動画の中国語がいつもぼやける理由、Dreaminaは組版をコードに任せた

知識系の動画を作っている人には共通の悩みがある。映像がどれだけ綺麗でも、画面の中の文字はぼやけたままだ。3文字のタイトルが6文字に崩れ、数式の添え字はすべり、データラベルは2秒目で別の数字に変わる。字幕をはっきりさせるために行き着く先はいつも同じで、生成した映像を背景にしてCapCutを開き、本物のテキストを層で重ねていく。
Dreaminaが11月10日に公開した「モーションスタジオ」は別の道を選んだ。連続したフレームを生成するのではなく、モデルにコードを書かせ、そのコードでテキスト、画像、図形の配置、登場順、動きのリズムを組み立てる。公式の説明は「アイデアを言葉で描写し、コードによって視覚をコンパイルする」というものだ。
宣伝文句のように聞こえるが、技術的な意味ははっきりしている。文字はレイアウトエンジンがレンダリングするのであって、拡散モデルが描くのではない。描かれた文字はぼやけるが、組まれた文字はぼやけない。
60秒の動画に8分半、82クレジット
まずコストを整理したい。これが日々のワークフローに入るかどうかを決めるからだ。
モーションスタジオは現時点では、PCのブラウザでDreaminaにログインし、ホーム画面左側の入口から入る。アスペクト比と長さを設定でき、生成前にクレジットの推定消費量が表示され、完成品はそのままダウンロードできる。Dreaminaはこの機能の価格を個別には公表しておらず、クレジット制で運用している。
機械之心(Jiqizhixin)の実測値は具体的だ。60秒の解説動画で生成に約8分半、消費は82クレジット。3分の動画では約13分。お茶を淹れて戻ってきて2版目を直す、というテンポに近く、ワンクリックで完成とはいかない。
この待ち時間は妥当だ。やっていることが映像を1本生成するより多いからだ。まず意図を理解して計画を立て、ナレーションと映像を別々に生成し、合成してレンダリングし、最後に完成品を一度検証する。4つの工程を1クリックに畳んでいるのだから、8分半は遅くない。
フレーム生成が中国語で不利な理由
この路線の価値を理解するには、まずひとつの事実を認める必要がある。動画モデルが中国語を描くとき、それは文字を書いているのではなく図形を描いている。
拡散モデルはピクセル分布で文字を作る。学習データにあった字形は模倣できるが、見たことのない組み合わせは推測になる。英単語は短く、文字数が少なく、よくある組み合わせも多いので、まだごまかせる。中国語は1文字がそれ自体で複雑な構造を持ち、画数が多く部品も密だ。モデルには字という概念がなく、この領域は墨であるべきという概念しかない。結果、遠目には文字に見え、近くで見ると間違っている。
だからAI動画のサムネイルのタイトルは一見洗練されて見え、拡大すると全部でたらめな線になる。中国でAIショートドラマやAI顔出し解説を作っているチームが、最終的に編集ソフトに戻って字幕を打ち直す理由もここにある。美意識の問題ではなく、生成方式と文字という対象が根本的に噛み合っていないのだ。
モーションスタジオが入れ替えたのはこの層だ。文字はコードによる組版に渡され、書体、サイズ、ウェイト、行間、改行位置は組版ルールが決める。モデルが担うのは、いつ現れるか、どこから入るか、どれだけ留まるかだけ。分業が変われば、ぼやけは根本から消える。
コード組版が解決すること、しないこと
解決するのは鮮明さと制御性だ。タイトル、数式、データラベルなど、確定した字形が必要な内容に、確定したレンダリング経路ができる。これは中国語コンテンツで特に重要になる。情報密度が高く、1画面に入る文字が多く、許容できる誤差が小さいからだ。

もっと重要なのは制御できるという点だ。フレーム生成はガチャで、3秒目にタイトルを左から滑り込ませたいのに、下からフェードインで返ってくることがある。3回引き直せばコストが跳ねる。コード組版は再現可能で、1つのパラメータを変えればそのパラメータだけが動き、他は変わらない。修正も同じ理屈で、壊れた箇所だけを直せばよく、全体を作り直さなくていい。
解決しないのは内容の正しさだ。Jiqizhixinの検証はここを率直に書いている。漢字の変遷を解説するテストで、初版の字形に誤りがあり、参考素材を渡してから修正された。つまりコードが保証するのは、読みやすく組まれていることで、正しく書かれていることではない。専門知識、難読字、専門用語が絡む内容では、制作者がコマ送りで確認する必要が残る。
ここで私の判断をひとつ足しておく。この境界は多くの人に見落とされる。道具が使いやすくなるほど、出力は正しいと思い込みやすくなる。モーションスタジオは、AIが作ったように見えない映像を解決した。残った、人が作ったように見えるかは担当外だ。
本当のライバルはSeedanceではない
