Image to Video

• 長さ: 5、10、15、20、25、または30秒

• 解像度: 480p / 720p / 1080p

• 最適な用途: Reference Modeで画像をアニメーション化し（参照画像最大9枚、参照音声最大3クリップ）、30秒までの長いマルチショットクリップに。モデルが書いたネイティブ音声もオプションで付与可能。大規模にラベル付けされたNSFWデータセットで学習済み。

• 強み: Generate Audioトグルで独自のサウンドトラックを作成可能。タイムスタンプ付きショットに分割された長い脚本風プロンプトに対応。参照トークン(Image 1、Audio 1)でどのアップロードを使うか正確に指定できる。以前のWanモデルよりも強力なマルチサブジェクトの一貫性とカメラ制御。

• トレードオフ: 最良の結果には長さに合ったプロンプトが必要。長い長さに短いプロンプトを使うと、ストーリーやショットの選択がモデル任せになる。ネガティブプロンプトなし。不要な要素は明示的に記述する必要がある。

• コンテンツに関する注記: フィルター:最小限

• 長さ: 5、10、15、20、25、または30秒

• 解像度: 480p / 720p / 1080p

• 最適な用途: Wan 3.0 Spicyと同じReference Modeアニメーション（参照画像最大9枚、参照音声最大3クリップ）で、30秒までの長いマルチショットクリップに、モデルが書いたネイティブ音声もオプションで付与可能だが、約40%速く返される。

• 強み: Wan 3.0 Spicyと同一の出力品質と機能セット(Generate Audioトグル、脚本風プロンプト、参照トークン、マルチサブジェクトの一貫性)。違いは待ち時間で、アイデアを試したりショットを微調整したりする際に重要になる。

• トレードオフ: 同じ結果に対してWan 3.0 Spicyより秒あたりのコストが高い。プロンプトの長さへの感度やネガティブプロンプトがない点も同様。

• コンテンツに関する注記: フィルター:最小限

• 長さ: 5秒または10秒

• 最適な用途: 2つの定義された状態間のより制御されたアニメーション;シームレスなストーリーテリングとリアルなキャラクターの動き。

• 強み: よりスムーズなループとより安定した終わり方のためのLast Frameに対応。480p、720p、1080pに対応。

• トレードオフ: Pro Fastより遅い;一貫した遷移のためには、クリーンでよく揃った開始/終了フレームで最も効果を発揮する。

• コンテンツに関する注記: フィルター:最小限

• 長さ: 5秒または10秒

• 最適な用途: 高速プレビューと最も安価な下書き。

• 強み: 高速な生成速度、低コスト、480p、720p、1080pに対応。シンプルな動きのガイダンスのためのStart Frameに対応。

• トレードオフ: Seedance Proと比較してコントロールが少なく品質も低い。

• コンテンツに関する注記: フィルター:最小限

• 長さ: 5秒、10秒、または12秒

• 最適な用途: 音声と動画が統合されたプロセスで一緒に生成される、短い映画的な動画の生成。このモデルは、ナラティブクリップ、対話シーン、音声駆動の動き、プロンプトや画像から直接表現力豊かなストーリーテリングに最適です。

• 強み: Seedance 1.5 Proは、単一のプロセスで同期した映像と音を生成する共同音声動画生成モデルです。精密なリップシンク、表現力豊かな動き、強力な指示遵守を提供し、720pと1080pに対応し、強化されたコントロールのためのGenerate AudioとFix camera positionを含みます。

• トレードオフ: 最良の結果は明確なプロンプトと構造化された指示から得られます;複雑なシーンでは、動きの一貫性と表現力豊かなペースを維持するために、思慮深いプロンプト設計が役立ちます。

• コンテンツに関する注記: フィルター:最小限

• 長さ: 5秒、6秒、8秒、10秒、12秒、15秒

• 解像度: 480p / 720p

• 最適な用途: 1枚の画像を文字通り最初のフレームとしてアニメーション化する、2つのフレーム間の遷移を作成する(First-Last Frame)、またはReference Mode(最大9枚の画像+3本の動画+3つの音声クリップ)を通じて特徴(外見、スタイル、動き)を転送する。さらに、大規模な注釈付きNSFWコンテンツデータセットでの追加訓練。

• 強み: 動画の開始の高い予測可能性(構図、ポーズ、カメラアングルはソース画像とまったく同じに保たれる)、リファレンスマーカー[Image 1]/[Video 1]/[Audio 1]を使った生成、同じリファレンスを再利用する際のフレーム間の良好なキャラクター一貫性。標準モードでの動画用音声生成。

