VideoGen は1つのプロンプトから10分の動画を約束する。誰もベンチマークしていない

VideoGen は10月20日に Model 1 を発表し、カテゴリの変化かマーケティングの一文かという主張をした。その違いは重要だ。1つのプロンプトが、台詞、効果音、音楽付きの、最長10分の完成したマルチショット動画になる。

10分は、現行のリーダーの最長単一パス生成のおよそ20倍だ。Kling 4.0、Seedance 2.5、Wan 3.0 はいずれも1回の生成で最大30秒をうたい、延長機能でもせいぜい数分に届く。この市場を追ってきた人なら、10分は別の製品に見える。

そうでもあり、そうでもない。プレスリリースは、長い動画が「複数の生成ショットから組み立てられる」と明記している。Model 1 は10分を1パスで描画しない。映画を計画し、ショットごとに生成し、ショットを検査し、つなぎ合わせる。モデルはパイプラインの一構成要素で、それが単一製品として売られている。

実際に出荷されたもの

VideoGen はサンフランシスコの企業で、Y Combinator 2024年夏、2023年創業。これまで他社のモデルを使ってプロンプト、脚本、記事を動画にしていた。Model 1 は自社のものだ。

公表された能力は、テキストto動画と画像to動画、視覚参照として最大16枚の画像、指定できる目標尺とアスペクト比、そして台詞、効果音、音楽が一緒に出る音声と映像の同時生成。アクセスは10月20日に限定パートナー向けに始まり、安全性の追加テスト後に一般提供とされている。同社はまた、映画制作者、スタジオ、学生、そして特に今回の発表を取材する記者向けに、100万ドル分の無料クレジットのプールへの応募を開いた。

この売り込みの正直な枠組みは、難しいのは動画モデルではないということだ。計画のほうだ。10分の動画には脚本、場面をまたぐ一貫したキャラクター、繰り返さない台詞、要求された尺に合計が合うショットリストが必要になる。それは言語モデルの問題で、VideoGen はそれを解くために言語モデルのハーネスを組んだ。

脚本会議の中身

VideoGen の技術ホワイトペーパーを第三者が読んだ記述は、役割の分かれたパイプラインを描いている。計画層がコンセプトを提案し、批評役がカテゴリ（映画、マーケティング、SNS、解説、ミュージックビデオ、マイクロドラマ）のルーブリックで採点し、上位2つが尺付きの脚本になり、書き直し役が各場面を動画モデルが期待する構造化プロンプト形式に変換する。ショット、台詞、環境音、BGM のフィールドが別々にある。

同じ分析は、3つの別々のモデル「読み手」が話される台詞と画面上のテキストだけを検査し、混乱した台詞に印を付けると報告し、ホワイトペーパー自身の注意として、これらは「自動化された代理であり、人間の参加者ではない」と記している。通常のコードが通常の検査もする。場面の尺の合計は合うか、各話者に声の記述はあるか。

発表のうち、製品が機能するかを決めるのはこの部分だ。20秒、30秒のクリップは曖昧なプロンプトに耐える。10分は耐えない。誤りは複利で積み上がり、キャラクターはずれ、第5場面が第1場面と矛盾し始める。描画前にそれらを捕まえる計画層は、より良い描画器より価値がある。描画が高コストな部分だからだ。

同時に、競合が最も速く真似できる部分でもある。マルチモデルの計画ハーネスはソフトウェアであり、研究の突破ではない。

まだ数字ではない数字

VideoGen は社内検証に基づき、Model 1 は同等モデルより50%以上安くなると見込むとしている。最終価格、公式ベンチマーク、第三者検証は進行中とも述べている。両方とも同じプレスリリースにあり、2つ目が1つ目の読み方を規定すべきだ。

同社が共有する唯一の測定値は描画実験だ。8ステップのアダプターが、同じシステムの28ステップ基準に対して平均クリップ描画時間を58.2%削った。VideoGen はこれを保証された高速化ではなく実験的構成と呼ぶよう注意しており、正しい留保であると同時に、その数字が製品仕様ではないことの告白でもある。

つまり現状は、デモリール付きの能力主張、価格表のないコスト主張、ベンチマークのない品質主張だ。デモリールは同社自身の選別なので、テストではなく最良事例になる。

なぜ長さが間違ったスコアボードなのか

気まずい文脈がある。中国の業界紙は今月、AI マイクロドラマの98.7%が公開後6カ月以内にコストを回収できていないと報じた。ByteDance のマイクロドラマ事業は1日数千万人民元をトークンに費やしていると報じられた。その市場のボトルネックは映像を生成する能力ではない。配信と脚本だ。

だから10分モデルが無用になるわけではない。何のためのものかが変わる。制約が物語なら、物語の弧を計画しキャラクターの一貫性を保つツールは実際の制約を狙っている。制約が注意なら、10分は負債だ。理由もなく10分の何かを見る人はいない。

現実的な用途は地味なものだ。撮影のプリビズ。監督がクルーに金を払う前に場面を見たい。誰も CM を作らない商品の解説動画。社内研修コンテンツ。70%正しく半日でできる10分の生成動画は、代替が2週間の編集なら極めて価値がある。

観客が進んで見るものについては、長さは売りではない。計画のほうだ。

アクセスを得たらどう評価するか

リールではなく失敗事例を求めよ。具体的には、7分の時点で何が起きるか。2分の時点のキャラクターのジャケットを覚えていなければならない。台詞がすでに使った行を繰り返さないか。組み立てたカットを通じて音声が同期し続けるか。ショットを独立に生成するパイプラインが壊れるのはそこだ。

それから退屈なテストをする。特定の商品と特定の主張を含むブリーフを与え、計画役が事実を捏造するか見る。ホワイトペーパーのルーブリックには、マーケティングと解説のカテゴリで捏造された主張を却下する検査が含まれると報じられており、同社がこれが顧客を訴えられる失敗モードだと知っていることを示す。

ウォーターマークも確認する。VideoGen は出力に合成由来を示す不可視のウォーターマークが入るとしている。来歴が調達要件になりつつある年に、それは脚注ではなく機能で、編集パイプラインを通っても残るか確認する価値がある。

1つのプロンプトから10分は、1人が試せることの実際の拡張だ。監督の代替ではなく、同社のリリースもそう主張してはいない。面白い問いは、計画層が十分良くなり、制約が「言いたいことがあったか」になったとき何が起きるかだ。