアングルや動きを詳細に指定可能。
- Director Mode: 映像のシーン構成やスタイルを総合的に管理する機能。
このような制御機能は、映画制作や広告業界など、プロフェッショナルな用途にも対応できる柔軟性を持っています。同モデルは、詳細な時間的キャプションで訓練されており、想像力豊かなトランジションやシーン内の要素の正確なキーフレーミングを実現する。さらに、幅広い動作、ジェスチャー、感情を持つ表現力豊かな人間キャラクターの生成にも優れており、新たな物語の可能性を開く。
Runwayは、Gen-3 Alphaの訓練において、研究科学者、エンジニア、アーティストからなる学際的なチームが協力し、幅広いスタイルや映画用語を解釈できるよう設計した。また、新たなセーフガードとして、社内で改良された視覚モデレーションシステムやC2PAの出所基準を導入している。
Runway CEO Cristóbal Valenzuela says his company is working with Lionsgate to create a custom AI video generation model trained on their catalog of film and television productions pic.twitter.com/FzCBkovQGB
— Tsarathustra (@tsarnick) October 10, 2024
2024年9月、Runwayは映画スタジオのライオンズゲートと提携し、同社の映画や番組をAIモデルの訓練に使用する契約を結んだ。これにより、ライオンズゲートの作品を学習データとして活用し、生成AIの性能向上を図っている。さらに、RunwayはAPIを発表し、企業や開発者が同社のビデオ生成モデルをアプリケーションに組み込むことを可能にした。これにより、さまざまなプラットフォームでの生成AIの活用が期待されている。
Pictory
| 項目 | 詳細 |
|---|---|
| 主な特徴 | テキストから動画生成：スクリプトや記事を入力するだけで、関連する映像や音楽を組み合わせた動画を自動生成します。 URLから動画生成：ブログ記事やウェブページのURLを入力すると、その内容を基に動画を作成します。 AIによる自動編集：長尺の動画からハイライトを抽出し、短いクリップにまとめます。 自動キャプション追加：動画に自動的に字幕を生成・追加します。 |
| 対象ユーザー | – コンテンツクリエイター- マーケター- 教育者- ソーシャルメディアマネージャー- ビジネスプロフェッショナル |
| 生成可能な動画の長さ | – ソーシャルメディア向けの短いクリップから、数分程度の長さの動画まで対応。（具体的な制限は公式サイトに明記されていませんが、一般的に短編動画の作成に適しています。） |
| 料金形態 | – 無料プラン：基本的な機能を利用可能。- 有料プラン：追加機能や拡張された使用制限を提供。料金はプランによって異なります。詳細は公式サイトの料金ページを参照してください。 |
| 日本語対応の有無 | – インターフェース：現時点では英語のみ対応。- 音声合成：ElevenLabsのリアルなAI音声を活用し、日本語を含む複数の言語でのナレーションが可能です。 |
| トレーニングデータの特徴 | – Pictoryは、ユーザーが提供するテキスト、URL、動画、画像などの入力データを基に動画を生成します。- また、3,000万点以上のロイヤリティフリーの映像クリップ、画像、音楽トラックのライブラリを活用して、コンテンツを豊かにします。 |
Pictoryは、AIを活用してユーザーが迅速かつ簡単にプロフェッショナルな動画を作成できるプラットフォームです。テキストやURLから動画を生成し、長尺の映像からハイライトを抽出するなど、多彩な機能を提供しています。
主な特徴と機能
- テキストからの動画生成：記事やブログ投稿を短時間で動画化。
- URLからの動画変換：Webページを基に視覚的なコンテンツを作成。
- ハイライト抽出：長尺動画を簡単に短縮して重要な部分を強調。
- 自動キャプション追加：AIによる正確な字幕生成。
- ブランド化機能：ロゴ、色、フォントをカスタマイズしてブランドイメージを統一。
