見出し画像

【完全比較】同じプロンプト比較でガチ検証！PixAI v4.0・Runway AI動画・Sora級モデルの中で、一番キャラが崩れない最強の「アニメ AI動画」はどれ？

ハカセ アイ (Ai-Hakase)🐱YouTube × 記事でトレンドAIを解説する為のnote🐾

どうも皆さん！実は家で使い捨ての歯ブラシが大量に余ってます、 葉加瀬あい（ハカセアイ） です！

ということで今回ご紹介するのは、AI動画生成の常識を根底から覆す最新モデルのガチ比較、 「同じ指示文で4つの最新AI動画生成ツールを徹底検証してみた」 です！　　

最近のAI動画生成の進化は本当に凄まじいのですが、「結局どれが一番キャラクターの一貫性を保てるの？」「SNSでバズる高品質なアニメ動画を作れるのはどこ？」と気になっている方も多いはず。

今回は、同じ画像素材とまったく同じプロンプトを使って、話題のPixAI v4.0からRunway、X（旧Twitter）のGrok（グロック）、バイトダンスのHappy Horse（ハッピーホース）、さらにはViduのQ3モデルなどの最新の推論型AIモデルまでを実際に一斉に回して検証しました！パラメーターの細かい分析よりも、「パッと見のクオリティ」や「見た目の比較」を最優先して、忖度なしの本音レビューをお届けします！　　

ということで今回お話しする内容はこんな感じです！

  • DiT＋推論モデルの時代へ ：最近のAI動画生成が「無茶ぶりに応えてくれる」ようになった仕組み

  • 4大AI動画生成ツールを一斉比較 ：キャラクターの一貫性と破綻の少なさを目視でチェック！

  • 初心者向けの結論 ：実務やSNS運用で今すぐ使うべき、皆さんにおすすめの最強ツール

動画版はこちらからどうぞ！

なお、Youtube では note の内容を動画に変換して公開しているので、まだの方は noteのフォロー や YouTubeのチャンネル登録 もお願いします！

それでは、本日もよろしくお願いします！


ただのDiTじゃない？最新動画生成AIが「無茶ぶりに付き合ってくれる」驚きの仕組み

最近の動画生成AIの進化って、本当に目を見張るものがありますよね！少し前までは「指示した通りに動かない」「キャラの顔がすぐ崩れる」というのが当たり前だったんですが、今の最新モデルは一味も二味も違います。

これまでの動画生成AIは、トランスフォーマーというアーキテクチャを組み込んだ「DiT（Diffusion Transformer）モデル」という技術が主流でした。Runwayや、かつて世界を驚かせたSoraなどもこのDiTモデルがベースになっています。
（※ちなみにSoraは現在アクセス制限がかかっていて、公式でも開発がストップしているという情報が出ているので、今回は検証から外しています！）

現在の最新AI動画生成ツールは、このDiTモデルからさらに一歩進化しているんです！何が変わったかというと、 「DiTモデル ＋ 推論モデル」 という形で、テキストエンコーダーの周辺などに強力な推論エンジンがセットで組み込まれてるんですね！

これによってAIは、ただプロンプトの単語をそのまま映像にするだけでなく、 「ユーザーがアップロードした画像と指示文を見て、本当に求めている表現やストーリーの文脈は何なのか」 を裏側でじっくりと考えてから動画を作るようになったんです💡　　

だからこそ、カメラがダイナミックにぐるぐる回ったり、画面内のキャストやテロップがエフェクトと共に激しく入れ替わったりするような、かなり難易度の高い「無茶ぶり」なトランジションの指示を出しても、破綻せずに賢く応えようとしてくれるわけなんです！まさに動画生成AIが「思考する時代」がやってきたと言えます！　　

検証環境の構築！ComfyUIのAPI Nodeを使って一斉比較の準備

ということで、今回はそんなパワーを持った最新の動画生成AIたちの基礎能力を、ガチンコでフェアに評価するための検証環境を用意しました！

今回テストの対象にしたのは、アニメスタイルの動画生成にめちゃくちゃ特化していてクオリティが高いと噂の 「PixAIのVideo V4 Preview」 をはじめ、Viduの最新型である 「Q3 Model」 、Xでおなじみの 「Grok」 、そしてByteDance（バイトダンス）の 「Happy Horse」 など、今もっとも熱い最新のAIモデルたちです。

それぞれのAIモデルに同じ素材とまったく同じプロンプトを流し込んで同時に比較したかったので、私は ComfyUIでAPI Nodeを組んだ専用の一斉比較ワークフロー を自作しちゃいました！組み立てた検証環境の様子はこんな感じになっています。　　

