画像＆ビデオ

オーディオとビデオを同時生成する統合マルチモーダルビデオモデルです。パフォーマンス、照明、影、カメラの動きを監督レベルで制御し、超写実的で映画のような結果を実現します。

生成入力：

• テキストからビデオ
• 開始フレーム
• 終了フレーム
• 画像参照
• ビデオ参照
• オーディオ参照

機能：

• 同期されたオーディオとビデオを1回の処理で同時生成する統合マルチモーダルアーキテクチャ
• テキスト、画像、オーディオ、ビデオの入力を同時に受け付ける、業界トップクラスのマルチモーダル参照・編集機能
• 業界標準に沿った映画品質のリアリズムによる、優れた動きの安定性
• パフォーマンス、照明、影、カメラの動きを監督レベルでクリエイティブに制御
• 4秒から最大15秒までの柔軟な生成時間
• 生成ごとにオーディオのオン・オフを選べるネイティブサウンド制御
• 一度に最大4件の生成によるバッチ作成

出力オプション：

• 解像度：480p、720p、1080p
• アスペクト比：21:9、16:9、4:3、1:1、3:4、9:16

最適な用途：

• 同期したオーディオと映像が必要な映画的ストーリーテリング
• 元画像、ビデオ、オーディオへの厳密な準拠が求められる、参照ベースのコンテンツ
• 照明やカメラワークを細かく制御する必要があるプロフェッショナルな制作

料金： 選択した設定と時間によって異なります

API： bytedance-seedance-v2

Seedance 2.0と同じマルチモーダル参照入力に対応した、より高速で低コストなバリエーションです。出力は720pまでです。

生成入力：

• テキストからビデオ
• 開始フレーム
• 終了フレーム
• 画像参照（最大9件）
• ビデオ参照（最大3件、合計15秒）
• オーディオ参照（最大3件、合計15秒）

機能：

• Seedance 2.0と同じ参照処理に対応し、生成ごとの参照数は合計12件まで
• フレームと参照は併用できません。開始または終了フレーム、もしくは参照のいずれかを使用してください
• 4秒から最大15秒までの柔軟な生成時間
• 生成ごとにオーディオのオン・オフを選べるネイティブサウンド制御
• 一度に最大4件の生成によるバッチ作成

出力オプション：

• 解像度：480p、720p
• アスペクト比：21:9、16:9、4:3、1:1、3:4、9:16

最適な用途：

• フル解像度でレンダリングする前のSeedance 2.0プロンプトの反復
• 720p出力で十分な参照ベースのクリップ

料金： 選択した設定と時間によって異なります

API： bytedance-seedance-v2-fast

Seedance 2.0の最小バリエーションです。Seedance 2.0の約2倍の速度、約半分のコストで、同じ入力と720p出力に対応します。

生成入力：

• テキストからビデオ
• 開始フレーム
• 終了フレーム
• 画像参照（最大9件）
• ビデオ参照（最大3件、合計15秒）
• オーディオ参照（最大3件、合計15秒）

機能：

• Seedance 2.0と同じ参照処理に対応し、生成ごとの参照数は合計12件まで
• フレームと参照は併用できません。開始または終了フレーム、もしくは参照のいずれかを使用してください
• 4秒から最大15秒までの柔軟な生成時間
• 生成ごとにオーディオのオン・オフを選べるネイティブサウンド制御
• 一度に最大4件の生成によるバッチ作成

出力オプション：

• 解像度：480p、720p
• アスペクト比：21:9、16:9、4:3、1:1、3:4、9:16

最適な用途：

• 大量のドラフトとプレビュー
• オーディオと参照入力が必要で、コストを重視するワークフロー

料金： 選択した設定と時間によって異なります

API： bytedance-seedance-v2-mini

Seedance 2.0の後継モデルです。より鮮明なリアリズム、画像・ビデオ・オーディオを合わせて最大50件の参照、最大30秒の生成に対応します。

生成入力：

• テキストからビデオ
• 開始フレーム
• 終了フレーム
• 画像参照（最大30件）
• ビデオ参照（最大10件、合計30秒）
• オーディオ参照（最大10件、合計30秒）

機能：

• 参照タイプ間の合計上限はなく、画像またはビデオなしでオーディオのみの参照も受け付けます
• フレームと参照は併用できません
• 4秒から最大30秒までの柔軟な生成時間
• 開始フレームまたは参照ビデオが提供されている場合、アスペクト比はそこから取得されます
• 生成ごとにオーディオのオン・オフを選べるネイティブサウンド制御
• 一度に最大4件の生成によるバッチ作成

