動画生成AIとは（text-to-video / image-to-video）

文章や画像から短い動画を生成するAI。仕組み・使い方・注意点

動画生成AIは、文章や画像を入力して短い動画クリップを作り出すAIです。画像生成AIの技術を「時間方向」に広げたもので、ここ数年で画質や動きの自然さが大きく向上しました。広告素材、SNS用ショート動画、絵コンテ代わりのイメージ映像などで使われ始めています。

入力の種類

text-to-video（T2V）：文章だけで動画を作る。「夕暮れの海辺をゆっくり歩く犬、カメラは横から追う」など。
image-to-video（I2V）：1枚の画像を起点に動かす。商品写真やキービジュアルに動きをつけたいときに便利です。
video-to-video：既存の動画のスタイルを変えたり、一部を編集したりする。

一部のサービスでは、効果音や環境音、セリフなどの音声も同時に生成できます。例えば Google DeepMind の Veo の公式ページでは、ネイティブ音声生成、参照画像、最初と最後のフレーム指定、カメラ操作などの機能が紹介されています（2026年10月時点）。

仕組みの概要

多くの動画生成AIは、画像生成と同様に拡散モデルを基礎にしています。違いは、1枚ではなく複数フレームをまとめて扱い、フレーム間の一貫性（同じ人物が同じ顔のまま動く、物体が急に消えない、など）を保つよう学習している点です。動画は画像よりデータ量がはるかに大きいため、潜在空間で圧縮して扱うなどの工夫がされています。

上手に使うコツ

カメラワークを言葉にする：「ズームイン」「パン（横移動）」「固定カメラ」など、撮影用語で書くと伝わりやすくなります。
1カットに1つの動き：たくさんの出来事を詰め込むと破綻しやすいため、短いカットを複数作って編集でつなぐのが基本です。
image-to-video で絵柄を固定：まず画像生成AIの基本で理想の1枚を作り、それを動かすと狙いに近づきやすくなります。
複数回生成して選ぶ：同じ指示でも結果は毎回変わります。候補を並べて選ぶ前提で計画しましょう。

苦手なこと・失敗しやすい点

長時間の一貫した物語（キャラクターの顔や服装が途中で変わる）
手や指、文字、ロゴの正確な描写
物理的に正しい動き（液体、衝突、複雑な手の動作）
細かい口の動きと音声の同期（サービスにより差があります）

ビジネスで使うときの注意

権利処理：入力に使う画像・音楽・人物の権利を確認してください。実在の人物に似せた動画や、本人の声を模した音声を無断で作ることは避けましょう（音声合成も参照）。
誤認防止：実写と見分けがつかない動画は、AI生成であることの表示が求められる場面が増えています。Veo の公式ページでは、生成動画に SynthID の電子透かしが入ると説明されています。詳しくはウォーターマークの記事を参照してください。
広告表現：商品の効果や実物と異なる見せ方は、景品表示法などの観点で問題になることがあります。実物の性能を誇張する演出は避けましょう。
料金と商用利用条件：サービスやプランによって生成できる長さ・解像度・商用利用の可否が異なり、頻繁に変わります。利用前に最新の規約を確認してください。

参考リンク

編集: AI Play 編集部　最終更新: 2026-10-25