Sand.aiが2億ドルを調達。本当の製品は動画基盤モデルのほうだ

11月5日、中国の動画基盤モデル企業であるSand.aiは、CAS CapitalとWangsu Data Technologyがリードし、China Time Capital、Guofang Capital、Green Pine Capitalなどが参加した2億ドルのシリーズA+ラウンドを発表した。同社にとって今年3回目のラウンドであり、10か月間の累計調達額は3億ドルに達し、Sand.aiは公式にユニコーンの領域に踏み入った。
資金調達はあくまで見出しに過ぎない。より興味深いのは、同社がこれまでの2回のラウンドで何を作ってきたかだ。MAGI-2 Previewは、音声・映像・テキストを3つの問題ではなく1つの問題として扱うオープンウェイトの動画モデルである。
3つのモダリティを1つのTransformerで
MAGI-2 Previewは統合型の音声・動画生成モデルと説明されている。テキスト、映像、音声はすべて同じTransformerに入り、各層で自己アテンションを通じて情報を交換し続ける。アーキテクチャは3,072次元の隠れ状態を256次元の12個のヘッドに分割し、36層のマルチヘッドMixture of Expertsに通し、各ヘッドに256個のエキスパートを割り当ててヘッドごとに6個を選択する。結果として、1つのトークンは合計72個の小規模エキスパートを活性化する。
共有エキスパートがモダリティに共通する部分を処理する。モダリティ固有のエキスパートが共通しない部分を処理する。その周囲には、独自のMoEカーネルライブラリであるMagiMoEと、学習・推論の経路向けに構築された分散オプティマイザMagiMuonが位置する。
Sand.aiはこれを、同規模の動画基盤モデルとしては初のオープンウェイトの一つとして公開しており、価格設定も攻めている。10秒の1080pクリップで約0.5元だ。同社は自己回帰型の動画生成モデルMAGI-1とMagiHumanも公開しており、いずれもオープンソースである。コンシューマー向け製品のVidMuseは、ローンチから2か月で年間経常収益が1,000万ドルを超えたと報じられている。
この順序には意味がある。MAGI-1は自己回帰型であり、MAGI-2 PreviewはMixture of Expertsの拡散モデル設計へと移行し、次のリリースであるMAGI-2 finalはそのMoEアーキテクチャの大型版と説明されている。これはスケーリングの道筋をたどりながら、その都度チェックポイントを公開しているラボであり、重みを非公開にしたままAPI呼び出しを販売する企業とは姿勢が異なる。
なぜ動画市場がこれほどの金額に値するのか
需要が実際にどこにあるのかを見てみよう。快手(Kuaishou)は2026年第2四半期にKling AIの売上が8億5,000万元、前年同期比200%超、世界のユーザーは1億人を超えたと報告した。ByteDanceのSeedance 2.5はArtificial Analysisの動画アリーナで20カテゴリー中13を制しており、OpenAIはすでにSoraをアプリもAPIも終了させている。Googleは10月に開発者をVeo 3.1 PreviewエンドポイントからGemini Omni Flashへ移行させた。
一方で価格は崩壊しつつある。AlibabaはWan 3.0で約30%のプロモーションを実施しており、1080pで1秒あたり約0.14ドルになる。OpenRouterでは、ByteDanceが動画リクエストの26.1%、HeyGenが19.7%、Googleが18.5%を占める。Wan 2.2の派生モデルで1秒0.5セントをうたうTBCのmischief 1は、公開された瞬間に前週比481%増となった。
単価がゼロに近づくと、資金は基盤モデルを所有する者へと移る。動画生成を限界費用で学習・提供できる企業は、他の誰もがGoogle、ByteDance、Alibabaから借りているボリュームを獲得する。
統合型の音声・動画がビジネス上重要な理由
音声と映像を1つのTransformerで扱えば制作工程が減る。それがこれを作る理由である。
今日の商品CMの標準的なパイプラインはこうだ。映像を生成し、音声を生成または収録し、音楽を付け、ミックスし、リップをセリフに合わせる。その一つひとつが独自のコストと独自の失敗モードを持つ別々のツールであり、プロジェクトが停滞するのはこのリップ合わせの工程だ。モデルが映像と同じパスでセリフ、環境音、アクション音を生成すれば、リップシンクは後から行う編集ではなく生成の性質になる。
このカテゴリーのベンダーは今やこぞってこの能力をうたっており、AI動画がトーキングヘッドの製品解説やブランドのストーリーCMを担えるかどうかを左右する。またこれは、統合アーキテクチャが理論上もっとも明確に優位に立つ能力でもある。モデルが音をテキストで記述し、映像が合うことを祈る必要がないからだ。
