「生成AI（人工知能）は、さまざまな業種で活用されており、特に動画制作においてその革新的な技術が注目されています。この技術は、テキストや画像、既存のデータを利用して短時間で動画を生成するため、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。」
この記事では、動画を作成できる生成AIの基本的な仕組みについて分かりやすく説明し、最新の技術トレンドを紹介しつつ、注目の動画生成AIツール6つを紹介します。
動画を生成できるAIとは？
動画生成AIとは、文章や画像、その他のデータを元にして、新しい動画コンテンツを自動的に作成する人工知能技術を指します。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のに多大な時間や労力が必要な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、一般的には次のような手順で動作します：
- 「テキストプロンプトや画像、音声など、これらの組み合わせを入力データとして使用する準備をします。」
- AIモデルは、生成用入力データに基づいて、フレームやアニメーションを生成します。この際には、事前に学習したデータベースやアルゴリズムが活用されます。
- 「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、最終的な出力を仕上げる作業を行います。」
動画生成AIの用途
「この技術はさまざまな分野で活用されており、以下は代表的な事例です：」
- “マーケティング広告動画やプロモーション資料の効率的な制作が可能です。”
- 「教育用コンテンツやオンライン講座に適したアニメーション動画を制作するのに役立ちます。」
- 「エンターテインメント映画やゲーム内のビジュアル制作に特化した支援を提供いたします。」
- 「個人が利用するSNS用に作られた短い動画やクリエイティブ活動に使われています。」
動画生成AIのメリットと課題
「動画生成AIは、コスト削減や業務効率化の観点から非常に魅力的な存在です。これにより、従来は専門スキルが必要だったタスクも、誰もが容易に行えるようになります。しかしながら、技術的な課題も依然として存在しています。たとえば、リアルな映像を生成するには高度なモデルと膨大な計算リソースが求められ、また著作権や倫理的な問題も検討されています。」
関連ニュース：ニューヨーク・タイムズがOpenAIを著作権侵害で訴える｜アップルも対応を検討
Runway
| 項目 | 詳細 |
|---|---|
| 主な特徴 | 「文字や画像を元にした動画作成：文字や画像を入力とし、最大10秒の動画を作成できます。様々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、幅広いスタイルに対応しています。営利目的での利用可能：生成した動画は商業利用にも使用できます。」 |
| 利用可能なユーザー | 「無料プランではGen-3の利用はできませんが、Standardプラン以上では月額$15からの有料プランでGen-3を利用することができます。」 |
| 生成可能な動画の長さ | 「- 第3世代：10秒以内。- 第1世代：15秒以内。- 第2世代：16秒以内。」 |
| 料金形態 | – 基本プラン：無料で、Gen-3は使用できません。 – スタンダードプラン：月額$15（年間契約で$12/月）。 – プロプラン：月額$35（年間契約で$28/月）。 – アンリミテッドプラン：月額$95（年間契約で$76/月）。 – エンタープライズプラン：お問い合わせが必要です。 |
| 日本語対応の有無 | 公式サイトやインターフェースは主に英語で表示されており、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動画や他の映像データを利用してモデルを訓練する。」 |
Runwayは、クリエイター向けにさまざまな生成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。このモデルは、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っており、前の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ます。
「同じモデルの仕組みは、主に2つの主要技術要素に基づいています。第1に、共同学習という手法を用いて、ビデオと静止画のデータセットを同時に学習しています。このアプローチにより、時間的なつながりや映像内の動きの自然さを保ちつつ、静止画から高解像度のフレームを生成する能力が向上しています。」
「第2に、Runwayのモデルはマルチモーダルアプローチを使っており、様々な種類の入力（テキスト、画像、ビデオ）に柔軟に対応可能です。例えば、テキストから映像を生成する際には、最初に入力されたプロンプトを映像フレームの特徴に変換し、その後フレーム同士の一貫性を保ちつつビデオ全体を構築します。画像から映像を生成する場合は、元の画像を基に、動きや時間的な変化を考慮したフレームを順次生成します。」