• トレードオフ: 3つの入力モードは異なる動作をし、混同しやすい。間違ったモードを選ぶと期待とは異なる結果になる;ソース画像の品質が最終結果に直接影響する。Seedance 2.0 Fastより遅い。

• コンテンツに関する注記: フィルター:最小限

• 長さ: 5秒、6秒、8秒、10秒、12秒、15秒

• 解像度: 480p / 720p

• 最適な用途: 画像を文字通り最初のフレームとしてアニメーション化する、2つの指定されたフレーム間の遷移を作成する(補間)、またはマルチモーダルリファレンス(最大9枚の画像、3本の動画、3つの音声クリップ)を使って特徴を転送する。さらに、大規模な注釈付きNSFWコンテンツデータセットでの追加訓練。

• 強み: 動画の開始の高い予測可能性(構図、ポーズ、アングルはソース画像とまったく同じに保たれる);[Image 1] / [Video 1] / [Audio 1]による便利なリファレンスラベリング、単一のリファレンスを再利用する際の良好なキャラクター一貫性、高速な生成時間。標準版より速く安価。

• トレードオフ: 3つの入力モードを混同しやすい。間違ったものを選ぶと期待とは異なる結果になる;ソース画像の品質が最終結果に直接影響する。品質は標準版より低い。

• コンテンツに関する注記: フィルター:最小限

• 長さ: 5、10、15、20、30秒

• 解像度: 480p / 720p / 1080p

• 最適な用途: 1回の生成で最大30秒の長いマルチショットシーン。1つの瞬間を引き延ばすのではなく、完結したストーリーを作れます。Start Frame(またはStart + End Frame)をアニメーション化するか、Reference Modeをオンにして最大30枚の参照画像と10個の参照音声クリップを使用できます。プロンプトでは[img1]、[audio1]のように指定します。NSFWコンテンツの大規模なラベル付きデータセットで学習済み。

• 強み: より自然で「AIっぽさ」の少ない映像。カメラの切り替え、被写体の安定性、ライティング、肌や目のディテールが向上。タイムスタンプ付きプロンプト(「0–5s: …, 6–10s: …」)で何がいつ起こるかを制御可能。Generate Audioトグルでネイティブ音声をオプション生成。

• トレードオフ: Seedanceで最も高価なモデル。1080pは720pの約3.4倍の料金のため、まず480p/720pでテストしてください。ネガティブプロンプトなし。Generate Audioをオンにしても音声なしで出力される場合があります。

• コンテンツに関する注記: フィルター:最小限

• 長さ: 5秒または10秒

• 最適な用途: 1つの音声ファイル(WAV、MP3)を使ったリップシンク、呼吸、リズミカルな体の動き、音声反応型のシーン。

• 強み: 音声との強力な同期、表現力豊かな顔と体の動き。480p、720p、1080pに対応。

• トレードオフ: 結果は音声品質に大きく依存する;複雑なカメラ設定よりも表現力豊かな動き向けに設計されている。

• コンテンツに関する注記: フィルター:最小限

• 長さ: 5秒、8秒。

• 最適な用途: カスタムLoRAスタイルコントロールを備えた超高速の画像から動画への生成。映画的な動き、パーソナライズされたキャラクターの見た目、1枚の画像から直接一貫したビジュアルスタイルを求めるクリエイター向け。

• 強み: WAN 2.2は、静止画から動的な720p動画を生成する超高速の画像から動画へのモデルで、キャラクターの動きと挙動を定義するカスタムLoRAに対応しています。LoRAは、キャラクターがどのように動き、ポーズを取り、カメラと相互作用するかを制御するために使用され、複数の生成にわたって一貫した動きのパターンを可能にします。

• LoRAスタイルテンプレート:

  プラットフォームは、生成中に自動的に適用される大規模なLoRAスタイルテンプレートライブラリを提供しています。これらのテンプレートを使うと、事前定義された動きのスタイルとキャラクターダイナミクスをすばやく選択でき、手動でプロンプトを調整することなく複数の動画にわたって一貫した動きとビジュアルの挙動を確保できます。