Sand.aiのMAGI-1は自己回帰型だった。MAGI-2 Previewは拡散ベースのMixture of Expertsへ移行した。いずれも公開されているため、逐次モデルと並列モデルで生成品質がどう変わるか、アーキテクチャが変わると音声同期がどうなるかを誰でも確認できる。
業界の他のモデルと比べてどうか
うたい文句ではなく価格帯を比較しよう。AlibabaのWan 3.0は480p、720p、1080pで1秒あたり約0.3元、0.6元、1.2元で、約30%のプロモーションにより再販ルートでは1080pが1秒0.14ドルになる。MiniMaxは8月にH3-Baseをオープンソース化し、2K出力、15秒クリップ、ネイティブステレオを備え、同等のフラッグシップモデルの約3分の1の価格に設定した。Alibabaのコマース部門によるオープンソースの取り組みであるTaoMate-H3はさらに踏み込み、1秒あたりの価格ではなく最初のセグメントまでの時間を主要指標に据えた。
これらはいずれも同じ費目への攻撃である。Sand.aiの10秒1080pクリップ0.5元はその帯域の内側にあり、下回ってはいない。これは戦略が、Alibabaのインフラを持つ企業に対して勝てない価格競争ではなく、幅の広さとオープン性にあることを示唆している。
居心地の悪い問い
これらのいずれも第三者による検証は受けていない。Sand.aiは自社のARRと自社のラウンド規模を自ら報告しており、購入者にとって重要なPresentBench的な比較は通常ベンダーが公開したものだ。MAGI-2のアーキテクチャは確かに興味深いが、トークンあたり72個の小規模エキスパートを活性化する統合型音声・動画Transformerは学習コストも高く、同社はそれを稼いだ収益ではなく調達した資金で賄っている。
注視すべきライセンスの側面もある。2026年に出荷された中国のオープン動画モデルのいくつかは、商用利用から米国を除外する条件を付けており、西側の開発者をクローズドな代替手段へと押しやり、オープンエコシステムの物語を複雑にしている。Sand.aiの既存のオープン公開はより標準的な寛容型の道をたどっているようで、それが同社が挙げた投資家によってラウンドが応募超過となった理由の一つでもある。
そして注視すべきは商用製品の部分だ。VidMuseがローンチから2か月でARR1,000万ドルに達したのは実際の数字だが、動画制作プラットフォームは単発のキャンペーンで成長し、目新しさが薄れると頭打ちになるという癖がある。同社を長持ちさせるのはオープンモデルであり、研究を資金面で支えるのはアプリのほうだ。
次に注目すべきこと
MAGI-2 finalはまもなく登場するとされ、より大規模なMoEと同じ統合型音声・動画設計を備える。10秒1080pあたり0.5元という価格を維持しつつ、より長いクリップとより良いリップシンクを実現すれば、このモデルは予算を抑えて動画製品を作る誰にとっても現実的な学習の土台になる。
特に3点を注視したい。重みが実際に寛容なライセンスで公開されるかどうか。クリップにセリフがあるとき音声トラックが耐えうるかどうか(ネイティブ音声は今やこのカテゴリーの参加条件だ)。そして、VidMuseの売上がローンチ四半期以降も伸び続けるのか、それともこの市場のあらゆるプラットフォームが乗っているAI動画支出の一般的な曲線をたどるのか。
今のところ、有益な結論は資金調達の見出しよりもシンプルだ。Sand.aiはオープンコミュニティがラボに期待するやり方で動画基盤モデルを作っている。チェックポイントを公開し、アーキテクチャの詳細を公開し、価格で競い、ホスティング版を販売して次のモデルの資金にする、というやり方だ。
関連記事
AI支出の「失速」の正体は値下げだった、Rampの決済データが映す上位1%依存
RampのAI Indexは、企業のAIトークン量が37.1%増えた一方で支出は8.9%しか増えていないことを示す。100万トークンあたりの混合価格が26.8%下がり、支出の約80%を企業の1%が占める。
Claudeは銀行明細を読めるようになった。Anthropicはあえて「手」を与えなかった
読み取り専用の設計こそが製品であり、連携を解除しても、すでにチャット内にあるものは取り消されない。
Adobe、マーケターにAdobeを開くよう求めるのをやめる
10年間、戦略はインターフェースを所有することだった。Adobeは今、その逆に賭けた。
CrowdStrike、AIエージェント向けキルスイッチを提供開始。難しいのは、何を停止すべきかを見極めることだ
キルスイッチは推測を強制可能なものに変える。強制にはリストが必要であり、そのリストこそ誰も持っていない部分だ。