動画向けAI

Gemini Omni Flash 1.2は、私たちの「渋谷」テストで100点満点、16モデル中1位でした。夜の雨の交差点で、女の子が「いち、に、さん、し、ご」と声に出して数えます。指の本数も、1から5まで全部合っていました。5つとも正しく示せたのは、このモデルだけです。信号は「ご」の瞬間に青に変わりました。風で傘が裏返り、最後には笑い声も入っています。カメラは指示どおり動きません。

Google のGemini Omniファミリーのモデルで、映像と音声をまとめて作れます。テストでは雨音や街の音、車の走る音が背景に入りました。セリフと動きのタイミングも合っています。詳しくはGemini Omni Flash 1.2のページをご覧ください。

向いている人： セリフ、手の動き、効果音の細かな指定を一本の動画で再現したい方に向いています。

Seedance 2.0は「渋谷」テストで82点、16モデル中2位でした。「いち、に、さん、し、ご」を最後まで声に出して数え、青信号は「ご」の瞬間に変わりました。傘は風で裏返り、最後に笑い声も入っています。指の本数が合ったのは5回中2回です。また、道路のタクシーが急に消えました。

対応する長さは4〜15秒、解像度は480pと720pです。縦横比は16:9、4:3、1:1、3:4、9:16、21:9から選べます。参照画像は最大9枚で、最初と最後のフレームも指定できます。動画を入力することもできます。

向いている人： 雨や街の環境音まで含めた映像を作りたい方や、参照画像でイメージを固めたい方に向いています。

Kling 4.0 Flash は、渋谷の雨の夜を描く私たちのテストで 100点中82点、16モデル中3位でした。女の子は「いち、に、さん、し、ご」を最後まで声に出して数えました。「ご」の瞬間には信号が青に変わりました。風で傘が裏返り、最後に笑う場面もあり、カメラは固定のままです。雨音や街の音、車の音も聞こえました。ただ、指の本数が合ったのは5語中2語だけでした。

Kling 4.0 Flash は Kuaishou の Kling ファミリーのモデルです。長さは3〜20秒、解像度は720pです。画面比率は16:9、9:16、1:1、21:9から選べます。参照画像は1枚使え、自分の画像を最初のフレームにすることもできます。動画を入力することも可能です。詳しくは Kling 4.0 Flash のページをご覧ください。

向いている人： 天候や信号のような場面の演出と音の雰囲気を重視し、指の動きまで細かく合わせる必要がない動画を作りたい方に向いています。

MiniMax H3は「渋谷」テストで100点中68点、16モデル中4位でした。「いち、に、さん、し、ご」を最後まで声に出して数え、信号は「ご」の瞬間に青に変わりました。指は5回中3回が一致し、「さん」と「し」がずれました。傘は風で裏返らず、ひとりでに閉じました。笑い声は入っています。固定を指定したカメラは動きました。雨音と街の音、車の音も聞こえます。

長さは4〜15秒で、解像度は768pと2Kから選べます。アスペクト比は21:9、16:9、4:3、1:1、3:4、9:16の6種類です。参照画像は最大4枚まで使え、最初と最後のフレームも指定できます。詳しくはMiniMax H3をご覧ください。

向いている人： 音と映像のタイミングを重視し、縦長から21:9まで幅広い比率で動画を作りたい方に向いています。

Veo 3.1は「渋谷」テストで100点中62点、16モデル中6位でした。いち、に、さん、し、ごの五語は声に出して数え切れています。ただ、指の本数が合ったのは「いち」と「ご」の2つだけです。信号が青に変わったのは「ご」の0.6秒後でした。傘は風で裏返り、最後の笑いもあります。一方、カメラは固定の指定なのに動いていました。雨や街、車の音は入っています。

できることは次のとおりです。長さは8秒です。解像度は1080pと4Kに対応します。縦横比は16:9と9:16です。参照画像は最大3枚まで使えます。手持ちの画像を最初のフレームに指定することもできます。

向いている人： 雨や街の音まで含めた8秒の映像を、縦横どちらの比率でも作りたい方に向いています。

渋谷のテストでは、Wan 3.0は100点中62点で、16モデル中7位でした。「いち、に、さん、し、ご」は声で最後まで言えました。ただ、指の数が合ったのは5回中2回だけです。「に」と「ご」は正しく、それ以外は2本のままでした。信号が青に変わったのは「ご」の0.8秒後です。傘は風で裏返り、最後に笑う場面もありました。雨や街、車の音も聞こえます。一方で、固定のはずのカメラは動き、傘の骨の形も崩れました。