特に注目すべきは、PictoryがElevenLabsのリアルなAI音声を活用している点です。これにより、複数の言語で自然なナレーションを提供し、ユーザーは多様な視聴者にリーチできます。
さらに、Pictoryはチームでのコラボレーションをサポートしており、プロジェクトの共有や役割の割り当て、リアルタイムでの共同作業が可能です。この機能により、チーム全体で効率的に動画制作を進めることができます。
他の同様のサービスと比較して、Pictoryはユーザーフレンドリーなインターフェースと強力なAI機能を組み合わせており、動画制作のプロセスを大幅に簡素化しています。これにより、専門的な編集スキルがなくても高品質な動画を作成することが可能です。
Adobe Firefly
| 項目 | 詳細 |
|---|---|
| 主な特徴 | テキストプロンプトを入力するだけで対応する動画を自動生成できる。多彩なカメラコントロールが可能で、カメラアングルや動きを細かく設定できる。特定のスタイルや雰囲気を持つ画像を参照として使用することで、生成結果に反映させることが可能。また、商用利用にも適したコンテンツを生成する仕組みになっている。 |
| 利用可能なユーザー | Adobe Creative Cloudユーザーが対象。Adobe FireflyはAdobe Creative Cloudの一部として提供され、Premiere Proなどの主要なAdobe製品と統合されているため、これらの製品を利用しているユーザーが利用可能。 |
| 生成可能な動画の長さ | 生成可能な動画は短尺コンテンツ向けとされており、具体的な長さについては現時点で明示されていない。 |
| 料金形態 | ベータ版期間中は無料で利用可能。制限付きのパブリックベータ版として提供されており、ベータ期間終了後の正式リリース時に料金体系が発表される予定。 |
| 日本語対応の有無 | 現時点では日本語対応に関する公式な情報は提供されておらず、日本語での使用可否については不明。 |
| トレーニングデータの特徴 | Adobeは、商用利用に適したコンテンツを生成するため、許諾済みデータのみを使用してモデルをトレーニングしている。また、ユーザーが提供したコンテンツはトレーニングデータとして利用していない。 |
Adobeは、生成AI技術を活用した新たな動画編集ツール「Firefly Video Model」を発表しました。同モデルは、Adobeの主要な動画編集ソフトウェアであるPremiere Proに統合されており、編集者が映像を拡張したり、テキストや画像から新たな映像を生成したりすることを可能にします。
特に注目される機能として、「Generative Extend」があります。これは、既存の映像クリップの開始や終了部分を最大2秒間延長するもので、映像の流れを滑らかにし、再撮影の必要性を減らすことができます。また、音声に関しても、環境音や効果音を最大10秒間延長することが可能ですが、音楽や人の声には対応していません。
さらに、テキストや画像から直接映像を生成する「Text-to-Video」および「Image-to-Video」ツールも提供されています。これらのツールは、ユーザーが入力したテキストや参照画像に基づいて、最大5秒間の映像クリップを生成します。これにより、補足的な映像の作成や再撮影の視覚化が容易になります。ただし、生成される映像の解像度は720pに制限されています。
Adobeは、これらのAIツールが商業利用に適していることを強調しています。Firefly Video Modelは、Adobeが許可を得たコンテンツのみを使用して訓練されており、他社が直面している法的懸念を回避しています。また、生成された映像には、AIの使用を開示する「Content Credentials」を含めることができます。
これらの新機能は、AdobeのMAXカンファレンスで発表され、他のAI搭載機能とともに紹介されました。
関連記事：OpenAIのSoraがAbobe Premiere Proに統合へ
Veo｜グーグル
| 項目 | 詳細 |
|---|---|
| 主な特徴 | – 高品質な動画生成：テキストや画像のプロンプトから1080p解像度の動画を生成- 迅速な生成：短時間で動画生成可能- 多様なスタイル：タイムラプスや空撮などに対応 |