さらに、Runwayはディフュージョンモデルの応用技術を利用しています。この手法では、ノイズから段階的に高解像度のデータを生成するプロセスを通じて、映像フレームを生成します。特に、Gen-3 Alphaでは時間的次元をディフュージョン過程に統合することで、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さらに細かくカスタマイズできるよう、以下に示す制御機能も提供しています。」
- 「モーションブラシ：特定の部分に動きを付加したり、調整したりできるツールです。」
- 「高度なカメラコントロール：カメラの位置や動きを細かく設定できます。」
- 「ディレクターモード：映像のシーンの構成やスタイルを包括的に管理する機能。」
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適した柔軟性を持っています。このモデルは、詳細な時間的キャプションに訓練されており、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します。また、広範な動き、ジェスチャー、感情を持つ表現豊かな人間キャラクターの生成にも優れており、新たなストーリーの可能性を広げることができます。
「Runwayは、Gen-3 Alphaのトレーニングにおいて、研究者、エンジニア、アーティストからなる異分野チームが連携し、幅広いスタイルや映画用語を理解できるように設計されました。さらに、社内で開発された視覚モデレーションシステムやC2PAの出所基準など、新しいセーフガードも導入されています。」
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モデルのトレーニングに利用する契約を締結した。その結果、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の精度向上を目指している。さらに、RunwayはAPIをリリースし、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が可能になった。これにより、様々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 | 「文字情報から映像制作：スクリプトや記事を入力するだけで、関連する動画や音楽を組み合わせて自動的に映像を生成します。URL情報から映像制作：ブログ記事やウェブページのURLを入力するだけで、そのコンテンツを元に映像を制作します。AIによる自動編集：長時間の映像から重要なシーンを抜き出して、短いクリップにまとめます。自動字幕追加：動画に自動生成された字幕を追加します。」 |
| 対象ユーザー | 「- 情報発信者- プロモーター- 教育者- SNSマネージャー- ビジネス専門家」 |
| 生成可能な動画の長さ | 「– ソーシャルメディア用の短いクリップから、数分の長さの動画まで対応可能です。（公式サイトでの具体的な制限は明記されていませんが、通常は短編動画の作成に適しています。）」 |
| 料金形態 | 「- 無料プラン：基本機能がご利用いただけます。- 有料プラン：追加機能や使用制限の拡張が提供されます。お支払い金額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でご確認ください。」 |
| 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サポートしています。- 音声合成：ElevenLabsの高度なAI音声技術を利用して、日本語を含む複数の言語で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、ユーザーが入力するテキスト、URL、動画、画像などのデータを元に動画を作成します。さらに、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、コンテンツをさらに魅力的にします。 |
「Pictoryは、AIを駆使してユーザーがスピーディーかつ手軽に高品質な動画を制作できるプラットフォームです。文章やURLから動画を作成し、長時間の映像からハイライトを抜き出すなど、多彩な機能を備えています。」
主な特徴と機能
- 「文章を元に動画を作成：短時間で記事やブログを映像化します。」
- 「URLを元にした動画変換：ウェブページをベースに視覚的なコンテンツを生成する。」
- 「抜粋機能：長尺動画を手軽に短縮し、重要な部分を際立たせます。」
- 「自動字幕付与：AIが正確な字幕を生成します。」
- “ブランディング機能：ロゴ、カラー、フォントの調整により、ブランドイメージを揃えることができます。”
特に注目すべきは、PictoryがElevenLabsの本物に近いAI音声技術を利用していることです。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るようになります。
さらに、Pictoryはチームメンバー間の共同作業を容易にし、プロジェクトの共有や役割分担、リアルタイムでの協力が可能です。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。
Pictoryは他の同様のサービスと比較して、使いやすいインターフェースと強力なAI機能を融合し、動画制作プロセスを劇的に簡素化しています。そのため、専門的な編集スキルを持たなくても、高品質な動画を作成することができるようになりました。