出力オプション：

• 解像度：480p、720p
• アスペクト比：21:9、16:9、4:3、1:1、3:4、9:16

最適な用途：

• 多数の参照との一貫性を維持する必要がある長尺クリップ
• 参照オーディオで動かす対話・演技シーン

料金： 選択した設定と時間によって異なります

API： bytedance-seedance-v2.5

変更内容を記述して既存のビデオを編集します。出力の長さとアスペクト比は入力ビデオに従います。

生成入力：

• 編集するビデオ（必須、最大30秒）
• 編集内容を説明するテキストプロンプト
• 画像参照（最大30件）
• 追加のビデオ参照（最大10件、合計30秒）
• オーディオ参照（最大10件、合計30秒）

機能：

• 時間の制御はありません。出力は入力ビデオの長さと一致します
• アスペクト比は入力ビデオから取得されます
• 生成ごとにオーディオのオン・オフを選べるネイティブサウンド制御
• 一度に最大4件の生成によるバッチ作成

出力オプション：

• 解像度：480p、720p

最適な用途：

• 既存映像の衣装、小道具、照明、設定の変更
• 元の動きを保ったスタイル転送

料金： 選択した設定と時間によって異なります

プロンプトと任意の参照に基づいて、既存ビデオの終わりから続きを生成します。

生成入力：

• 延長するビデオ（必須、最大30秒）
• 続きを説明するテキストプロンプト
• 画像参照（最大30件）
• 追加のビデオ参照（最大10件、合計30秒）
• オーディオ参照（最大10件、合計30秒）

機能：

• 4秒から最大30秒まで延長可能
• アスペクト比は入力ビデオから取得されます
• 生成ごとにオーディオのオン・オフを選べるネイティブサウンド制御
• 一度に最大4件の生成によるバッチ作成

出力オプション：

• 解像度：480p、720p

最適な用途：

• 早く終わりすぎるショットの延長
• 複数の生成をつなげてより長いシーケンスを作成

料金： 選択した設定と時間によって異なります

AIディレクターのように機能する高度なビデオモデルです。複雑なカメラ移動でも、キャラクター、アイテム、シーンの高い一貫性を維持します。

生成入力：

• テキストからビデオ
• 開始フレーム
• 終了フレーム

機能：

• マルチアングルの画像またはビデオ参照を用いた、高精度なキャラクターとシーンの維持
• 多言語リップシンクと環境音を備えた、ネイティブのオーディオ・ビジュアル同時生成
• 3秒から最大15秒までの柔軟な生成時間
• 最大4種類のバリエーションを同時に生成
• テキスト、流体力学、複雑な物理的相互作用の処理を強化

出力オプション：

• 解像度：1080pのみ
• アスペクト比：16:9、1:1、9:16

最適な用途：

• 映像の連続性が必要なキャラクター主導のストーリーテリング
• 特定のテキストレンダリング要件がある広告やアセット

料金： 選択した設定と時間によって異なります

AIディレクターのように機能する、高一貫性のビデオモデルです。複雑なカメラ移動でも、キャラクター、アイテム、シーンのアイデンティティを維持します。

生成入力：

• テキストからビデオ
• 開始フレーム
• 終了フレーム
• ビデオ参照
• 画像参照

機能：

• マルチアングル参照を使用して、主なキャラクターとアイテムの正確な視覚的アイデンティティを維持
• 3秒から最大15秒までのシームレスな生成時間に対応
• 一度に最大4種類のバリエーションを生成
• 要素間の相互作用と動きの一貫性を正確にモデリング
• 生成ごとのオーディオ有効・無効をネイティブでサポート

出力オプション：

• 解像度：1080pのみ
• アスペクト比：16:9、1:1、9:16

最適な用途：

• 厳密な映像の連続性が必要なキャラクター主導のストーリーテリング
• アイテムの一貫したレンダリングが求められるプロフェッショナルなマーケティング・ブランドアセット

料金： 選択した設定と時間によって異なります

O3アーキテクチャに基づく、自然言語駆動のビデオ間編集モデルです。手動マスキングやフレームごとの調整なしで、キャラクターの置き換えや環境の差し替えなど、複雑な視覚変換を可能にします。

生成入力：

• ソースビデオ
• 画像参照（最大4つの異なる要素／アングル）
• テキスト説明（自然言語による指示）

機能：

• 会話形式のプロンプトを解釈し、元の動きの構造を尊重しながら被写体や設定を置き換え
• 編集中も元のカメラアングル、動きのパターン、空間的な関係を維持
• 正面・マルチアングル画像を含む最大4つの要素を組み合わせ、高精度なキャラクターの一貫性を確保
• 元のソースオーディオを保持するか、生成ごとに無音出力を生成するかを選択可能
• 一度に最大4種類の編集済みバリエーションを生成

