AIツール超わかる教科書

テキストから動画生成(Text-to-Video)

「文字で書いた説明から、短い動画を作ってくれるAI」=Text-to-Video。Sora・Veo・Runway・Pikaなどの代表例、画像生成との違い、個人事業主が使うときの注意点を小中学生でも分かるように超訳します。

公開: 2026-05-13 ／ 更新: 2026-05-15

ざっくり言うと

代表例は OpenAI の Sora、Google DeepMind の Veo、Runway の Gen シリーズ、Pika、Stability AI の Stable Video Diffusion などです。

イメージ

正確には

Text-to-Video は、ユーザーが入力した自然文の指示(プロンプト)を解釈し、その内容に合う 時間方向にも連続したフレーム列(=動画) を生成する技術の総称です。Text-to-Image が「1枚の絵」を作るのに対し、Text-to-Video は「動きと時間のつじつま」まで面倒を見る必要があるため、技術的なハードルが一段上がります。

代表的なモデル(公式表記そのまま)

サービス / モデル提供元位置づけ
SoraOpenAIテキスト・画像・動画から動画を生成する OpenAI の動画生成モデル
VeoGoogle DeepMindGoogle DeepMind が開発する動画生成モデル
Gen シリーズ(Gen-2 / Gen-3 等)Runway動画生成・編集に特化した Runway の研究プロダクト群
Stable Video DiffusionStability AI画像から動画を生成するオープンな基盤モデル
PikaPika Labs短尺動画生成にフォーカスしたサービス

各モデルの最新仕様・対応する秒数・解像度・利用条件・料金はアップデートが激しいため、必ず各社の公式ページで最新情報を確認してください(この記事では固定数値は載せません)。

画像生成との一番の違い:時間方向の一貫性

静止画なら「絵として成立しているか」だけ気にすれば大丈夫ですが、動画では追加で次が問われます。

  • フレーム間の連続性: 1秒目と2秒目で、同じ犬が急に別の犬に変わらないこと
  • 物理っぽさ: 物体が自然に動くこと(コップが空中で止まったり、足が逆に曲がったりしない)
  • カメラワーク: 視点の移動がガクつかないこと

つまり「絵が描ける」だけでなく、「短編映像のディレクションっぽいこと」までAIがやる必要があります。これが計算コストの重さの正体です。

なぜ静止画より時間も計算も食うのか

ざっくり言うと、フレームの枚数ぶん絵を描いて、しかも全部つじつまを合わせる必要があるからです。たとえば数秒の動画でも、内部的には数十枚〜数百枚の絵を整合性を保ったまま生成しているイメージで、その結果:

  • 待ち時間が画像生成より明確に長い(秒〜分単位は普通)
  • 利用料が1本ごとにそれなりにかかる(クレジット制のサービスが多い)
  • 生成失敗時のリトライ代もそれなりに重い

「画像生成と同じノリで連打する」と、すぐにクレジットが溶けます。

個人事業主の活用例(現実ライン)

「実写の代わり」というより、「手描きアニメや素材サイトのストック動画の代わり」くらいの距離感で使うと、現状ハマりやすいです。

注意点

技術として面白いのは間違いないですが、「作れる」と「公開していい」は別問題です。商用で使う前に、そのサービスの利用規約と、出す先のプラットフォーム規約の両方を確認するクセをつけましょう。

やってみよう

関連用語として、画像版にあたる テキストから画像生成(Text-to-Image)、複数の入力モード(文字・画像・音声・動画)をまたいで扱う マルチモーダル(Multimodal)、こうした生成系AI全般を指す 生成AI(Generative AI) も合わせて読んでおくと、頭の中の地図がきれいに揃います。

参考ソース

UPDATES

新着用語をLINEでお届け

新しい用語記事やAIの最新ニュース、仕事に役立つヒントをお届けします！

リンク先は、運営元の Nanoha AI Labo 公式LINEです。

公式LINEを友だち追加