• トレードオフ: WAN 2.2 + LoRAは速度と一貫性に焦点を当てています。

• コンテンツに関する注記: フィルター:最小限

• 長さ: 5秒、10秒、または15秒

• 最適な用途: 音声付き、より長いクリップ、同期した音を伴う表現力豊かな動きを持つ高品質な画像から動画への生成。

• 強み: 強力な音声同期、表現力豊かな顔のアニメーションと体の動き、720pと1080pに対応。

• トレードオフ: 結果は入力品質とプロンプトの明瞭さに依存する;制御されたシーンに最も適している。

• コンテンツに関する注記: フィルター:最小限

• 長さ: 5秒、10秒、または15秒

• 最適な用途: 高速な生成、迅速なテスト、ソーシャルメディアのワークフロー、バッチコンテンツ制作。

• 強み: 大幅に速いレンダリング時間、ネイティブ音声対応、表現力豊かな動き、720p、1080pに対応。

• トレードオフ: Wan 2.7と比較してわずかに低いビジュアル一貫性;主に速度のために最適化されている。

• コンテンツに関する注記: フィルター:最小限

• 最適な用途: 音声付き、より長いクリップ、同期した音を伴う表現力豊かな動き、映画的な生成、滑らかなカメラの動き、リアルなキャラクター、高品質な最終レンダーを持つ画像から動画への生成。

• 強み: 改善された時間的一貫性、より優れたプロンプト理解、強化された動きの品質、720p、1080pに対応。

• トレードオフ: Ultra Fastモデルより遅い;最良の結果には明確なプロンプトと高品質な入力画像が必要。

• コンテンツに関する注記: フィルター:最小限

• 長さ: 5秒、8秒

• 最適な用途: 超高速の画像から動画への生成、1枚の画像から直接一貫したビジュアルスタイル、さらに大規模なラベル付きNSFWコンテンツデータセットでの追加訓練。

• 強み: 力強いディテール、リファレンス画像への強い忠実性、ドラマチックなカメラの動きやムードのあるグレーディングに優れている。

• トレードオフ: フィルタリングがより緩やかであるため、プロンプトを正確に保つ必要がある;極端な設定にすると解剖学的な部分や細部がずれることがある。

• コンテンツに関する注記: フィルター:最小限

• 長さ: 5秒、10秒、15秒

• 最適な用途: 音声付き、より長いクリップ、同期した音を伴う表現力豊かな動きを持つ高品質な画像から動画への生成、さらに大規模なラベル付きNSFWコンテンツデータセットでの追加訓練。

• 強み: 改善された時間的一貫性、より優れたプロンプト理解、強化された動きの品質、720p、1080pに対応。

• トレードオフ: Ultra Fastモデルより遅い;最良の結果には明確なプロンプトと高品質な入力画像が必要。

• コンテンツに関する注記: フィルター:最小限

• 長さ: 5秒/10秒/15秒

• 最適な用途: カスタムLoRAを使ってスタイルをコントロールしながら、画像から素早く動画を生成する。映画的な動き、パーソナライズされたキャラクターの見た目、一貫したビジュアルスタイルを、すべて1枚の画像を基に求めるクリエイターに最適。

• 強み: WAN 2.7は、静止画から合成音声付きの動的な720pまたは1080p動画を生成する画像から動画への変換モデルで、キャラクターの動きと挙動を定義するカスタムLoRAに対応しています。LoRAは、キャラクターがどのように動き、ポーズを取り、カメラと相互作用するかを制御するために使用され、複数の生成にわたって一貫した動きのパターンを確保します。プロンプトは不要です。

• LoRAスタイルテンプレート: プラットフォームは、生成中に自動的に適用される大規模なLoRAスタイルテンプレートライブラリを提供しています。これらのテンプレートを使うと、プリセットの動きのスタイルとキャラクターダイナミクスをすばやく選択でき、手動でプロンプトを調整する必要なく複数の動画にわたって一貫した動きとビジュアルの挙動を確保できます。

• トレードオフ: WAN 2.7 + LoRAは品質と一貫性を優先します。プロンプトを追加すると、デフォルトのプロンプトと競合し、生成された動画にエラーが発生したり、LoRAが失敗したりする可能性があります。

• コンテンツに関する注記: フィルター:最小限

• 長さ: 5秒または10秒

• 最適な用途: ネイティブ音声対応の高品質なSFW動画生成。話すキャラクター、対話シーン、ブランドコンテンツ、製品プレゼンテーション、音声とビジュアルが一緒に生成される必要があるリアルなショートクリップに最適。動きの始まりを設定できるStart Frameに対応。