Wan 3.0はAlibabaのWanファミリーのモデルです。長さは3〜30秒で、解像度は480p、720p、1080pから選べます。縦横比は16:9、4:3、1:1、3:4、9:16に対応しています。参照画像は最大10枚まで使えます。最初と最後のフレームも指定できます。詳細はWan 3.0のページをご覧ください。

向いている人： 手元の細かい動きよりも、雨や街の音、表情の自然さを重視する映像づくりに向いています。

Seedance 2 Mini は、渋谷の夜を舞台にした私たちのテストで、100点中60点、16モデル中8位でした。女性は「いち、に、さん、し、ご」を最後まで声に出して数えました。「ご」の瞬間には信号が青に変わり、最後の笑いもありました。カメラは指示どおり動かず、雨音と街の音、車の音も聞こえました。一方で指の本数は5回とも合わず、傘は風で返らず、勢いよく勝手にたたまれました。

動画の長さは4〜15秒で、解像度は480pと720pです。縦横比は16:9、4:3、1:1、3:4、9:16、21:9から選べます。参照画像は最大9枚まで使えます。最初と最後のフレームを指定でき、動画を入力することもできます。

向いている人： 人物の表情や声のある短い動画を作りたい方に向き、指で数を示す場面や細かな小道具の動きが必要な用途には不向きです。

渋谷の雨の夜というお題で、Seedance 2 Fast は56点、16モデル中9位でした。青信号は「ご」の瞬間に変わり、傘は風で裏返り、最後の笑いも入っています。一方、声は「いち、に、さん、し、ご、ご」と最後が重なりました。指の数が合ったのは5語中1語だけです。カメラは固定の指定でも動きました。雨と街、車の音は聞こえます。

Seedance 2 Fast は ByteDance の Seedance ファミリーのモデルです。長さは4〜15秒、解像度は480pと720pで、比率は16:9、4:3、1:1、3:4、9:16、21:9から選べます。参照画像は最大9枚で、最初と最後のフレームの指定や、動画の入力にも対応します。詳しくは Seedance 2 Fast をご覧ください。

向いている人： 環境や信号、顔の安定感を重視し、縦長から21:9まで比率を選んで短い動画を作りたい方に向いています。

Wan 2.6は「渋谷」テストで56点(100点満点)、16モデル中10位でした。いち、に、さん、し、ごと声に出して数え、雨と街の音、車の音も入っています。笑い声と固定カメラも指示どおりです。一方、指の本数が合ったのは5回中1回だけでした。青信号は「ご」より1.8秒遅れて点きました。傘は風で裏返りましたが、最後は空気に溶けるように消えました。

Wan 2.6はAlibabaのWanシリーズのモデルです。動画の長さは5〜15秒で、解像度は720pと1080pから選べます。画面比率は16:9です。自分の画像を最初のフレームにして動かすこともできます。

向いている人： 雨や街のざわめきまで含めた短い場面を作りたい方に向いていますが、手の動きの正確さが必要な場面には向きません。

渋谷の夜を再現したテストで、Kling 4.0は100点中52点、16モデル中11位でした。声は「いち、に、さん、し、ご」と最後まで出ましたが、指の数が合ったのは5語中2語です。信号は「ご」より1.7秒早く青に変わりました。傘は風で裏返らず、そのまま閉じました。一方、背景や看板、顔の細部は崩れず、雨と街の音、笑い声もありました。

Kling 4.0は3〜30秒の動画を作れます。解像度は720pと1080p、比率は16:9、9:16、1:1、21:9です。参照画像は1枚で、最初と最後のフレームの指定や、動画の入力にも対応します。

向いている人： 細部の安定感を重視し、長さや比率を選んで試したい方に向いています。

渋谷の夜の交差点というテストで、Wan 3.0 Prime は100点中46点、16モデル中12位でした。女の子は「いち、に、さん、し、ご」を声に出して数え切りました。ただ、指の本数が合ったのは5回中1回だけで、「さん」の3本のみ正解です。信号は「ご」より0.7秒遅れて青に変わりました。ウインドブレーカーならぬ傘は、風で裏返らず、勝手にたたまれました。最後の笑い声は入り、雨音や街の音、車の音も聞こえます。固定のはずのカメラは動きました。