| 対象ユーザー | – 企業：マーケティング、広告、製品デザインなどで活用- クリエイター：YouTubeなどでコンテンツ制作を行う個人やチーム |
| 生成可能な動画の長さ | 1分を超える高品質な1080p解像度の動画を生成可能 |
| 料金形態 | 現在詳細は非公開。グーグルの公式サイトで確認が必要 |
| 日本語対応の有無 | 日本語対応の具体的な情報は未公開 |
| トレーニングデータの特徴 | トレーニングデータの詳細は非公開。自然言語と視覚的セマンティクスの高度な理解に基づいた生成モデルを採用 |
Googleが開発した生成AIモデル「Veo」は、テキストや画像のプロンプトから高品質な1080p解像度の動画を生成する能力を持ち、多彩な映画的および視覚的スタイルに対応しています。 このモデルは、自然言語と視覚的セマンティクスを高度に理解し、プロンプトに忠実な動画を迅速に生成します。
Veoは、既存のクリエイティブ資産を動的なビジュアルに変換することで、企業の動画制作ワークフローを効率化し、新たな創造的表現の可能性を広げます。 例えば、Imagen 3で生成された画像や実際の画像を基に短い動画クリップを作成することが可能です。2024年5月のGoogle I/O開発者会議で初めて発表されたVeoは、テキスト、画像、ビデオベースのプロンプトから1080pの動画を生成する能力を持ち、風景やタイムラプスなどの多様な視覚スタイルを捉えることができます。さらに、生成された映像に対して編集や調整を行うことも可能です。
Veoは、YouTubeの短編動画形式であるYouTube Shortsと統合され、クリエイターが高品質な背景や6秒間のクリップを生成できるようになりました。安全性と責任を重視し、VeoはDeepMindのSynthID技術を活用して、生成されたコンテンツにデジタル透かしを埋め込み、AI生成コンテンツの識別を容易にしています。
Veoは、Google CloudのVertex AIプラットフォーム上で提供され、企業はこのモデルを活用して高品質な動画を迅速に生成し、マーケティング、広告、製品デザインなどの分野で活用することができます。
Sora｜オープンAI
| 項目 | 詳細 |
|---|---|
| 主な特徴 | テキスト指示からリアルで想像力豊かなシーンを生成。複数のキャラクターや特定の動き、背景の詳細を忠実に再現。 |
| 利用可能なユーザー | 現在、研究目的でのプレビュー段階。選ばれたビジュアルアーティスト、デザイナー、映画製作者がフィードバック提供中。 |
| 生成可能な動画の長さ | 最大1分間のビデオを生成可能。 |
| 料金形態 | 現在のところ、料金に関する公式情報は未公開。 |
| 日本語対応の有無 | 日本語のテキスト指示に対応しているかどうかは、公式には明言されていない。 |
| トレーニングデータの特徴 | 公開されているビデオやライセンス取得済みの著作権付きビデオを使用して学習。 |
OpenAIは、テキストから高品質な動画を生成するAIモデル「Sora」を発表しています。同モデルは、入力されたテキストプロンプトに基づき、最長1分間の詳細で高解像度な映像を作成することができます。Soraは、複数のキャラクターや特定の動き、背景の詳細を忠実に再現し、物理的なシミュレーションを行うことで、現実的なシーンを生成します。
OpenAIがロンドンでのイベントで発表したSora v2で生成した動画らしい。
— KAJI | 梶谷健人 (@kajikent) December 9, 2024
Sora以降に多くの動画生成AIが出てきたので目が肥えた感あるが、それでもこれはまたレベルが違う…
Sora v2も残り10日間の連続発表で出るだろうから楽しみですね。
pic.twitter.com/P9jid3qfkG
Soraは、拡散モデルとトランスフォーマーアーキテクチャを組み合わせて構築されています。この手法により、動画を空間的および時間的に分割し、各部分を効果的に処理することが可能となっています。これにより、他のテキストから動画への変換モデルよりも多様な種類の動画を訓練データとして使用でき、解像度、時間、アスペクト比、向きの違いなど、さまざまな要素を考慮した生成が可能です。