• 強み: このモデルはネイティブな音声動画生成モデルであり、動画と音声が単一のプロセスで同時に作成されることを意味します。ビジュアルの動きに合わせた同期した音声と音を生成し、リアルな顔のアニメーションと安定したアイデンティティを実現し、1080p解像度に対応します。このモデルには、安定した動きのないカメラショット用の組み込み音声作成のためのGenerate Audioが含まれています。

• トレードオフ: 極端なスタイライゼーションよりもリアリズムとクリーンでブランドセーフな結果に最適化されている;最高のパフォーマンスは明確なプロンプトと制御された動きから得られる。

• コンテンツに関する注記: 安全フィルター:オン

• 長さ: 5秒、6秒、8秒、10秒、12秒、または15秒

• 解像度: 480p / 720p / 1080p

• 最適な用途: Start Frame、End Frame、またはその両方をアニメーション化しつつ、Reference Modeを使って自分の画像・動画・音声からスタイル、キャラクター、サウンドを指定する。参照画像最大9枚、参照動画3本、参照音声3クリップ(合計12ファイルまで)。

• 強み: 参照トークン(Image 1、Video 1、Audio 1)でどのアップロード素材を使うか正確に指定可能。すべてのクリップで個別のトグルなしに自動的にネイティブなステレオ音声トラックが付与される。柔軟なアスペクト比(16:9、9:16、4:3、3:4、1:1、21:9、またはアダプティブ)。

• トレードオフ: 正規料金で、MiniMax H3 Max Turboのおよそ2倍。ネガティブプロンプトなし(不要な要素はメインプロンプトの末尾に記述)。音声はオフにできない。長いプロンプトは内部で圧縮されるため、短く的確な説明の方が効果的な傾向がある。

• コンテンツに関する注意: フィルター:オン。SFW専用、NSFWコンテンツには対応していません。

• 長さ: 5秒、6秒、8秒、10秒、12秒、または15秒

• 解像度: 480p / 720p / 1080p

• 最適な用途: 参照画像・動画・音声が不要な場合の、高速で低コストなStart/End Frameアニメーション。

• 強み: MiniMax H3 Maxのおよそ半額で、より高速。Start Frame / End Frame / 両方という同じコントロールを使用可能。ネイティブなステレオ音声が自動的に付与される。

• トレードオフ: Reference Modeなし。画像、動画、音声の参照が必要な場合はMiniMax H3 Maxを使用。ネガティブプロンプトなし。音声はオフにできない。

• コンテンツに関する注意: フィルター:オン。SFW専用、NSFWコンテンツには対応していません。

• 長さ: 6秒または10秒

• 最適な用途: ダイナミックなアニメーション、素早いコンセプトクリップ、1枚の画像からの表現力豊かな動き。

• 強み: 高速な生成、エネルギッシュなシーンや迅速な反復作業に適している。

• トレードオフ: ハイエンドの映画的モデルと比較して安定性と一貫性が低い。

• コンテンツに関する注記: 安全フィルター:一部

はい。ただし英語が推奨されます。

ほとんどのモデル(WANとSeedance Pro)は技術的には英語以外の言語で書かれたプロンプトを処理できます。しかし、英語は最も安定した予測可能な結果をもたらします。特に動き、カメラの方向性、感情的な手がかりについてはそうです。

ベストプラクティス:

制作や再現可能なワークフローには英語を使用してください。他の言語はシンプルなシーンでは機能する場合がありますが、結果の一貫性は低くなる可能性があります。

ほとんどの音声対応モデルでは、音声ファイルのアップロードは不要です。Wan 2.5 + Audio、Wan 2.6 + Audio、Wan 2.7 + Audio、Wan 2.7 Spicy、Seedance Pro 1.5、Seedance 2.0 Spicy/Fast Spicy、Kling 2.6 + Audioはいずれもテキストプロンプトから直接音声を生成できます。聞きたい音を説明するだけです。例えば:

• “the girl is softly moaning”

• “slow breathing, sensual rhythm”

• “quiet voice, soft exhales”

モデルはプロンプトに基づいて同期した音声を自動的に生成します。音声ファイル(WAVまたはMP3)が必要なのは、正確に合わせる必要がある特定の音や音声トラックがすでにある場合だけです。

Wan 3.0 Spicyでは、個別のGenerate Audioトグルをオンにすると、モデルが独自のサウンドトラックを作成します。オンの状態で音を指定しないと、モデルがセリフや音楽を独自に作り出します。重要な場合は、プロンプトで具体的な音声(または無音)を明示してください(例:"no dialogue, no background music"、または求める音そのもの)。