Adobe Firefly
| 項目 | 詳細 |
|---|---|
| 主な特徴 | 「テキストを入力するだけで対応する動画を自動的に生成することができるシステムです。多彩なカメラコントロール機能を備えており、カメラの角度や動きを細かく設定できます。特定のスタイルや雰囲気を持つ画像を元にして生成された動画は、その雰囲気を反映させることが可能です。さらに、商用利用にも適したコンテンツを生成することができます。」 |
| 利用可能なユーザー | 「Adobe Creative Cloudのユーザーを対象としています。 Adobe FireflyはAdobe Creative Cloudに含まれ、Premiere Proなどの主要なAdobe製品と統合されているため、これらの製品を使用しているユーザーが利用できます。」 |
| 生成可能な動画の長さ | 「生成可能な動画は、短尺のコンテンツに適しており、具体的な長さに関する明確なガイドラインは現時点では提供されていません。」 |
| 料金形態 | 「現在はベータ版を無料でご利用いただけます。ただし、一部機能に制限があり、正式リリース時に料金プランが発表される予定です。」 |
| 日本語対応の有無 | 「現時点では、公式な情報に日本語対応についての具体的な記載がなく、日本語での利用可能性については明確ではありません。」 |
| 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に、ライセンスを取得済みのデータのみを利用してモデルを訓練しています。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使用されていません。” |
「Adobeが、生成AI技術を活用した新しい動画編集ツールである「Firefly Video Model」を発表しました。このモデルは、Premiere ProというAdobeの主要な動画編集ソフトウェアに統合されており、編集者が映像を拡張したり、テキストや画像から新しい映像を生成したりすることが可能となっています。」
特に注目すべき機能として、「Generative Extend」があります。これは、既存の映像クリップの始まりや終わり部分を最大2秒間長くする機能で、映像の遷移をスムーズにし、再撮影が不要となる効果があります。音声に関しては、環境音や効果音を最大10秒間伸ばすことができますが、音楽や人の声には対応していません。
さらに、「Text-to-Video」および「Image-to-Video」というツールが提供されており、テキストや画像から直接映像を生成することができます。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作成します。これにより、補足的な映像の制作や再撮影のイメージを容易にすることができます。ただし、生成される映像の解像度は720pまで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おり、Firefly Video Modelは、Adobeが承認したコンテンツのみを使用してトレーニングされているため、他社が法的問題に直面する可能性を避けることができます。さらに、生成された映像には、AIの使用を開示する「Content Credentials（コンテンツ証明書）」を含めることができます。
「これらの新機能は、AdobeのMAXカンファレンスにて公表され、他のAI機能とともに紹介されました。」
関連ニュース：OpenAIのSoraがAbobe Premiere Proに統合される見込み
Veo｜グーグル
| 項目 | 詳細 |
|---|---|
| 主な特徴 | – 高品質な動画作成: テキストや画像から1080pの解像度で動画を作成 – 素早い作成: 短時間で動画を生成可能 – 多彩なスタイル: 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、製品デザインなどに関わるもの – クリエイター：YouTubeなどでコンテンツを制作する個人やチーム」 |
| 生成可能な動画の長さ | 「1080pの高品質動画を1分以上作成可能」 |
| 料金形態 | 現在詳細については公開されていません。詳細を確認するには、Googleの公式サイトをご覧ください。 |
| 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 | 「データの詳細は秘匿しており、自然言語と視覚的セマンティクスに深く理解を基盤とした生成モデルを利用しています」 |
Googleが開発した生成AIモデル「Veo」は、テキストや画像から1080pの高品質な動画を作成する機能を持っており、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ており、プロンプトに基づいた動画を短時間で生成することができます。
「Veoは、企業の動画制作プロセスを効率化し、新しいクリエイティブな表現の幅を広げるために、既存のクリエイティブ資産をリアルタイムでビジュアルに変換します。たとえば、Imagen 3の画像や実写映像を元に、短い動画クリップを作成することが可能です。2024年5月に開催されたGoogle I/O開発者会議で初めて発表されたVeoは、テキストや画像、動画から1080pの映像を自動生成し、風景やタイムラプスなどのさまざまな視覚スタイルを表現することができます。また、生成した映像に対して編集や調整を行うこともできます。」