しかし、同社によるとSoraの一般公開はまだ予定されていません。24年現在、OpenAIはSoraを研究目的でプレビュー提供しており、選ばれたビジュアルアーティスト、デザイナー、映画製作者がフィードバックを提供しています。この段階での目的は、モデルの安全性と倫理的な使用を確保するためのフィードバックを収集し、将来的な一般公開に向けた準備を進めることです。
Soraの開発において、OpenAIは安全性と倫理的な使用に特に注意を払っています。生成された動画が悪用されるリスクを認識し、暴力的、性的、憎悪的なコンテンツや既知の人物の画像生成をブロックするフィルターを搭載しています。また、生成された動画には、どのように生成されたかを示すメタデータ（C2PAタグ）を埋め込む予定です。しかし、これらの対策が完全ではないことも認識しており、さらなるフィードバックを収集し、安全なデプロイ方法を模索しています。
一方で英フィナンシャルタイムズによれば、Soraの開発過程においてアーティストからの抗議もありました。一部のアーティストは、OpenAIがSoraの早期テストにおいて、彼らの無報酬の労働を利用したと主張し、抗議の一環としてSoraの情報をリークしました。このリークにより、他の人々がAIを利用して動画を作成することが可能となりました。OpenAIは迅速に早期アクセスを停止し、Soraがまだ研究目的のプレビューモードであることを強調しました。
Sundar Pichai says he believes OpenAI's Sora breached YouTube's terms and conditions and he is sympathetic to creators whose content is being used to train AI models pic.twitter.com/mF1D6XjYf8
— Tsarathustra (@tsarnick) May 20, 2024
さらに、Soraのトレーニングデータに関しても議論があります。グーグルのCEOであるサンダー・ピチャイ氏は、OpenAIがSoraのトレーニング中にYouTubeの利用規約に違反した可能性があると示唆しています。これに対し、OpenAIのミラ・ムラティ元CTOは、Soraは公開されているデータやライセンス取得済みのデータを使用して訓練されたと述べていますが、YouTubeやInstagramなどの特定のプラットフォームの使用については明言を避けています。
関連記事：OpenAI、ビデオ生成AI「Sora」を発表＝最長1分の動画を生成
Movie Gen｜メタ
| 項目 | 詳細 |
|---|---|
| 主な特徴 | ・テキストからの動画生成：テキストプロンプトを入力することで、最長16秒、毎秒16フレームの高品質な動画を生成可能。 ・写真からの動画化：1枚の静止画像から、その人物が動く動画を作成可能。 ・音声生成機能：動画に合わせた効果音やBGMを自動生成し、映像と同期。 ・動画編集機能：既存の動画を編集し、オブジェクトの追加や背景の変更、スタイルの変更などが可能。 |
| 利用可能なユーザー | 現在、Movie Genは一般公開されておらず、映画製作者やクリエイターと協力して開発が進められている。将来的にはInstagramなどのプラットフォームでの提供が予定されている。 |
| 生成可能な動画の長さ | 最長16秒、毎秒16フレームの高解像度動画（1080p）を生成可能。 |
| 料金形態 | 現時点では一般公開されておらず、料金形態に関する公式情報は提供されていない。 |
| 日本語対応の有無 | 公式には日本語対応に関する情報は提供されていない。 |
| トレーニングデータの特徴 | ライセンス供与された、または一般公開されているデータセットを使用してトレーニングされている。 |
メタ社は、テキスト入力から高品質な動画と音声を生成するAIモデル「Movie Gen」を発表しました。このツールは、ユーザーが入力したテキストプロンプトに基づき、最長16秒の高解像度動画と、最長45秒の音声クリップを作成することが可能です。