ほとんどのモデルはクリップごとに5〜15秒を生成しますが、Wan 3.0 SpicyとSeedance 2.5 Spicyは1回の生成で最大30秒を生成できます。これはZenCreatorで最も長い単一生成です。30秒以内で十分なら、どちらかを選んで長さを設定するだけで、つなぎ合わせる必要はありません。

30秒を超える場合は、連鎖ワークフローで複数のクリップから組み立てます:

1) 各クリップをStart FrameとEnd Frameで生成します:

1. 最初のクリップを生成します。

2. そのクリップの最後のフレームを次の生成のStart Frameとして使用します。

3. 必要に応じてEnd Frameを設定し、最終的な状態を誘導します。

4. この手順を繰り返してシーケンスを延長します。

この方法でできること:

• 映像と動きの連続性を保つ

• 事実上どんな長さの動画でも作れる

• 急な動きの変化を避ける

このワークフローはSeedance Pro、Seedance Pro 1.5、Seedance 2.0 Spicy、Seedance 2.0 Fast Spicy、Seedance 2.5 Spicy、Wan 3.0 Spicy、Wan 3.0 Prime Spicy、MiniMax H3 Max、MiniMax H3 Max Turboでサポートされています(Start/End Frameに対応するモデルは上記のモデルカードで確認してください)。

2) クリップが揃ったら(Wan 3.0 SpicyまたはSeedance 2.5 Spicyならそれぞれ最大30秒)、Video Mergerでつなぎ合わせます:

1. 2〜5本の動画を追加します

2. 結合方法を選択します

3. トグルで元の動画の音声を残すかどうかを選びます

4. アップロードした動画のトリミング方法も選べます

5. Runを押します

この方法でできること:

• 2〜5本の動画クリップを手間なくプロ品質の1本の動画に結合する

• シーン間のスムーズなトランジションと自然な流れを実現する

• クリップを正確にトリミングし、音声をコントロールする（元の音を残すか置き換えるか）

• 急な切り替わりのない、より長く高品質な動画を、1回の生成の上限である30秒を大きく超えて作成する

ここにあるほとんどのモデルはフィルター:最小限で動作し、大幅にフィルタリングされたオプションよりも露骨なコンテンツを許可します。NSFW専用に構築されたモデルはWan 2.2 Spicy、Wan 2.7 Spicy、Wan 3.0 Spicy、Seedance 2.0 Spicy、Seedance 2.0 Fast Spicy、Seedance 2.5 Spicyです。Klingモデル(フィルター:オン)は最も制限が厳しく、SFWコンテンツに最も適しています。

最大限の創造的自由と大胆な動きにはWan 2.2 Spicyを、事前定義された動きのスタイルを使ってキャラクターの動きをコントロールしたい場合はWan 2.2 + LoRA / Wan 2.7 + LoRAを使用してください。

次のような場合にWan 2.2 + LoRAまたはWan 2.7 + LoRAを使用してください:

• 一貫したキャラクターの動き、

• 事前定義された動きの挙動、

• プロンプトを考案する必要がない（組み込みテンプレートから動きのアイデアを選ぶだけ）

LoRAは、1枚の画像から多くのバリエーションを生成する際に特に役立ちます。

5秒から始めて、動きとスタイルを確認しましょう。

結果が良ければ、最終クリップはより長い尺に切り替えましょう：ほとんどのモデルで10〜15秒、Wan 3.0 SpicyとSeedance 2.5 Spicyでは最大30秒です。

はい。最大100枚のリファレンス画像をアップロードでき、各画像は同じ設定を使って個別の動画クリップとしてレンダリングされます。

Spicyモデルは、制限の少ないNSFW生成専用に訓練されています。フィルター:最小限のレギュラーモデルもNSFWリファレンスで動作しますが、同じ方法で構築・訓練されているわけではありません。

ほとんどは必要ですが、Wan 2.7/Wan 2.2 + LoRAはプロンプトなしで機能します。そこにプロンプトを追加すると、組み込みのスタイルと競合してエラーが発生することさえあります。

いいえ。どんなAIツールでも同様に、結果はばらつくことがあり、まれなミスやアーティファクトは正常です。クリップがうまくいかない場合は、再試行するか、プロンプトやリファレンスを調整してください。