製品の位置づけを見ると、モーションスタジオとSeedanceシリーズは代替関係にない。Seedanceは実写に近い路線で、光、質感、自然な動きを扱う。モーションスタジオは図形と組版で、スタイル、リズム、音と画の噛み合わせを重視する。片方はカメラ、もう片方はレイアウトだ。
本当のライバルはCapCutのテンプレート集であり、CanvaやFigmaのようなツールに手作業の組版を組み合わせたワークフローだ。どちらも同じニーズを解いている。リズムがあって、文字が読めて、音楽の合う短い動画が欲しい、というニーズだ。強みは確実性、弱みは毎回手で組まなければならないことだ。
モーションスタジオの切り口は、一文を入れれば構造は自分で組まれる、というものだ。名詞をひとつ渡せば、解説の骨組み、語りのテンポ、ナレーションまで揃う。テンプレート側には文字アニメーション、レトロピクセル、ジオメトリックアニメーション、クリエイティブコラージュがあり、視覚言語は幾何抽象、ASCII、ポップ、Y2Kまで及ぶ。選ぶとサンプルのプロンプトが自動で入り、テーマ、コピー、配色を変えられ、自分の素材もアップロードできる。
この組み合わせは特定のジャンルに非常に向いている。解説動画だ。最近抖音やBilibiliで見かけるVibe知識系の動画、エントロピー増大や再帰的自己改善といった抽象概念を、ナレーションと音楽付きのアニメーションに変えるものは、まさに想定された場面だ。情報密度が高く、視覚的な要件が明確で、実写の質感が不要。フレーム生成が最も割に合わず、コード組版が最も割に合う領域である。
スタジオ化:ワークフローを製品に包む
モーションスタジオの前、Dreaminaは10月26日にショートドラマスタジオを出し、Eコマースとブランドマーケティング向けのマーケティングスタジオも近く公開すると明かしている。
3つ並べると意図は明快だ。モデル単位で能力を売るのではなく、場面単位で成果物を売る。利用者はSeedanceとモーションエンジンの違いを知る必要がなく、ショートドラマを作りたい、解説を作りたい、商品画像を作りたい、とだけ分かっていればいい。残りの工程は製品が吸収する。
これはこの1年の中国の動画ツールに共通する選択でもある。モデル能力の差が縮むなか、工程が短く、画面遷移が少なく、書き出しと読み込みが少ない製品が残る。モーションスタジオは、モデルがコードを書き、ブラウザで実行し、画面録画して書き出し、別にナレーションと音楽を付けるという4、5段階を、1クリックに縮めた。
まだ納得していない点
1点目。60秒の動画に8分半は、量産にはまだ遅い。本当に数を出すチームは1日に数十本作る。この速度では、複数ジョブを並行させるか、重要な案件だけに使うかになる。
2点目。クレジット消費の透明性は足りない。生成前に推定が見えるのは良いが、82クレジットがいくらになるかは購入したプラン次第で、実際にスケジュールを組むときに1本あたりのコストを出しにくい。
3点目が最も現実的だ。テンプレート化されたモーションビデオは似た見た目になりやすい。ジオメトリック、ASCII、Y2Kといった視覚言語は、使う人が増えるほど、視聴者は3秒で同じツールだと気づく。プラットフォームが渡すのは出発点で、差別化は自分で足すしかない。
試すなら、60秒の解説動画から始めるといい。テーマは自分が詳しく、モデルが詳しくない領域、たとえばある業界の内部プロセスなどがいい。そうすれば同時に2つ見える。組版が本当に鮮明になったか、そして内容がどれだけひどく間違うか。
関連記事
中国製 Android のシステム UI に載った広告を切る、コミュニティ管理のタップ表
システムには触らず、アンロックも書き込みもしない。ベンダーがもともと用意したスイッチを一つずつ倒すだけだ。代償は、この一覧を書き続ける人が要ることにある。
GPT Image 2.6 はトークン単価を据え置き、請求額を上げた
GPT Image 2.6 は 2.5 のトークン単価をすべて引き継ぎながら、1 枚あたりの費用は上がった。仕事の多くが出力トークン側に移ったからだ。11 日目の価格構造は、ランキングより多くを語る。
外から IDM を作り直した人が、触れなかった部分を書き残した
Mister Download Manager は Internet Download Manager の流れを Rust で作り直し、5 倍の速度と 86 言語を掲げる。より興味深いのは、何もコピーせずにどう作ったのかを説明した段落のほうだ。
Rune はエージェントが自分の仕事を検証できるように作られた Rust UI フレームワーク
Rune はヘッドレスで描画し、要素ツリーを出力し、スクリプト化された入力を受け付ける。スクリーンショットでは決して得られない、diff できる信号をコーディングエージェントに渡せる。フレームワークはプレリリースで、プルリクエストは受け付けない。