出力オプション：

• 解像度：ソースビデオに依存
• アスペクト比：ソースビデオと一致

最適な用途：

• 元の動きを保ちながら既存映像のキャラクターを高精度に置き換え
• 完全なシーン環境の変換（例：昼間の都市を未来的な夜景に変更）
• 既存のカメラの動きに厳密に従う必要があるスタイル転送の適用

料金： ビデオの長さと選択した設定によって異なります

高品質で映画のようなビデオ生成のためのプロフェッショナルグレードモデルです。

生成入力：

• テキストからビデオ
• 開始フレーム
• 終了フレーム
• 画像参照

機能：

• ネガティブプロンプトによる優れた品質とクリエイティブ制御
• 完全に統合・同期されたオーディオ
• リアルな対話、リップシンク、サウンドエフェクト
• 固定時間：4秒、6秒、8秒
• 一度に最大4件の生成によるバッチ作成
• 専用のサウンド制御

出力オプション：

• 解像度：720p、1080p
• アスペクト比：16:9、9:16

最適な用途：

• 完全なクリエイティブ制御による高品質で映画的なビデオ生成

料金： 選択した設定と時間によって異なります

API： veo-3.1-generate-001

迅速なプレビューと生成に最適化された高速モデルです。低レイテンシでより鮮明なビジュアルを提供します。

生成入力：

• テキストからビデオ
• 開始フレーム
• 終了フレーム

機能：

• ネガティブプロンプトと専用サウンド制御による高度なクリエイティブ制御
• 固定時間：4秒、6秒、8秒
• 一度に最大4件の生成によるバッチ作成
• 現実世界の物理法則を正確にモデリングし、リアルな動きと相互作用を実現

出力オプション：

• 解像度：720p、1080p
• アスペクト比：16:9、9:16

最適な用途：

• 迅速な反復とA／Bテスト用ビジュアル
• テンポの速いSNSコンテンツの作成

料金： 選択した設定と時間によって異なります

API： veo-3.1-fast-generate-001

少ないコンピューティングリソースでの高速生成に最適化された、コスト効率の高いVeo 3.1の高速バリエーションです。

生成入力：

• テキストからビデオ
• 開始フレーム

機能：

• ネガティブプロンプトと専用サウンド制御による細かなクリエイティブ制御
• 固定時間：4秒、6秒、8秒
• 一度に最大4件の生成によるバッチ作成

出力オプション：

• 解像度：720p
• アスペクト比：16:9、9:16

最適な用途：

• 速度とコスト効率を優先する大量コンテンツ作成
• 迅速なコンセプト検討とプレビュー

料金： 選択した設定と時間によって異なります

ネイティブオーディオ、最大4K出力、フレーム補間と参照誘導生成の両方に対応する、Googleの物理法則を考慮したビデオモデルです。

生成入力：

• テキストからビデオ
• 開始フレーム
• 終了フレーム
• 画像参照（最大10件）
• ビデオ参照（最大3件、各最大10秒）

機能：

• フレームと参照は併用できません。フレーム間を補間するか、参照で誘導してください
• 固定時間は3秒から10秒です。参照ビデオが添付されている場合、時間はそのビデオに従います
• 画面上の短いテキストやラベルを高精度にレンダリング
• 一度に最大4件の生成によるバッチ作成

出力オプション：

• 解像度：360p、720p、1080p、4K
• アスペクト比：16:9、9:16

最適な用途：

• 読みやすいテキストを含む解説動画やキネティックタイポグラフィ
• 参照間で被写体の一貫性を保つ、物理法則に基づいた動き

料金： 選択した設定と時間によって異なります

Gemini Omni Flash 1.1を使用して既存ビデオの終わりから続きを生成し、合計で最大40秒まで延長します。

生成入力：

• 延長するビデオ（必須、最大30秒）
• 続きを説明するテキストプロンプト

機能：

• 3秒から10秒まで延長可能
• アスペクト比は入力ビデオに従います
• 一度に最大4件の生成によるバッチ作成

出力オプション：

• 解像度：360p、720p、1080p、4K

最適な用途：

• 目立つカットなしでGemini Omni Flashの生成を延長
• 1回の生成で可能な長さを超えるシーケンスの作成

料金： 選択した設定と時間によって異なります

最初のGemini Omniビデオモデルです。物理法則を考慮した動き、ネイティブオーディオ、利用可能なビデオモデルの中で最も優れた画面上テキストのレンダリングを720pで提供します。

生成入力：

• テキストからビデオ
• 画像参照（最大8件）
• ビデオ参照（1件、最大10秒）

機能：

• 固定時間は3秒から10秒です。参照ビデオが添付されている場合、時間はそのビデオに従います
• 開始・終了フレームはありません。代わりに画像参照で被写体を固定してください
• 一度に最大4件の生成によるバッチ作成