「VeoはYouTube Shortsと統合され、短編動画形式で高品質な背景や6秒間のクリップを生成することができるようになりました。安全性と責任を重視し、生成されたコンテンツにはDeepMindのSynthID技術を利用してデジタル透かしを埋め込み、AI生成コンテンツを簡単に特定できるようにしています。」
「VeoはGoogle CloudのVertex AIプラットフォーム上で利用可能であり、企業はこの機能を使用して高品質な動画を迅速に作成し、マーケティング、広告、製品デザインなどの様々な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 | 「文章に基づいて、現実感あふれるイメージを創出。複数の登場人物や具体的な動作、背景の細部までを忠実に描写する。」 |
| 利用可能なユーザー | 「現在、研究目的のプレビュー段階におります。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中です。」 |
| 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 | “現時点では、料金に関する公式情報は明らかにされていない。” |
| 日本語対応の有無 | 公式な文書において、日本語のテキスト指示に対応しているかどうかは明確に表明されていない。 |
| トレーニングデータの特徴 | 「公開されているビデオや著作権が取得済みのビデオを活用して学習する。」 |
OpenAIは、テキストに基づいて高品質な動画を生成するAIモデル「Sora」を公開しました。このモデルは、与えられたテキストプロンプトに基づいて、最長1分間の詳細で高解像度な映像を生成することが可能です。Soraは、複数のキャラクターや特定の動き、背景のディテールを忠実に再現し、物理的なシミュレーションによってリアルなシーンを作り出します。
OpenAIがロンドンで行われたイベントで発表したSora v2によって生成された動画があるとの情報です。最近ではSora以降、数々の動画生成AIが登場しており、目が肥えてきた印象がありますが、それでもこのSora v2の動画は別格のようですね。Sora v2の連続発表はあと10日間続く予定なので、これからの展開が楽しみですね。
— KAJI | 梶谷健人 (@kajikent) December 9, 2024
「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融合さ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、各部分を効率的に処理できます。その結果、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することが可能となり、解像度や時間の違い、アスペクト比や向きなど、さまざまな要素を考慮した生成が可能となります。」
「しかしながら、OpenAIによると、Soraの一般公開はまだ予定されていません。2024年時点では、Soraは研究目的でプレビュー提供されており、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、モデルの安全性や倫理的な使用に関する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の開発では、OpenAIが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防止するフィルターを用意しています。また、生成された動画には、生成過程を示すメタデータ（C2PAタグ）が埋め込まれる予定です。ただし、これらの対策は完璧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。
英国のフィナンシャルタイムズによると、OpenAIのSoraプロジェクトにおいて、アーティストからの抗議があったことが報じられています。一部のアーティストは、自らの無報酬の労働がSoraの早期テストに利用されたと主張し、抗議としてSoraの情報を漏らしました。この情報漏洩により、他の人々もAIを使用して動画を作成できるようになりました。OpenAIはすぐに早期アクセスを中止し、Soraが依然として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の学習データについても議論が展開しています。グーグルのCEOであるサンダー・ピチャイ氏は、OpenAIがSoraの学習中にYouTubeの利用規約に違反した可能性があるとほのめかしています。これに対して、OpenAIのミラ・ムラティ元CTOは、Soraが公開されたデータやライセンスを取得済みのデータを使用してトレーニングされたと述べていますが、YouTubeやInstagramなど特定のプラットフォームの使用に関しては明確な回答を避けています。
関連ニュース：OpenAIが、動画生成AI「Sora」を発表＝1分までの動画を生成する
Movie Gen｜メタ
| 項目 | 詳細 |
|---|---|