Wan 3.0 Prime は Alibaba の Wan シリーズのモデルで、3〜30秒の動画を作れます。解像度は480p、720p、1080pから選べます。縦横比は16:9、4:3、1:1、3:4、9:16に対応します。参照画像は最大10枚まで使え、最初と最後のフレームも指定できます。詳細は Wan 3.0 Prime のページにあります。

向いている人： 人物の細かな指の動きよりも、雨の街並みのような背景の安定感と、長さや比率を選べる自由度を重視する方に向いています。

渋谷のテストでは、100点中36点で16モデル中13位でした。声は「いち、に、さん、し、ご」と最後まで出ています。ただ、指は5回とも1本のままで、合っていたのは「いち」だけです。青信号は「ご」より2.0秒遅れて点きました。傘は風で裏返らず、自分で畳まれました。固定のはずのカメラも動きました。一方、最後の笑いと、雨や街、車の音は入っています。背景や光、顔は安定していました。

Kling 3.0 Omni は、最大10枚の参照画像を使えます。自分の画像を最初のフレームにすることもできます。動画を入力として渡せる点も特徴です。詳しくは Kling 3.0 Omni をご覧ください。

向いている人： 細かな動作の正確さより、参照画像や手元の動画を生かして雰囲気のある映像を作りたい方に向いています。

Gemini Omni Flash 1.1は、渋谷の雨の夜を描く私たちのテストで100点中32点、16モデル中14位でした。声の数え方は「いち、に、さん、さん」で、「し」と「ご」が抜けています。指の本数が合ったのは5語中2語です。青信号は点きましたが、「ご」の合図にはなっていません。傘は風で裏返らず、勝手にたたまれました。一方、カメラは指示どおり動かず、雨と街、車の音も入り、最後の笑いも自然でした。

長さは4〜10秒で、解像度は360p、720p、1080p、4Kから選べます。縦横比は16:9と9:16に対応しています。参照画像は最大7枚で、最初と最後のフレームも指定できます。動画を入力として渡すこともできます。詳しくはGemini Omni Flashのページをご覧ください。

向いている人： 数や動きの正確さより、背景と表情が安定した短い映像を、縦横どちらの形式でも作りたい方に向いています。

Hailuo 2.3は、渋谷の夜の雨をテーマにした私たちのテストで、100点中30点でした。順位は16モデル中15位です。映像そのものは安定していました。信号は青に変わり、女の子の顔や周囲も崩れません。ただ、音声がなく、「いち、に、さん、し、ご」の声は聞こえませんでした。傘は風で裏返りましたが、骨の部分が歪んで見えました。笑う場面は入り、カメラも指示どおり動きませんでした。

Hailuo 2.3(MiniMax)は6〜10秒の動画を作れます。解像度は768pと1080pで、画面比率は16:9です。参照画像を1枚使えるほか、手元の画像を最初のフレームにもできます。詳しくはHailuo 2.3のページをご覧ください。

向いている人： 声は後から付ける前提で、手元の画像から安定した16:9の短い映像を作りたい方に向いています。

Kling 2.6は、渋谷の雨の夜を描く私たちのテストで10点(100点満点)、16モデル中16位でした。いち、に、さん、し、ごのカウントは聞こえませんでした。信号は青に変わりましたが、「ご」には合っていません。傘は風で飛び、最後に笑う場面はありました。カメラは固定の指定なのに動き、雨と街、車の音は入っていました。

Kling 2.6はKuaishouのKlingシリーズのモデルです。長さは5〜10秒で、1:1、16:9、9:16から選べます。手元の画像を最初のフレームに使うこともできます。詳しくはKling 2.6をご覧ください。

向いている人： 縦長や正方形の短い動画を、自分の画像から作ってみたい方に向いています。

Gemini Omni Flash は、Google の Gemini Omni ファミリーに属するモデルです。生成できる動画の長さは4秒から10秒です。短いクリップを高い解像度で仕上げたい場面に向いています。

画面の縦横比は16:9と9:16に対応しています。横長の映像にも縦型の動画にも使えます。参照用の画像は最大7枚まで添えられます。動画を入力として渡せる点も特徴です。仕様の詳細は Gemini Omni Flash のページにあります。

向いている人： 縦型と横型の短い動画を、複数の参照画像や手元の動画を使って作りたい方に向いています。