出力オプション：

• 解像度：720p
• アスペクト比：16:9、9:16

最適な用途：

• 短いキャプション、タイトル、ラベル付き解説動画
• 720pでの複数画像間の一貫性

料金： 選択した設定と時間によって異なります

時間的な安定性を高め、キーフレーム間の遷移を精密に制御しながら、ダイナミックで高忠実度なシーケンスを作成できる強化版の特化モデルです。

生成入力：

• テキストtoビデオ
• 開始フレーム
• 終了フレーム

機能：

• 開始フレームと終了フレームをシームレスにつなぎ、一貫性のあるマルチショットシーケンスを生成
• 複雑なアクションと環境の一貫性を高忠実度でモデリング
• 4秒から12秒までの固定生成時間に対応
• 一度に最大4つのバリエーションを生成
• 生成ごとにオーディオの有効／無効をネイティブでサポート

出力オプション：

• 解像度：420p、720p
• アスペクト比：21:9、16:9、4:3、1:1、3:4、9:16

最適な用途：

• 特定のビジュアル基準点間で安定した物理表現が必要なストーリーテリングやアクションシーン
• 開始／終了要件が厳格なシネマティックなトランジションやプロフェッショナルなビデオアセット

料金： 選択した設定と時間により異なります

自然な動き、マルチショットシーン、生成オーディオ、ビデオ拡張に対応したBlack Forest Labsのビデオモデルです。

生成入力：

• テキストtoビデオ
• 開始フレーム
• 終了フレーム
• 拡張するビデオ（1本、最大15秒）

機能：

• ビデオ拡張は開始フレームおよび終了フレームと同時には使用できません
• 5秒から20秒まで柔軟な生成時間に対応
• 生成ごとにオーディオの有効／無効を切り替えられるネイティブなサウンド制御
• 一度に最大4件の生成を行うバッチ作成

出力オプション：

• 解像度：720p、1080p
• アスペクト比：21:9、2:1、16:9、4:3、1:1、3:4、9:16

最適な用途：

• 1つのプロンプトから作るマルチショットシーン
• 動きとオーディオを一致させながら既存クリップを拡張

料金： 選択した設定と時間により異なります

テキストプロンプトを使って既存のビデオを編集します。出力の長さとフレーミングは元のビデオに従い、最大15秒です。

生成入力：

• 編集するビデオ（必須、最大15秒）
• 編集内容を説明するテキストプロンプト

出力オプション：

• 解像度とアスペクト比は元のビデオに一致

最適な用途：

• プロンプトに基づく既存映像の変更

料金： 選択した設定と時間により異なります

マルチモーダル参照、生成オーディオ、最大4K出力に対応するMiniMaxのフラッグシップビデオモデルです。

生成入力：

• テキストtoビデオ
• 開始フレーム
• 終了フレーム
• 画像参照（最大9件）
• ビデオ参照（最大3件、各2秒～15秒、合計15秒）
• オーディオ参照（最大3件、各2秒～15秒、合計15秒）

機能：

• 生成ごとの参照数は合計12件まで。オーディオ参照には少なくとも1件の画像またはビデオ参照が必要です
• フレームと参照は同時には使用できません
• 5秒から15秒まで柔軟な生成時間に対応
• 同期されたオーディオを生成
• 一度に最大4件の生成を行うバッチ作成

出力オプション：

• 解像度：480p、768p、2K、4K（2Kと4Kは768pからアップスケール）
• アスペクト比：21:9、16:9、4:3、1:1、3:4、9:16

最適な用途：

• 高解像度での納品が必要な参照主導のシーン
• 参照オーディオで駆動する会話クリップ

料金： 選択した設定と時間により異なります

MiniMax H3と同じ入力と高い美的品質を備え、最大768pでネイティブレンダリングする、ほぼ瞬時のバリエーションです。

生成入力：

• テキストtoビデオ
• 開始フレーム
• 終了フレーム
• 画像参照（最大9件）
• ビデオ参照（最大3件、各2秒～15秒、合計15秒）
• オーディオ参照（最大3件、各2秒～15秒、合計15秒）

機能：

• 生成ごとの参照数は合計12件まで。オーディオ参照には少なくとも1件の画像またはビデオ参照が必要です
• フレームと参照は同時には使用できません
• 5秒から15秒まで柔軟な生成時間に対応
• 同期されたオーディオを生成
• 一度に最大4件の生成を行うバッチ作成