同技術は、映画製作者やアーティスト、インフルエンサーなど、メタ社のプラットフォームユーザーに新たな創造的可能性を提供することを目指しています。しかし、メタ社の最高製品責任者であるクリス・コックス氏は、「Movie Gen」はまだ一般公開の準備が整っておらず、高コストと生成時間の長さが課題であると述べています。
Movie Gen [Polyak+, 2024]
— Shion Honda (@shion_honda) December 7, 2024
Movie Genは音声付き動画の生成・編集ができるモデル群で、品質評価ではSoraなどを破ってSOTAを達成。TransformerをFlow Matchingで訓練。動画のパッチ化には時空間自己符号化器(TAE)を利用。https://t.co/eM4LCuZ4dD#NowReading pic.twitter.com/hT8gwo45RH
「Movie Gen」は、ライセンス供与されたデータと一般公開されているデータを組み合わせてトレーニングされています。しかし、AI生成技術の進化に伴い、著作権や倫理的使用に関する懸念が高まっています。特に、ハリウッドでのストライキでは、AIがクリエイティブ産業に与える影響についての議論が行われました。メタ社は、AI生成コンテンツの責任ある使用を推進するため、AIで生成された動画に透かしを入れるなどの対策を講じています。
さらにロイター通信によれば、Meta社はハリウッドのBlumhouse Productionsと提携し、「Movie Gen」を活用した短編映画の制作を進めています。同コラボレーションには、映画製作者のアニッシュ・チャガンティ氏、スパーロック姉妹、ケイシー・アフレック氏が参加しています。
「Movie Gen」は、OpenAIの「Sora」やRunwayの「Gen-2」など、他社のAI動画生成ツールと競合しています。メタ社は、「Movie Gen」がこれらの競合モデルよりも品質、動き、自然さの点で優れていると主張しています。24年12月現在、「Movie Gen」は一般公開されておらず、メタ社は映画製作者やクリエイターと協力して開発を進めています。将来的には、Instagramなどのプラットフォームでの提供が予定されています。
関連記事：日米政府、科学研究・安全性に特化したAIの技術開発に向け連携強める
まとめ｜2025年は動画生成AIがブレイク元年か
動画生成AIは、テキストや画像をもとに迅速かつ高品質な動画を生成できる革新的な技術として、多様な分野で注目されています。その進化は、映画や広告制作、教育、個人クリエイターの活動を支えるだけでなく、時間やコストの削減に大きく貢献しています。一方で、リアルな映像表現のための高い計算リソースや、著作権や倫理的課題といった問題も浮上しており、これらを解決するための取り組みが進められています。
本記事で紹介した各ツールは、一般公開が未発表のものもありますが、それぞれ独自の技術や用途を備えており、クリエイティブ業界をさらに活性化させる可能性を秘めています。今後、動画生成AIの進化がどのように社会やクリエイティブ業界を変えていくのか、さらなる注目が必要です。技術的な革新と同時に、安全性や倫理的側面に対する適切な対応が、この分野の発展を支える鍵となるでしょう。
Follow us on:
X（Twitter）：@BeInCryptoJapan
Telegramチャンネル：@BeInCrypto Japan オフィシャルチャンネル
免責事項 - Disclaimers
当ウェブサイトに掲載されているすべての情報は、誠意をもって作成され、一般的な情報提供のみを目的としています。当ウェブサイトに掲載されている情報をもとに読者が取る行動は、あくまでも読者自身のリスクで行うものとします。「Learn」サイトでは、質の高い情報を提供することを第一に考えています。私たちは、読者にとって有益な教育的コンテンツを特定し、調査し、作成するために時間をかけています。この基準を維持し、素晴らしいコンテンツを作成し続けるために、私たちのパートナーは、私たちの記事への掲載に対して手数料を支払う場合があります。しかし、これらのコミッションは、偏りのない、誠実で有益なコンテンツを作成するためであり、私たちの活動プロセスに影響を与えることはありません。
