結局どの動画生成ツールが優秀なの？Seedance 2.0、Seedance 2.5、Sora 2、Kling 3.0、Vidu、で比較してみた。

最近、動画生成AIの進化がとにかく凄い。

新しいモデルが次々登場して、簡単な文章を書いてAIに投げれば、人物生成、カメラワーク、カット割り、演出、音付けまで、全部AIがやってくれます。

となると、気になるのが、

こっちで細かく演出を指定しなくても、
AIに“短い文章を丸投げ”するだけで、どこまでの映像が作れるのか？です。

そこで今回は、
複数の動画生成AIの「テキスト/画像を動画に」を使い、
同じシチュエーションのプロンプトを渡して、10秒間の動画を生成。
どこまでちゃんとした“映像作品”として仕上げてくれるのかを比較してみました。

※派手なアクションやSFものにしてしまうと、特殊効果や動きのある映像である程度ごまかしが効くので、今回作ってもらう動画の内容は至ってシンプルです。

内容はこんな感じ☕️

たったこれだけ。

カメラワークやカット割り、細かな演出は基本的にAI任せ。

このシンプルなシチュエーションを渡して、動画を作らせました。

僕が知りたかったのは、

• 一貫性のある映像が作れるか

• 人物の演技はできているか

• カット割りはどうか

• 音声はどうか

• プロンプトの内容をどこまで理解しているか

• 書かれていない部分を、AIがどう演出するのか

• ひとつの映像としての完成度はどうか

このあたりです。

今回試したツールはこちら。

• Seedance 2.0

• Seedance 2.5

• Sora 2

• Vidu

実際に作らせてみると、各AIの「映像を作る能力」だけでなく、「演出を考える能力」にかなり大きな差が出ました。

Sora 2

まずはSora 2。

映像そのもののクオリティは高いです。
人物も自然だし、実写映像として見たときの質感もかなり綺麗。

ただ今回のような芝居をさせると、ちょっと気になる部分がありました。

「何が起きているのか」は理解しているけれど、その行動の意味までは上手く繋がっていない。

彼氏と彼女の視線が噛み合わなかったり、泡が泡に見えなかったり、
彼氏の笑うタイミングがおかしかったり、彼女のセリフがキレぎみだったりと、不自然な点が目立ちました。

そして、もう一つ気になったのがカット割りがほとんどなかったこと。

最初から最後まで、全く同じ2ショット、同じカメラ位置のまま二人を動かしています。

そのおかげか、今回のSora 2は人物の一貫性自体は意外と保てていました。

ただ、これはSora 2が一貫性の問題を克服したというより、カットを割らなかったことで人物を再構築する場面が少なかったからだと思います。

実際、別の動画ではカットを切り替えると人物の顔や見た目が変わってしまうことが良くありました。

つまり今回の結果を見る限り、

一貫性を優先するとカットを割れない。
カットを割ると一貫性が崩れやすい。

このあたりは、まだSora 2の弱点として残っているように感じました。

Vidu

そしてVidu。

これは今回、なかなか面白い結果になりました😂

彼女がラテを飲む。

ここまではいい。

彼女の下唇に白いものが垂れる

彼氏が彼女の顔へ指を伸ばし、上唇を拭う

彼女に拒否される。

その後なぜか二人で笑い合い……

最後は二人揃って謎のカメラ目線。

完全にコントです🤣

一つ一つの「行動」はかなり作れている。

でも、

「なぜ、その人物がその行動をするのか」

という意味が繋がっていない。

余計な仕草まで追加してくれるぶん、むしろ元のストーリーから離れていってしまいました。

そして、こちらもカットは割れていません。

今回のような繊細な日常芝居とは、あまり相性が良くなさそうです。

試しに巨大怪獣が渋谷を破壊する動画を作らせてみたところ……
日常芝居とは打って変わって、めちゃくちゃ生き生きしてました😂

やっぱり動画生成AIにも、かなり「得意・不得意」がありそうです。

Kling 3.0

Kling版で特に印象的だったのが、彼女の表情の変化です。

彼氏が自分の顔を見ていることに気づいて、
「ん？ なに？」という少し不思議そうな表情。

そのまま彼氏に唇の泡を指で拭われると、一瞬、
**「何すんの！」**と驚いたような顔を見せます。

そして、何をされたのか理解すると、最後は少し照れたように笑う。

「ん？ なに？」→「何すんの！」→照れ笑い

この短い時間の中で、ここまで表情がコロコロ変わるのが面白い。

今回試した他のAIと比べても、Klingは特に彼女の芝居に全力を注いでいるような印象を受けました。

そして、もう一つ面白かったのが音の使い方。

他のツールでは、ピアノなどの店内BGMや周囲の雑踏が入り、音によって「カフェらしい雰囲気」を作っていました。

一方、Kling版にはそうした店内BGMがありません。

でも、不思議と物足りなさは感じませんでした。

音で雰囲気を作るのではなく、二人の視線や彼女の表情の変化で、その場の空気感を作っている。

個人的には、そこがすごく素敵でした。

単純に人物が自然に動くだけではなく、その瞬間に何を感じているのかが表情から伝わってくる。

この**「感情が見える芝居」**が、Kling版で一番好きなところです。

Seedance 2.0

まず驚いたのが、ファーストカットがイメージ通りだったこと。

夕日をバックにした二人のツーショットで始まり、最後も二人のツーショットで終わる。

たった10秒なのに、ひとつの物語としての輪がきちんと閉じているのです。

そして、さらに驚いたのが人物の芝居が自然だったこと。

彼女がラテを飲むと、彼氏が口元の泡に気づいて視線を向ける。
彼女はまだ気づいておらず、彼氏が優しく笑ってから泡を拭ってあげる。
そして彼女が、少し照れくさそうに笑う。