出力オプション：

• 解像度：480p、768p
• アスペクト比：21:9、16:9、4:3、1:1、3:4、9:16

最適な用途：

• プロンプトと参照を迅速に反復
• MiniMax H3でレンダリングする前のプレビュー

料金： 選択した設定と時間により異なります

1～4枚の写真を使用して、元のビデオ内の人物を置き換えます。長さは元のビデオに従い最大30秒で、元のオーディオは維持されます。

生成入力：

• 元のビデオ（最大30秒）
• 置き換える人物の写真（1～4枚）

機能：

• 出力の長さは元のビデオに従う
• 元のオーディオを維持

出力オプション：

• 解像度：最大1080p
• アスペクト比は元のビデオに従う

最適な用途：

• 既存映像の人物を参照写真の被写体に置き換え

料金： 選択した設定と時間により異なります

高度な論理処理を用いて複雑な指示を解釈・実行し、優れたプロンプト追従性と複雑な物理世界のシミュレーションを実現する最先端の推論ビデオモデルです。

生成入力：

• テキストtoビデオ（説明）
• 開始フレーム＆終了フレーム
• ビデオ参照
• 画像参照

機能：

• 多層的なプロンプトを解釈し、複雑な時系列アクションを実行する優れた能力
• 画像とビデオの両方を視覚的アンカーとして活用し、キャラクターとシーンの高い一貫性を維持
• 物理的な相互作用、因果関係、流体力学を優れた精度でモデリング
• 5秒および10秒クリップの高品質生成に対応
• 一度に最大4つのバリエーションを生成

出力オプション：

• 解像度：入力に依存
• アスペクト比：16:9、1:1、9:16

最適な用途：

• 長く詳細な説明への正確な追従が求められる、非常に具体的なクリエイティブコンセプト
• 物理的リアリズムと複数参照の一貫性が重要なプロフェッショナルなストーリーテリング

料金： 選択した設定と時間により異なります

手動のマスキングやフレーム単位の調整を必要とせず、キャラクターの置き換えや環境の変更など、複雑なビジュアル変換を可能にする自然言語駆動のビデオtoビデオ編集モデルです。

生成入力：

• 元のビデオ
• 画像参照（異なる要素／角度を最大4件）
• テキスト説明（自然言語による指示）

機能：

• 元の動きの構造を保ちながら、会話形式のプロンプトを解釈して被写体や設定を置き換え
• 編集中も元のカメラアングル、動きのパターン、空間的な関係を維持
• 正面および複数アングルの画像を含む最大4つの要素を組み合わせ、高忠実度のキャラクター一貫性を確保
• 生成ごとに元のオーディオを保持するか、無音出力を生成するかを選択可能
• 一度に最大4つの編集バリエーションを生成

出力オプション：

• 解像度：元のビデオに依存
• アスペクト比：元のビデオに一致

最適な用途：

• 元の動きを維持しながら既存映像のキャラクターを高忠実度で置き換え
• シーン環境の完全な変換（例：昼間の都市を未来的な夜景に変更）
• 既存のカメラダイナミクスへの厳格な追従が必要なスタイル転送

料金： ビデオの長さと選択した設定により異なります

参照ビデオでキャラクター画像を動かし、特定の動き、ジェスチャー、カメラアングルを再現できる、精密なモーション転送向けの特化モデルです。

生成入力：

• キャラクター画像（元画像）
• モーションビデオ（参照）
• テキスト説明（任意）

機能：

• 正確なモーション再現には「Match Video」、キャラクターに新しいクリエイティブな動きを加えるには「Match Image」を選択
• Match Videoモードでは最大30秒、Match Imageモードでは最大10秒に対応
• 参照映像の人物の動きを静止キャラクターに高忠実度でマッピング
• 生成ごとにオーディオの有効／無効をネイティブでサポート
• 一度に最大4つのバリエーションを生成

出力オプション：

• 解像度：元の素材に依存
• アスペクト比：元の素材に依存

最適な用途：

• カスタムキャラクター上で複雑な振り付けや特定の動きを再現
• 高いモーション忠実度が必要な長尺キャラクターアニメーション
• トレンドのビデオの動きに基づくSNSコンテンツ

料金： 選択した設定と時間により異なります

Kling 3.0アーキテクチャを基盤とする精密なモーション転送向けの特化モデルです。参照ビデオでキャラクター画像を動かし、特定の動き、ジェスチャー、カメラアングルをより高い忠実度で再現できます。

生成入力：

• キャラクター画像（元画像）
• モーションビデオ（参照）
• テキスト説明（任意）

機能：

• 正確なモーション再現には「Match Video」、キャラクターに新しいクリエイティブな動きを加えるには「Match Image」を選択
• Match Videoモードでは最大30秒、Match Imageモードでは最大10秒に対応
• 参照映像の人物の動きを静止キャラクターに高忠実度でマッピング
• 生成ごとにオーディオの有効／無効をネイティブでサポート
• 一度に最大4つのバリエーションを生成

出力オプション：

• 解像度：元の素材に依存
• アスペクト比：元の素材に依存

最適な用途：

• カスタムキャラクター上で複雑な振り付けや特定の動きを再現
• 高いモーション忠実度が必要な長尺キャラクターアニメーション
• トレンドのビデオの動きに基づくSNSコンテンツ

