テキスト生成動画 vs 画像生成動画、結局どう選べばいいのか
まず結論から:二者択一ではなく、役割分担の問題
結論を先に言ってしまうと、テキスト生成動画と画像生成動画のどちらが優れているかで悩むこと自体が、そもそも間違った問いだ。この2つは競合する技術ではなく、同じ制作フローの中の2つの工程にすぎない——テキスト生成動画はゼロから世界を作り出す役割を担い、画像生成動画はすでに確定した世界をそのまま動かし続ける役割を担う。本当に問うべきなのは、このプロジェクトのどの段階でどちらを使うべきか、ということだ。
制御力の違い:テキスト生成動画は運任せ、画像生成動画はアンカーを与える
テキスト生成動画の入力はテキストだけであり、モデルは構図、光の当たり方、被写体の見た目、カメラの動きを同時に決めなければならない——自由度は最も高いが、それは最終的な画面に対する制御力が最も低いことも意味する。同じプロンプトを10回実行しても、キャラクターの顔つきが毎回変わってしまうことすらある。キャラクターが繰り返し登場する必要があるプロジェクトにとって、これは致命的だ。
画像生成動画はその逆だ。参照画像を起点として与えれば、モデルの仕事は「この画像を動かす」ことに絞られる。被写体の外観や構図は基本的に固定され、気にすべきは動きとカメラワークだけになる。制御力と引き換えに、事前に画像を準備するという一手間が増える。しかも参照画像の品質が完成映像の下限を直接決めてしまう——参照画像自体の構図がぎこちなかったり光がおかしかったりすると、動画生成モデルはそれを修正してくれるどころか、そのまま忠実にアニメーション化してしまう。
画像生成動画への対応度もモデルによってかなり差がある。Wan 3.0 は参照画像の再現度に対する評価が高く、基本的に見たままの結果が得られる。MiniMax H3 は画像生成動画におけるキャラクターの一貫性で定評がある。Veo 3.1 が新たに搭載したファーストラストフレームと複数参照画像制御は、画像生成動画の制御力という強みを、より連続性が求められるナラティブなシーンにも持ち込んだと言える。
一貫性問題の根本原因と、その根治法
一貫性は、クリエイターが最も不満を漏らす問題と言っていい——前のショットのキャラクターが、次のショットで別人の顔になっている。原因は実はシンプルだ。純粋なテキスト生成動画は、生成のたびに独立したサンプリングが行われる。モデルにはショットをまたいだ記憶がなく、こちらは同じキャラクターを撮っているつもりでも、モデルから見れば完全に無関係な2つのタスクにすぎない。
運任せで何度も生成し直すのは根治ではなく、単なる自己満足だ。本当に根治する方法は2つある。
- 被写体の参照画像を1枚アンカーとして固定し、以降のすべてのショットで同じ画像を画像生成動画の起点として使う——ショットごとにテキスト生成動画をやり直して似ているものを選ぶのではなく。
- 参照画像やキャラクターの一貫性機能に対応したモデルを使う。たとえば Runway Gen-4 のReferences機能、Veo 3.1 の複数参照画像機能、Vidu Q3 のキャラクター・小道具・シーンを同一フレームで参照する機能などは、そもそも一貫性の問題を解決するために設計されたものであり、プロンプトだけで外見を説明するよりはるかに信頼できる。
結局のところ、一貫性の問題はプロンプトを細かく書けば解決するものではなく、ワークフローの段階で計画しておくべきものだ。まずキャラクターの参照画像を決め、それを軸にすべての後続生成を組み立てる。
参照画像はどこから調達するか
次に現実的な問題になる。参照画像はどこから持ってくればいいのか。
選択肢は基本的に3つ。1つ目は自分で撮影するか既存の素材写真を探す方法で、リアルさが強みだが手元にあるものに限られる。2つ目はデザイナーに発注する方法で、品質は保証されるが期間もコストも上がる。3つ目はAI画像生成ツールでその場で1枚作る方法で、この選択肢はここ数年で急速に実用レベルに達した。プロジェクトが急いでいるときは PixPix を開いて参照画像を作ることが多い——テキストから画像を生成する段階で構図と光を何度でも調整・確認でき、納得のいく結果になってから画像生成動画に進める。動画モデルの中で連続してガチャを回すより、素材コストも時間も節約できる。
どれを選ぶかはプロジェクトに求められるリアリズムの度合いによる。ドキュメンタリー系のコンテンツはやはり実写をベースにする必要があるが、様式化されたナラティブコンテンツならAI生成画像を参照画像にして基本的に問題ない。しかもそのほうが逆にスタイルの統一を制御しやすい——同じAI画像生成のスタイルパラメータで複数枚の参照画像をまとめて生成するほうが、寄せ集めの素材写真より画風の一貫性を保ちやすい。
テキスト生成動画を使わざるを得ないケース
画像生成動画がどれだけ便利でも、届かない領域はある。
- 存在しないシーンや生物をゼロから構築する必要がある場合——参照できる画像がなく、テキストから直接生成するしかない。
- カメラワークそのものを演出手段として強調する場合(複数の空間をまたぐ長回しなど)——画像生成動画は開始構図を固定してしまうため、この種の大規模なカメラワークの自由度をむしろ制限してしまう。
- 物理シミュレーション系のコンテンツ(衝突、流体、爆発)——Sora 2 のような物理表現に強いモデルでは、テキスト生成動画で物理的な挙動を直接記述したほうが、参照画像を探すより手っ取り早いことが多い。
- 初期のクリエイティブ探索段階——ビジュアルの方向性がまだ決まっていない時期は、テキスト生成動画の自由度の高さがむしろ強みになり、複数の可能性を素早く見せてくれる。
ハイブリッドワークフロー:ファーストラストフレーム+テキスト生成動画による継ぎ足しの実践手順
実際のプロジェクトでは、経験を積んだやり方は決して二者択一ではなく、ファーストラストフレームとテキスト生成動画による継ぎ足しを組み合わせたハイブリッドフローになる。
具体的な手順:まずテキスト生成動画かAI画像生成で最初のキーフレームと最後のキーフレームの画面を確定し、この2枚を画像生成動画のファーストラストフレーム入力として使う(Veo 3.1などがこの機能に対応)。モデルに中間の遷移アニメーションを生成させる。1セグメントの長さが足りない場合は、そのセグメントの最後のフレームを切り出して次のセグメントの開始画像とし、再びテキスト生成と画像生成を組み合わせて続きを書く——リレーのように短いセグメントをつなげて長いナラティブに仕上げていく。
Kling 3.0 の延長機能や Veo 3.1 のFlowによるシーン拡張は、本質的にはこのリレーのロジックを製品化したものであり、自分でフレームを切り出してつなぐ手間を省いてくれる。
モデル別ルート早見表
手っ取り早く済ませたいなら、これだけ覚えておけば十分だ。
- キャラクターが繰り返し登場し、ショットをまたいだ一貫性を優先したい——画像生成動画から始め、Wan 3.0、MiniMax H3、または参照画像機能を備えた Runway Gen-4 を選ぶ。
- ゼロから世界を作り、物理効果を派手に見せたい——テキスト生成動画、Sora 2 か Seedance 2.5 が第一候補。
- セリフと音声付きのナラティブ短編を作りたい——テキスト生成動画から始め、Veo 3.1 の複数参照画像機能で後続ショットの一貫性を補う。
- 分単位の長尺ナラティブ・ショートドラマを作りたい——ハイブリッドフロー、Kling 3.0 の延長機能が現時点で最も成熟している。