一連の流れがちゃんと**「相手の行動を受けて、次の人物が反応する」**という芝居になっていました。

特に良かったのが、表情と視線の使い方。

ただ指示された動作を順番にこなすのではなく、彼氏が彼女を見つめる時間や、彼女が反応するまでのちょっとした「間」があり、二人が本当にその場でコミュニケーションしているように見えます。

カット割りも自然で、その瞬間に見せたい人物へちゃんとカメラが切り替わる。

Seedance 2.0の時点で既に、

「プロンプトを映像化する」だけではなく、「ひとつのシーンとして演出する」

ところまで踏み込んでいる印象でした。

ただ、さらにSeedance 2.5を試してみると、ここからもう一段階進化していることが分かります。

Seedance 2.5

そして最後がSeedance 2.5。

今回、一番驚いたのがこれでした。

まず動画が始まった瞬間に、

「あれ？ 二人が横並びに座ってる」

となりました。

プロンプトでは「喫茶店で向かい合って座るカップル」と書いています。
ところがSeedance 2.5は、二人をあえて横並びに配置してきました。

最初は「プロンプトを無視した？」と思ったのですが、動画を最後まで見ると、この変更にちゃんと意味があることが分かります。

二人を横並びにしたことで、彼氏と彼女の距離が近くなり、彼氏が親指で彼女の唇についた泡を自然に拭える位置関係になっている。

さらに印象的だったのが、光の使い方です。

窓の外には夕日が見えていますが、夕日そのものを主役にはしていません。
夕日はあくまで外光として使い、人物を照らすメインの光には店内の暖色照明を使っている。

その結果、単なる「夕日を撮った映像」ではなく、「夕方の空気を撮った映像」になっています。

彼氏が彼女を見つめて笑うカットでは、背景の夕日と店内の暖かな光が重なって、二人の穏やかな時間そのものを演出しているように見えます。

もちろん、こんな照明設計もプロンプトでは細かく指定していません。

つまり、こちらが指定したシチュエーションをそのまま再現するのではなく、

「この二人の距離感や感情を見せるなら、こう撮った方がいい」

と考えたかのような演出を加えてきたのです。

さらに面白かったのが、フォーカスの使い方。

彼女がラテを飲んでいる間は、手前にいる彼女にピントが合っている。

ところが彼氏が彼女の口元の泡に気づき、彼氏の反応がこの場面の主役になった瞬間、奥にいる彼氏へスッとピントを送る。🎥

もちろん、これもプロンプトには書いていません。

そして彼氏が笑えば、その理由をまだ知らない彼女が反応する。

Seedance 2.5は単純に、

「プロンプトに書かれた動作を正しく再現する」

だけではなく、

そこから逆算して、人物の配置、光、芝居、カメラ、フォーカスまで組み立てているように感じました。

比較して分かったこと

まず驚いたのが、短い文章を丸投げするだけで、ここまでの映像が仕上がったことです。

人物を生成して、動かして、カメラを切り替えて、表情を作って、音まで付ける。

動画生成AIは、ただの「映像を作るツール」から、演出まで考えてくれる存在へと確実に進化していました。

そして今回いろいろ試してみて感じたのが、画質だけ比べても動画生成AIの本当の差は分からないということ。

アクション、MV、ファッション映像なら、派手なカメラワークや綺麗な映像だけでもかなり成立します。

でも今回のような、

「飲む → 気づく → 笑う → 相手が反応する」

という何気ない日常芝居は誤魔化せません。

視線、表情、間、相手への反応。

そして、「今この瞬間、誰を主役として見せるのか」

こうした細かな演出の積み重ねで、同じプロンプトでも完成した映像に大きな差が出ました。

その違いを一番強く感じたのが、Seedance 2.5でした。

動画生成AIから「AI演出家」へ？

今回の比較をしていて、一番感じたのはここです。

これまで動画生成AIの進化って、

「もっと綺麗になった」

「人物が崩れなくなった」

「激しい動きができるようになった」

という方向で語られることが多かったと思います。

でもSeedance 2.5を触っていると、その次の段階に入り始めているように感じます。

映像を生成するAIから、映像を監督・演出するAIへ。

対話型AIが脚本やプロンプトを考え、動画生成AIが芝居やカメラワークまで決めて映像にする。

そのやり方で、ショートムービーやドラマを制作することは、もう出来ています。

ただ、現在の生成AIで一貫性のある長編作品を作るには、こちら側で緻密な「背景設定」や「キャラクターシート」を用意する必要があります。
そして、長くなればなるほど生成コストも掛かります。

もし今後、この課題をAI自身が乗り越え、長時間にわたって完璧な一貫性を維持できるようになったら、

誰もが個人で映画を作れる時代が、本当にやって来るのかもしれません。

今回の実験で、“丸投げ”否定派だった自分の考えは大きく変わり、
そんな夢のある未来を感じることができました🎬✨