テキスト・トゥ・ビデオ
Text-to-Video
テキスト・トゥ・ビデオとは?
- 文章だけで動画を生成するAI
- ディフュージョンを時間軸に拡張(動きと一貫性が課題)
- 広告・研修・ショート動画の制作コストを大幅に削減
テキスト・トゥ・ビデオが実際に変えるのは制作の順番です。以前は企画書を書き、予算の承認をもらい、撮影日を決めてからようやく最初の画面を見ることができましたが、今はまず試作を作ってから会議を始めます。マーケティングチーム長が「こんな雰囲気で行きたい」と言葉で説得していた場面で、15秒の候補動画を3本映し出す、という形です。捨てても惜しくないカットを大量に作れることが、いちばん大きな変化です。
用途は大きく3つに分かれます。文章だけで場面を作る純粋なテキスト・トゥ・ビデオ、製品写真を1枚入れて動きだけを加えるイメージ・トゥ・ビデオ、すでに撮影済みの映像の雰囲気だけを変えるビデオ・トゥ・ビデオです。実務で失敗が最も少ないのは、実際の製品写真を基準にするイメージ・トゥ・ビデオです。商用ツールの多くは一度に5〜10秒を生成するため、30秒の動画は3〜4カットをつなぎ合わせて作ります。顔を合成して台本を読ませるAIアバターサービスとは目的が異なるため、場面を作るツールと話す人を作るツールを区別して発注する必要があります。
コストの構造も異なります。ほとんどはクレジット課金なので、5秒クリップ1本は数百〜数千ウォン程度ですが、使える1カットを得るには通常5〜10回ほど回し直します。そのため実際の原価は生成費用ではなく、プロンプトを書き直して選ぶ担当者の時間から生まれます。外注で1本に数百万ウォンかかっていた作業が1日の仕事に縮まる一方で、その1日を誰が使うのかを決めておかないと、決済だけして誰も触らないツールになってしまいます。
現場で最も頻繁に崩れる期待は'プロンプトを一行入れれば完成品が出てくる'という考えです。実際にはカットごとにモデルの顔や服の色が変わり、画面に入れた字幕は文字が崩れます。文字は動画の中に任せず、編集段階で載せるのが安全です。さらに危険なのは、実際に販売中の製品をAIで描いてしまうケースです。取っ手の形やボタンの数が実物と違うと表示・広告の問題に発展しかねないため、販売ページに使う動画には実物撮影分を混ぜるという原則を先に決めておく必要があります。
静止画用のディフュージョンモデルを時間軸に拡張する研究から始まり、2024年に高品質な動画生成モデルが相次いで公開されて、大きな関心を集めました。
架空の事例で見ていきます。従業員260名規模で生活家電をオンラインで販売しているA社の話です。自社モールのショート動画を週3本アップする必要がありますが、外注制作費は1本180万ウォン(約22万円)、確認だけで2週間かかり、新製品の発売日のたびに動画が遅れていました。結局、マーケティング4名が自分たちで作ってみることにしました。
- ECチームのキム次長が過去6か月のショート動画27本を見直したところ、再生数上位のカットはすべて製品のクローズアップなのに、背景カットの制作だけで1本あたり60万ウォン(約7.2万円)かかっていました。
- '背景だけAIで回そう'という結論に従い、担当の代理が製品写真を入れてイメージ・トゥ・ビデオで5秒クリップを生成しましたが、最初の週は40回回して、使えるカットは6つしかできませんでした。
- コマごとにモデルの顔が変わる問題が繰り返されたため、人物が出る場面は既存の撮影分を使い、AIは物と背景だけを担当する、という役割分担の基準をチーム内部の文書として明文化しました。
- 法務レビューで'実物と違う取っ手は使えない'という指摘があり、製品が画面に大きく映るカットは実写のみを使い、販売ページ用の動画は担当チーム長が最終確認する手順を盛り込みました。
- 3か月後、制作費は1本180万ウォン(約22万円)から52万ウォン(約6.2万円)に、企画から公開までの時間は2週間から3日に縮まり、週3本だったショート動画の発信量は週7本になりました。
金鍾赫
パク・スンテ