料金： 選択した設定と時間により異なります

モーションの忠実度向上と滑らかなトランジションのために最適化された生成モデルです。高速な反復とプロダクション品質のビジュアル出力のバランスを実現します。

生成入力：

• テキストtoビデオ
• 開始フレーム（画像toビデオ）

機能：

• 強化されたモーションダイナミクス：動きの滑らかさとリアルな物理的相互作用を大幅に改善
• 柔軟なサウンド制御：生成ごとにオーディオの有効／無効をネイティブでサポート
• バッチ作成：最大4つのバリエーションを同時に生成
• 詳細な調整：ネガティブプロンプト対応による高度なクリエイティブ制御
• 固定時間：5秒および10秒の生成時間に対応

出力オプション：

• 解像度：入力に依存
• アスペクト比：16:9、1:1、9:16

最適な用途：

• 滑らかなキャラクター動作が求められるアクション性の高いクリップ
• 高いプロンプト追従性を備えたプロフェッショナル品質のSNSコンテンツ

料金： 選択した設定と時間により異なります

高品質なフルHDビデオ生成に対応する、バランスの取れた汎用性の高いモデルです。

生成入力：

• テキストtoビデオ
• 開始フレーム

機能：

• 複雑な動きとリアルな物理表現のシミュレーションに優れる
• 流体力学と表情を正確にモデリング
• 固定時間：5秒、10秒
• 一度に最大4件の生成を行うバッチ作成

出力オプション：

• 解像度：1080p
• アスペクト比：16:9、1:1、9:16

最適な用途：

• リアルな物理シミュレーションと複雑な動き

料金： 選択した設定と時間により異なります

シネマティックで非常にリアルなビデオのための、最先端のモーション品質、プロンプト追従性、ビジュアル忠実度を備えています。

生成入力：

• テキストtoビデオ
• 開始フレーム（画像toビデオ）

機能：

• 業界をリードするリアリズムと物理シミュレーションによる卓越したモーション品質
• 複雑なシーンを精密にクリエイティブ制御できる優れたプロンプト追従性
• シネマティック品質の出力を実現する高いビジュアル忠実度
• 最大4つのバリエーションを同時に生成

出力オプション：

• 解像度：720p
• アスペクト比：16:9、9:16

最適な用途：

• 最高レベルのモーション品質とリアリズムが必要なシネマティックコンテンツ
• 精密なプロンプト追従性が求められるプロフェッショナルな制作
• 高忠実度のビジュアルストーリーテリング

料金： 選択した設定と時間により異なります

高品質なビデオを生成でき、迅速な反復とコスト効率の高い作成のために設計された高度なビデオモデルです。

生成入力：

• テキストtoビデオ
• 開始フレーム（画像toビデオ）

機能：

• 超高速生成向けに最適化され、以前の世代より最大4倍速く結果を提供
• キャラクターの動き、カメラアングル、シーン構成を精密に指示可能
• ダイナミックなシーン全体でビジュアルの一貫性と安定性を維持することに優れる
• 2秒から10秒までの生成時間に対応
• 最大4つのバリエーションを同時に生成

出力オプション：

• 解像度：720p
• アスペクト比：21:9、16:9、4:3、1:1、3:4、9:16

最適な用途：

• ほぼ即時のフィードバックが必要な迅速なプロトタイピングとクリエイティブな実験
• 高解像度のマーケティングアセットを短納期で必要とするプロフェッショナルプロジェクト
• 特定のカメラ移動要件があるシネマティックコンテンツ

料金： 選択した設定と時間により異なります

元映像の基礎構造を維持しながら複雑な編集を実行できる、マルチタスクのビジュアル生成向けに設計された最先端のインコンテキストビデオモデルです。

生成入力：

• 元のビデオ
• 参照画像
• テキスト説明

機能：

• 自然なライティング、影、パースペクティブを維持しながら、シーン内のオブジェクトや被写体をシームレスに追加、削除、変換
• リアルな色温度の更新により、場所、季節、時間帯を変更（例：曇天の映像をドラマチックな夕焼けに変換）
• シンプルな自然言語プロンプトで、俳優の年齢や外見を変更したり、服装や被写体のテクスチャを変更
• 参照ビデオの特定の動きとカメラパスを静止画像に適用し、精密にアニメーションを制御
• 既存の1つのビデオシーケンスから、リバースショットやローアングルなど、まったく新しいカメラアングルを生成
• 精密なグリーンスクリーン処理（エッジ検出による切り抜き）、ストーリーを続けるための次ショット生成、審美的なスタイル転送を含む
• 最大4つのバリエーションを同時に生成