これを使って、各モデルがどれほどプロンプトの文脈を読み取れるのか、そしてキャラクターの一貫性をキープできるのかを丸裸にしていきますよー！　　

なかでもPixAIのV4 Previewはアニメ表現において凄まじい実力を見せてくれたので、この後のパートでじっくり解説します！　　

そして、「自分も同じようにComfyUIを使って色んな動画AIを比較テストしてみたい！」というガチ勢の皆さんのために、今回私が作成して実際に検証で使用したワークフローのJSONデータをそのまま無料で配布しちゃいます！使いたい方はこちらからダウンロードして自由に試してみてください！

「ComfyUIを触ってみたいけど、パソコンのスペックが足りないし環境構築が難しそう…」という初心者の方も全く心配いりません！

私の過去の記事でおすすめしているクラウド環境の 「Runpod」 を利用したワンクリック導入の方法を使えば、MacでもWindowsでも関係なく、Webブラウザさえ繋がれば一瞬で環境が整います。

https://note.com/ai_hakase/n/n9eb2265f98f7

Jupyter Notebookをポチッと起動するだけで、面倒なコードの打ち込みやエラーとの戦いは一切なしで、お配りしたワークフローを読み込ませてすぐに最先端の検証をスタートできますので、興味がある方はぜひこちらの解説記事もチェックしてみてください！

それでは、準備がバッチリ整ったところで、いよいよ最新動画生成AIツールの目視クオリティ比較検証へ突撃していきましょう！🚀

https://note.com/ai_hakase/n/n9eb2265f98f7　　

【イチオシ】圧倒的な一貫性！PixAI V4 Preview の10秒・15秒ガチ検証

ということで、まずは結論から言っちゃいます！今回色々なモデルをテストした中で、私が最も皆さんにおすすめしたい最強のモデルは、こちらの 「PixAI V4 Preview」 、そして後ほど紹介するバイトダンスの 「Happy Horse」 になります！　　

PixAI V4 Previewの最大の特徴は、何と言ってもアニメスタイルへの特化っぷりと、 「マルチリファレンス機能」 の精度の高さです！

詳細 ↓

4枚の異なる画像を参照用としてインプットし、プロンプトで「それぞれの画像（シーン）でキャラクターがどんな動きをして、どんなカメラワークで繋ぐか」という詳細な指示を記入するだけで、AIが文脈をしっかり読み取ってくれます。

そして、各フレームに対して上手にダイナミックなトランジション（場面転換）やエフェクトを入れながら、なんと音声付きの綺麗な一本の動画に仕上げてくれるんです！
めちゃくちゃすごいんですが、何が一番感動したかって、 「キャラクターの一貫性」 の部分です！かなり激しく動いたり場面が切り替わったりしても、顔や服装が崩れず、すごく綺麗に保ってくれます✨　　

プロンプトガイド↓

ちなみに、今お見せした10秒ぐらいの動画だけではなくて、なんと 15秒の長さ でも生成することができちゃうんです！15秒にすると、よりストーリー性が増してかなりいい感じの映像作品になります。

ただ……PixAIのV4 Previewは映像面は本当に文句なしで素晴らしいんですが、15秒バージョンにしてセリフを長く喋らせようとすると、たまーに 「めちゃくちゃなイントネーションの日本語」 を話してしまうという、ちょっとお茶目なクセがあることも見えてきました💦　　

ですので、もし「この動画でキャラクターにきちんとした綺麗なセリフを話させたい！」という時は、テキストだけで喋らせるのではなく、 あらかじめ自分で用意した音声ファイルをインプットして一緒に読み込ませてあげる（参照音声を使う） のが確実な対策になります！　　

この音声インプットを使ったAI動画制作のコツについては、私の過去の記事でも詳しく解説していますので、ぜひ参考にしてみてください！

今回私が検証で使った詳細なプロンプトや、実際の生成結果の作品ページもすべて公開しておきますので、ご自身の作品作りの参考にぜひ覗いてみてください！

より詳しい使い方はこちらから！

【ライバル比較】ByteDance「Happy Horse」とxAI「Grok」の映像表現力

さてさて、PixAIに続くもう一つのイチオシとして挙げたのが、TikTokなどでおなじみのByteDance（バイトダンス）が開発した 「Happy Horse」 です！🐴✨

