テキストから動画生成(Text-to-Video)

ざっくり言うと

イメージ

例えるなら、注文を受けてから短い映像を1本だけ撮ってきてくれる、小さな撮影スタッフです。台本（プロンプト）を渡すと、そのカットを作って届けてくれます。

映画を丸ごと作ってもらう道具ではありません。素材になる短いショットを何本も用意してもらう使い方が、今のところは近いです。

正確には

Text-to-Videoは、文章で書いた指示（プロンプト）を読み取り、その内容に合う動画を作る技術をまとめて呼びます。動画の中身は、少しずつ違う絵を時間の順に並べたもの（フレーム列）です。

Text-to-Imageが作るのは、1枚の絵だけです。Text-to-Videoでは、そこに動きと時間のつじつまを合わせる仕事が加わります。そのぶん、技術的なハードルが一段上がります。

よく名前が挙がるモデル

Stability AIのStable Video Diffusionのように、文字ではなく画像を起点にするもの（Image-to-Video）もあります。受け付ける入力の形は、サービスごとに違います。「動画生成AI」という呼び名だけを見て、文章から作れると決めつけないでください。

各モデルの最新仕様、作れる秒数、解像度、利用条件、料金は更新がとても速いため、使う前に各社の公式ページで確かめてください。

GoogleとxAIの最近の発表から

2026年7月時点の発表を、時期と条件つきでまとめます。

• Google（2026年7月16日）
  Google Vidsに、Gemini Omni Flashによる動画クリップの生成と、文章で既存の動画を編集する機能を追加しました。同じ時期に、顔と声を録画して自分のAIアバターを作る機能も発表されています。Google Vidsの対象プラン・年齢・言語・地域に条件があり、Veoモデル全般やGeminiアプリの全利用者への提供という意味ではありません。録画したデータは、Googleアカウントで別に管理されます。
• xAI
  Grok Imagine Video 1.5をAPIで一般提供しています。GrokのWeb・iOS・Androidでは高速版が提供され、公式発表では高速版の例として6秒・720pの動画生成が示されています。

選べる長さや解像度は、使う経路とモデルごとに確認してください。

画像生成との一番の違いは、時間のつじつま

静止画なら、絵として成立しているかだけを見れば大丈夫です。動画では、次の3つも問われます。

• フレームどうしのつながり
  1秒目と2秒目で、同じ犬が急に別の犬に変わらないか
• 物理っぽさ
  物が自然に動くか（コップが空中で止まったり、足が逆に曲がったりしないか）
• カメラワーク
  視点の移動がガクつかないか

絵が描けるだけでは足りません。短い映像をどう見せるかまで、AIが受け持つことになります。ここが、計算に時間もお金もかかる理由です。

静止画より時間もお金もかかります

理由は単純です。フレームの枚数のぶんだけ絵を描き、しかも全部のつじつまを合わせる必要があります。数秒の動画でも、内部では数十枚から数百枚の絵を、整合性を保ったまま作っているイメージです。

その結果、次のようなことが起きます。

• 待ち時間は、生成する長さ・解像度・モデルによって変わります
• 料金の数え方は、APIの秒数課金やクレジット制など、サービスごとに違います
• 失敗して作り直したぶんも、利用量を消費することがあります

画像生成と同じ感覚で何度も作り直すと、クレジットがあっという間に減っていきます。

使う場面

個人事業主の活用例

いっぽうで、今のところ向いていない使い方もあります。

• 自分や有名人など、特定の人物を主役にした長い動画。同じ顔を保つのが難しく、肖像権や規約の問題もあります。
• 文字・ロゴ・商品名を正確に表示すること。動画生成AIは、文字を苦手とすることが多いです。
• 複数のカットにまたがる長い物語。1回で作れる長さや、人物・物の一貫性には、モデルごとに限界があります。
• 医療・法律・金融など、誤りがそのまま被害につながる解説動画。中身の正しさをAIが保証してくれるわけではありません。

実写の撮影を置き換えるというより、素材サイトのストック動画を自分で用意するイメージです。この距離感で使うと、今のところ扱いやすいです。

注意点

仕事で使うときの最低限

技術としておもしろいのは間違いありません。ただし、「作れる」と「公開していい」は別の話です。

商用で使う前に、そのサービスの利用規約と、動画を出す先のプラットフォームの規約を、両方確かめるクセをつけてください。

関連用語

• テキストから画像生成 — 文章から1枚の絵を作る技術です。動きが要らないなら、こちらで足りることも多いです。
• プロンプト — 何をしてほしいかをAIへ伝える指示文です。動画生成では、ほしい映像を書いた文章がこれにあたります。
• マルチモーダル — 文字・画像・音声・動画をまたいで扱えるAIの性質を指す言葉です。
• 生成AI — 文章や画像、動画を新しく作り出すAIをまとめて呼ぶときの言葉です。

やってみよう