出力オプション：

• 解像度：720p
• アスペクト比：自動

最適な用途：

• デジタル若返り、再ライティング、オブジェクト削除などのプロフェッショナルな視覚効果タスク
• 迅速なシネマティックプロトタイピングと、1ショットからの代替カメラカバレッジ生成
• 大幅な環境またはスタイル変換が必要なクリエイティブなマーケティングコンテンツ

料金： 選択した設定と時間により異なります

Runwayのビデオ編集モデルです。動きと一貫性を維持しながら、既存のビデオを目標のルックへ変換します。

入力：

• 元のビデオ（必須、2秒～30秒）
• 目標ルック画像（必須）
• 編集内容を説明するテキストプロンプト

機能：

• 出力の長さとフレーミングは元のビデオに従う
• 目標ルック画像に基づくスタイル転送
• 一度に最大4件の生成を行うバッチ作成

最適な用途：

• 既存映像の再ライティング、リスタイリング、または設定変更
• 参照画像のルックをクリップ全体に適用

料金： 選択した設定と時間により異なります

ドライビングビデオの動き、発話、表情をキャラクター画像またはビデオ参照にマッピングし、キャラクターをアニメーション化する特化型パフォーマンス転写モデルです。

生成入力：

• ドライビングパフォーマンス（ビデオ）
• キャラクター入力（画像またはビデオ）

機能：

• ソースとなる俳優の繊細な表情、リップシンク、同期オーディオを任意のキャラクターへ直接転写
• 静止キャラクター画像に副次的な動きや微細なカメラシェイクを自動追加し、より自然な見た目を実現
• キャラクター画像使用時に、体や手の動きを有効化・無効化できる精密な切り替え
• 強い感情表現とキャラクターの視覚的一貫性のバランスを調整できる設定
• ドライビングパフォーマンスとの完全なアラインメントを維持したまま、生成後にキャラクターの声を変更可能

出力オプション：

• 解像度：720p
• アスペクト比：自動

最適な用途：

• 静止したキャラクターポートレートに、リアルな人間の動きや発話を加える
• 人間以外のキャラクターや様式化されたアバターを、高精細な表情でアニメーション化する
• 身振りを統合したトーキングヘッドコンテンツを迅速に制作する

料金： 選択した設定と長さによって異なります

大きな動きやアクションを含む、ダイナミックなマルチショットシーケンスを作成するための特化型モデルです。

生成入力：

• テキストtoビデオ
• 開始フレーム
• 終了フレーム

機能：

• 高度に安定した物理演算と、ショット間のシームレスな遷移
• 固定長：3秒、4秒、5秒、6秒、7秒、8秒、9秒、10秒、11秒、12秒
• 一度に最大4件の生成を行えるバッチ作成
• 豊富なアスペクト比オプションによる最大限のクリエイティブな柔軟性

出力オプション：

• 解像度：480p、720p、1080p
• アスペクト比：21:9、16:9、4:3、1:1、3:4、9:16

最適な用途：

• 安定した物理演算が必要なストーリーテリングやアクションシーン

料金： 選択した設定と長さによって異なります

一度の処理で同期したビデオとオーディオを生成し、一貫した発話とリアルな動きを実現するよう設計された、DiTベースの基盤モデルです。

生成入力：

• テキストtoビデオ
• 画像toビデオ
• オーディオtoビデオ
• 深度toビデオ

機能：

• 外部ツールなしで完全にアラインメントされた対話、口の動き、環境音を同時に生成
• 安定した動き、一貫したアイデンティティ、強力なフレーム間の一貫性を備えたダイナミックなシーン
• 最大20秒間の高精細な同期生成に対応
• 詳細なネガティブプロンプト対応による高度なクリエイティブディレクション
• 一度に最大4つのバリエーションを生成

出力オプション：

• 解像度：720p、1080p
• アスペクト比：16:9、4:3、1:1、3:4、9:16

最適な用途：

• 一貫した発話と表現力豊かなキャラクターパフォーマンス
• 統合された環境音と一貫したタイミングが必要なナラティブコンテンツ
• 複雑なカメラ認識モーションロジックを備えたダイナミックなシーン

料金： 選択した設定と長さによって異なります

最高水準の視覚的ディテールと構造的安定性に最適化され、滑らかな動きでプロダクション品質の4K出力を生成できる高精細な生成モデルです。

生成入力：

• テキストtoビデオ
• 開始フレーム（画像toビデオ）

機能：

• 速度よりも画質と一貫性を優先し、長いシーケンスでも安定した結果を実現
• 卓越した滑らかさとプロ品質の動きに対応する25 FPSおよび50 FPSをサポート
• サウンドのオン・オフを切り替えられる統合オーディオ・ビジュアル生成
• ディテールを損なうことなく、ネイティブ1080p、2k、4k出力に対応
• 一度に最大4つのバリエーションを生成

