動画生成AIとは
Text-to-Video / テキスト動画生成
テキストや画像などの指示から動画を生成するAI技術の総称
ひとことで言うと
概要
動画生成AIとは、テキストや画像などの指示から動画を生成するAI技術の総称を指す。 拡散モデルを時間方向へ拡張し、フレーム間の一貫性を保ちながら映像を生成する方式が主流で、SoraやVeoなどのモデルが代表例になる。 数秒から数十秒の短い映像の生成が中心だが品質の向上は速く、広告・映像制作・プロトタイピングでの活用が広がっている。一方で、ディープフェイクへの悪用や学習データの権利面の課題も議論されている。
歴史
2022年頃からMetaのMake-A-VideoやGoogleのImagen Videoなどの研究発表が相次ぎ、2024年2月のSoraの発表を機に注目が高まった。
アーキテクチャ
静止画向けの拡散モデルを時間方向へ拡張し、フレーム間の一貫性を保つため時間方向の注意機構（Temporal Attention）や3D畳み込みを組み込む構成が多い。Soraは、Transformerと拡散モデルを組み合わせ、動画を時空間パッチ（spacetime patch）の系列として扱うことで可変の長さ・解像度に対応した。
利点
- 絵コンテやプロトタイプ映像を、実写撮影やCGレンダリングなしに短時間で試作できる
- テキストの指示だけで、カメラワークや被写体の動きを含む映像を生成できる
- 静止画生成AIと同様、反復的な試行を通じてアイデアを素早く可視化できる
欠点
- 生成できる動画の長さは依然として数秒〜数十秒程度に制限されることが多い
- 物体同士の物理的な相互作用など、複雑な物理法則の再現には限界がある
- 実在の人物や著作物に類似した映像を生成しうる懸念があり、権利・肖像面の議論が続いている
関連用語
よくある質問
音声も同時に生成できる？
モデルによる。Veo 3のように映像と同期した音声を生成できるモデルも登場しているが、多くのモデルは映像のみを生成し、音声は別途付与する必要がある。