FAQ - マルチモーダルAI動画生成

マルチモーダルAI動画生成とは何ですか？どのように機能しますか？

マルチモーダルAI動画生成は、詳細なテキストプロンプトに視覚・音響のリファレンス（画像、動画、音声）を組み合わせて動画を作成する技術です。単なるテキストや1枚の静止画だけに頼るのではなく、AIモデルが複数のメディア入力を同時に解析・統合します。これにより、キャラクターの造形、カメラワーク、ライティング、空間の雰囲気を正確に制御した高解像度動画を制作できます。

プロンプト内で <Picture 1>、<Video 1>、<Audio 1> などのリファレンスタグをどのように活用しますか？

リファレンスファイルをアップロードすると、それぞれに番号が自動で割り振られます。テキストプロンプト内に <Picture 1>、<Video 1>、<Audio 1> と直接入力するか、バッジをクリックして挿入できます。「<Picture 1> の人物が、<Video 1> のダイナミックなカメラワークで街を歩く」のようにAIへ具体的に指示してください。動画リファレンスは映像の動きを、音声ファイルは音響の雰囲気を的確に方向付けます。

アップロードに対応しているファイル形式やサイズ制限は？

最大3枚の画像（JPG、PNG、WebP、各最大10MB）、1本の動画リファレンス（MP4、WebM、MOV、2〜10秒、最大30MB）、最大2本の音声ファイル（MP3、WAV、M4A、FLAC、OGG、各最大10MB）をアップロード可能です。すべてのリファレンスファイルの合計容量は32MB以内に収める必要があります。

従来のText-to-Video（テキストから動画）やImage-to-Video（画像から動画）との違いは何ですか？

従来のText-to-Videoは言葉だけから情景を推測するため意図しない描写になりやすく、Image-to-Videoは基本的に1枚の静止画を動かすにとどまります。マルチモーダル生成は両者の利点を統合し、画像でキャラクターの一貫性を保ち、参考動画でカメラの構図や動きを指定し、テキストと音声でディテールを仕上げることで、極めて高い再現性と演出力を実現します。

生成される動画のアスペクト比や解像度はどのように決まりますか？

アップロードした画像や動画リファレンスに合わせて、自然な構図が保たれるようアスペクト比が自動調整されます。また、設定パネルから手動でワイドスクリーン（16:9）、Reels/TikTok/Shorts向け縦型（9:16）、正方形（1:1）、4:3などの標準フォーマットを自由に指定することも可能です。

動画生成には何クレジットが必要ですか？課金の仕組みはどうなっていますか？

料金はサーバー側で計算されます。動画参照なしでは90クレジットに、3秒を超える開始済みの追加1秒ごとに5クレジット、画像を1枚以上含む場合は10クレジット、独立した音声参照ごとに5クレジットが加算されます。動画参照ありでは150クレジットに、3秒を超える開始済みの追加1秒ごとに10クレジット、画像を1枚以上含む場合は5クレジット、音声参照ごとに5クレジットが加算されます。長さは3～10秒です。例：動画参照付きの10秒は220クレジットです。正確な料金は開始前にボタンに表示され、失敗またはキャンセル時にはクレジットは請求されません。

生成にはどのくらい時間がかかりますか？出力される動画形式は？

複数のメディア情報を高度に解析・合成するため、通常2〜4分程度で生成が完了します。完成した動画は高品質なMP4ファイルとして提供され、ブラウザ内のプレーヤーでそのままプレビューおよび端末へのロスレスダウンロードが可能です。

生成したAI動画は商用利用できますか？

はい。プレミアムクレジットを使用して生成されたすべての動画は、利用規約に従い、商用プロジェクト、SNS、YouTube、広告プロモーション、クライアントワークなどで自由にご利用いただけます。

データや生成されたメディアは保存されますか？

いいえ。プライバシーを保護するため、アップロードされたすべてのメディアとプロンプトは処理のために一時的に送信され、完了後すぐに削除され、サーバーに保存されることはありません。あなた以外の誰もそれらを見ることはありません。チャット履歴とすべての生成結果は、ご自身のデバイスのブラウザ内にのみローカルに保存されます。