こちらもPixAIと同じようなプロンプトと、4枚の参照画像（マルチリファレンス）を読み込ませて動画を生成してみました。
結果としては、PixAIに負けず劣らず、キャラクターの一貫性をもの凄く綺麗に保ってくれていて、映像のクオリティはめちゃくちゃ高かったです！

ただ、ちょっと漢字の読み方に微妙なクセがあるみたいで……今回のプロンプトに入れた「自分らしくありたい」という真面目なセリフの 「ありたい」の部分を、なぜか「すりたい」という風に誤読して喋っていました（笑） 。ちょっと可愛いバグですよね😆 とはいえ、映像自体の破綻の少なさは本当に見事です！　　

そして、もう一つ検証したのが、X（旧Twitter）でおなじみのxAIが開発している 「Grok（グロック）」 の動画生成AIモデルです。こちらも実力派なので、若干おすすめかな？という立ち位置です！

PixAIやHappy Horseとまったく同じ条件で、4枚の画像をインプットして動画生成にチャレンジしてもらいました。
Grokの結果ですが、キャラクターの音声の発音自体はとても流暢で自然だったものの、 動画の中に描かれている「日本語のテロップ文字」のレンダリングがかなりぐちゃぐちゃに崩れてしまう という結果になりました💦

文字情報をしっかり動画内に残したい場合は、Grokだと今のところ少し厳しいかもしれません。映像表現としてはそれぞれ個性があって面白いので、目的に合わせてツールを使い分けるのが今のAI動画クリエイターの腕の見せ所ですね！　　

【実測レビュー】Vidu Q3 と Runway Gen-4 のImage-to-Video＆マルチリファレンス検証

続いて検証していくのは、 Viduの「Q3 Model」 と、 Runwayの「Gen-4」 になります！
今回はそれぞれのモデルの基礎能力を見るために、1枚の画像から生成する「Image-to-Video（I2V）」と、複数の画像を読み込ませる「マルチリファレンス（Multi-Reference）」の両方でテストしてみました。

ViduやRunwayの場合は、基本的には「ファーストフレーム（開始画像）」と「エンドフレーム（終了画像）」を指定するか、もしくは「画像1枚からのスタート」となる仕様なので、マルチリファレンスの検証ではあらかじめ画像4枚を一つの画像にまとめたものを読み込ませてスタートさせています！　　

ちなみに、Vidu Q3の公式デモや参考動画を見ると、空間のルールを利用したドリーズームなどの高度なカメラワークや、音と映像を一緒に生成するストーリーテリングなど、本来はめちゃくちゃ凄いポテンシャルを持っているモデルなんです！

▼ Vidu Q3 公式参考動画　　

こんな感じで公式動画は凄まじいクオリティなのですが……実際に私が検証してみた結果はどうだったかといいますと。　　

まず、 Vidu Q3 にPixAIやHappy Horseと全く同じプロンプトを入れて、一番最初の開始画像から動画を作らせてみたんですが……うーん、やっぱり途中で人間の顔（キャラクター）が変わっちゃいましたね💦

さらに、「スタートフレーム」と「エンドフレーム」の両方を読み込ませるテストもやってみたんですが、なぜか 一番最初のスタートフレームの部分だけが8秒間くらいゆっくりした静止画のような動画として再生されて、指定したエンドフレームの方は最後の1〜2秒くらいしか表示されない という、ちょっと残念なタイミングの動画になっちゃいました。　　

一応、画像4枚を一気に読み込ませるマルチリファレンスも試してみました！
画像4枚を一気に読み込ませた無茶ぶりにしては、かなりいい感じで動画にしようと頑張ってくれているのは伝わってきます。ただ、もちろん音声はついていませんし、動画内の日本語のテロップはおかしな感じになっていて、やはりキャラクターの一貫性は保てていませんでした。　　

そして、もう一つの Runway Gen-4 についてですが……ちょっと今回の「複雑なストーリー系の無茶ぶり」という意味では、一番厳しい結果になってしまいました😅

開始画像1枚のみを与えた場合でも、マルチリファレンスで複数画像を与えた場合でも、 ほぼ変化のない、ずっと同じ画面が流れているだけの動画 みたいな雰囲気になっちゃってて、今回の検証プロンプトではあまり実力を発揮できませんでしたね。　　

【おまけ】最先端のトレンド！Runway Gen-4.5 や Aleph 2.0 の動画編集ポテンシャル

今回の「動画生成の基礎能力テスト」からは少し外れてしまうのですが、ちょっとだけおまけの情報です！

先ほどのテストではあまり良い結果が出なかったRunwayですが、実は現在、 「Runway Gen-4.5」 や 「Aleph 2.0」 といった超最新のアップデートが続々と登場してきています！✨