| 主な特徴 | – テキストを入力することで、16秒の高品質な動画を生成できる機能。 – 1枚の写真から、人物が動く動画を作成できる機能。 – 動画に合わせて効果音やBGMを自動生成し、映像と同期させる機能。 – 既存の動画を編集して、オブジェクトの追加や背景の変更、スタイルの変更ができる機能。 |
| 利用可能なユーザー | 「Movie Genは現時点では一般公開されておらず、映画製作者やクリエイターとコラボレーションしながら開発が進行中です。将来的にはInstagramなどのプラットフォームで提供される予定です。」 |
| 生成可能な動画の長さ | 「毎秒16フレームの高解像度動画（1080p）を生成できる、最大16秒の動画です。」 |
| 料金形態 | 現時点において一般には公開されておらず、料金形態に関する公式情報は提供されていない状況です。 |
| 日本語対応の有無 | 公式の情報によると、日本語への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 | 「ライセンスされたもしくは一般に公開されているデータセットを利用してトレーニングを行った」 |
「メタ社がAIモデル「Movie Gen」を発表しました。このAIは、入力されたテキストから高品質な動画と音声を生成することができます。ユーザーが入力したテキストに基づいて、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機能が備わっています。」
「メタ社の目標は、映画製作者やアーティスト、インフルエンサーなど、同社のプラットフォームユーザーに革新的な可能性をもたらすことです。ただし、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、高いコストと生成に時間がかかるという課題があると述べています。」
「映像生成モデル「Movie Gen [Polyak+、2024]」は音声付き動画の生成と編集を行うためのモデル群であり、品質評価においてはSoraなどを凌ぐSOTAを達成しています。TransformerをFlow Matchingで訓練し、動画のパッチ化には時空間自己符号化器(TAE)を活用しています。」#最新情報 #読んでいます
— Shion Honda (@shion_honda) December 7, 2024
「『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が、AI生成技術の進化により、著作権や倫理的使用に関する懸念が増大しています。特に、ハリウッドでのストライキにおいて、AIがクリエイティブ産業に与える影響に関する議論が展開されました。この課題に対処するため、メタ社は、AI生成コンテンツの責任ある使用を促進するための措置として、AIによって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。」
Meta社はロイター通信によると、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に取り組んでいるとされています。この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・アフレック氏が関与していると報じられています。
「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る。メタ社は、「Movie Gen」がこれらの競合モデルよりも品質、動き、自然さの面で優れていると主張している。2024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連携して開発を進めている。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。
関連ニュース：日米政府が、科学研究や安全性に特化したAI技術の開発に向けて連携を強化する方針です。
「2025年は動画生成AIが注目される年となるか？」
テキストや画像をベースにして、素早くて高品質な動画を生成する新しい技術である動画生成AIが、様々な分野で注目を集めています。この革新的な技術の進化により、映画や広告制作、教育、そして個人のクリエイターが活動する上で大きな貢献があり、時間とコストの面でも効果を発揮しています。一方で、リアルな映像表現のために必要な高度な計算リソースや、著作権や倫理的課題に関連する問題も浮上しており、これらの課題に対処するための取り組みが進行中です。
「本記事で紹介された各ツールには、一部が一般公開されていないものも含まれますが、それぞれが独自の技術や用途を持ち、クリエイティブ業界の活性化に貢献する可能性があります。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に影響を与えるか、注目が必要です。新しい技術の導入と同時に、安全性や倫理的側面に適切に対処することが、この分野の成長を支える重要な要素となるでしょう。」
Follow us on:
「X（ツイッター）：@yourdailyscrypt
Telegramのチャンネル：@thedailyscrypt 公式チャンネル」と言えます。
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。