これらの最新モデルは、ただ単純に動画を生成するだけじゃなくて、 「生成した動画内の1フレームをピンポイントで直接編集できる」 といった、とんでもない機能を備えているんです。

▼ Aleph 2.0 のデモ動画　　

出たばっかりの最新機能なので私自身はまだガッツリ試せていないのですが、こういう「動画の一部だけを思い通りに細かく編集したい！」というドンピシャなニーズを持っているクリエイターさんにとっては、間違いなく神ツールになるんじゃないかと思っています！

あくまで今回は「ゼロから指示通りに動画を生成する基礎能力」の検証だったのでRunwayは少し苦戦しましたが、こういう動画編集のポテンシャルという意味では、これからの進化から絶対に目が離せません！👀

まとめ：何から始めるべき？迷える全クリエイターに贈る最終結論

さてさて、ここまで最新AI動画生成ツールのガチ比較をお届けしてきましたが、いかがでしたでしょうか？
すべての検証を終えた私の最終的な結論として、「これから動画生成を本格的に始めてみたいけど、結局どれを使えばいいか迷っている……」という方には、 圧倒的に「PixAI」から始めてみることをおすすめします！ ✨

なんと言っても一番の理由は、パソコンのスペックを気にしたり、複雑な環境構築を行ったりする必要が一切ないことです。Webブラウザさえあれば、誰でも今すぐこの最先端の動画生成を体験できちゃうプラットフォームとしては、本当に右に出るものがいません！

ちなみに、PixAIの動画生成AIについて朗報です！実はこちらのリンクから新しく登録すると、なんと 「2万クレジット」がお得にもらえる紹介キャンペーン を開催中なんです！🎁

これから始めてみようかなという方は、絶対にお得なのでぜひこちらの窓口から登録してみてください！

https://pixai.art/referral?refCode=MB35FD9N&utm_source=referral

PixAI自体は無料でも十分に使える素晴らしいツールなんですが、今回のV4のようなハイクオリティな動画生成をガッツリ回すとなると、さすがに有料のサブスクリプション会員登録が必要になってくるかと思います。

ですが！PixAIは 一番下のリーズナブルなプランからでもめちゃくちゃ恩恵が大きい んです！
動画生成はもちろんのこと、高精度な画像生成、直感的な画像編集、さらには先ほどお話ししたAIエージェント（Mio.2など）を使った「生成AI版のクリエイティブ編集・生成」まで、本当に幅広く楽しめちゃうんです。
「とりあえず何から始めていいか分からない……」という初心者の方は、まずはPixAIの一番下のプランからお試し感覚で触ってみるのが絶対に一番コスパが良いと個人的には思っています！

https://pixai.art/ja/membership/plans　　

「もっとPixAIを使いこなしたい！」「プロンプトのコツが知りたい！」という方は、私がこちらのNoteマガジンで、画像編集のテクニックや動画生成のプロンプトエンジニアリングについて色々と詳しくまとめていますので、よかったらぜひチェックしてみてください！📚

https://note.com/ai_hakase/m/m135a1d146f62

🎈おわりに

いかがだったでしょうか！今回は、まとめると 「同じプロンプトでもAIモデルによって得意不得意が全く違うので、見た目の一貫性と文字の強さで選ぶのが大正解！」 ということでした！

1.　PixAI V4 PreviewとByteDanceのHappy Horseは、複数画像を使った無茶ぶりでもキャラクターの一貫性を最高レベルで保ってくれる。
2.　最新のAI動画は「DiT＋推論」の組み合わせに進化していて、ユーザーの指示の文脈を驚くほど深く理解してくれる。
3.　難しい環境構築なしで、今すぐブラウザでこの最先端クオリティを試すなら、まずはPixAIからスタートするのが圧倒的におすすめ！

皆様は、 今回の4大AI動画ツールの比較を見て、どのモデルの映像表現が一番好みでしたか？
コメントは全て読んでいるので、ぜひ皆さんの感想を教えてください！

さて、今回の記事と動画、いかがでしたでしょうか？「参考になった！」と思っていただけたら、 Note のフォロー・いいね・グッドボタンの3つも是非よろしくお願いします！

https://note.com/ai_hakase

Youtubeのほう も、まだの方は チャンネル登録 をしていただけると嬉しいです！

https://www.youtube.com/%40AI-Hakase

それでは、また次回の記事か動画でお会いしましょう！

葉加瀬あいでした！バイバイ！

いいなと思ったら応援しよう！