出力オプション：

• 解像度：1080p、2k、4k
• フレームレート：25 FPS、50 FPS
• アスペクト比：16:9（デフォルト）
• 長さ：6秒、8秒、10秒

最適な用途：

• 4Kの鮮明さが必要な高解像度のシネマティック制作
• 滑らかな50 FPSの動きが求められるプロフェッショナルコンテンツ
• 視覚的安定性と構造的完全性が重要な詳細なシーケンス

料金： 選択した設定と長さによって異なります

連続性を損なったりシーケンス全体を再生成したりせずに、既存ショット内の対話、感情、アクションを狙って変更できる高精度AIディレクションツールです。

生成入力：

• ソースビデオ
• テキスト説明

機能：

• 周辺フレームのコンテキストを強力に維持しながら、特定のセグメントを変更
• キャラクターの声、パフォーマンス、環境の一貫性を保ったまま、発話を言い換え
• 複数の編集モード：「オーディオ＆ビデオ」「オーディオのみ」「ビデオのみ」から選択し、ショット内の特定要素を分離して再生成
• 新しいコンテンツは元の動き、照明、トーンを自然に継承し、シームレスに遷移
• 1つのショット内で、キャラクターの別のリアクション、感情のビート、カメラの動きをすぐに試せます
• 横並びでクリエイティブに比較できるよう、最大4つのバリエーションを同時に生成

出力オプション：

• アスペクト比：16:9のみ

最適な用途：

• 撮り直しや再録音なしでスクリプトを調整し、対話を洗練する
• ポストプロダクションで感情のビートやテンポの問題を修正する
• 単一のマーケティングアセット内で複数のブランドメッセージやCTAをテストする

料金： 選択した設定と長さによって異なります

タイトなフィードバックループと高速なコンテンツ制作のために構築された、速度最適化生成モデルです。レンダリング時間を大幅に短縮しながら高解像度のビジュアルを提供します。

生成入力：

• テキストtoビデオ
• 開始フレーム（画像toビデオ）

機能：

• 速度と高速イテレーション向けに設計され、迅速なビジュアル実験とほぼ即時のプレビューを実現
• Proモデルより低い計算負荷でネイティブ1080p、2k、4k出力をサポート
• 高速でも滑らかな動きを実現する25 FPSおよび50 FPSに対応
• 最大20秒の同期オーディオ・ビジュアルコンテンツを迅速に生成
• 生成ごとにオーディオを有効・無効化できるネイティブサポート
• 最大4つのバリエーションを同時に生成

出力オプション：

• 解像度：1080p、2k、4k
• フレームレート：25 FPS、50 FPS
• アスペクト比：16:9（デフォルト）
• 長さ：6秒、8秒、10秒、12秒、14秒、16秒、18秒、20秒

最適な用途：

• 最高レベルのディテールよりも速度を優先する高速プロトタイピングとクリエイティブ探索
• 素早い納品が必要な大量のSNSコンテンツ
• 異なるビジュアルコンセプトやモーションスタイルのA/Bテスト

料金： 選択した設定と長さによって異なります

画像、ビデオ、オーディオの参照、生成オーディオ、最大30秒の生成に対応するシネマティックビデオモデルです。

生成入力：

• テキストtoビデオ
• 開始フレーム
• 終了フレーム
• 画像参照（最大10件）
• ビデオ参照（最大5件、合計15秒）
• オーディオ参照（最大5件、合計15秒）

機能：

• フレームと参照は同時に使用できません
• 固定長：5秒、10秒、15秒、20秒、30秒
• 生成ごとにオーディオの有効・無効を設定できるネイティブサウンドコントロール
• 任意のプロンプト強化
• 一度に最大4件の生成を行えるバッチ作成

出力オプション：

• 解像度：480p、720p、1080p
• アスペクト比：自動、16:9、4:3、1:1、3:4、9:16

最適な用途：

• プロンプトへの高い忠実度が求められる長めのシネマティックショット
• オーディオを伴う参照主導のシーン

料金： 選択した設定と長さによって異なります

Wan 3.0と同じ入力および出力オプションを備え、アイデア出しに適した高速バリアントです。

生成入力：

• テキストtoビデオ
• 開始フレーム
• 終了フレーム
• 画像参照（最大10件）
• ビデオ参照（最大5件、合計15秒）
• オーディオ参照（最大5件、合計15秒）

機能：

• Wan 3.0の約半分の生成時間
• 固定長：5秒、10秒、15秒、20秒、30秒
• 生成ごとにオーディオの有効・無効を設定できるネイティブサウンドコントロール
• 一度に最大4件の生成を行えるバッチ作成

出力オプション：

• 解像度：480p、720p、1080p
• アスペクト比：自動、16:9、4:3、1:1、3:4、9:16

最適な用途：

• 最終的なWan 3.0レンダリング前のアイデア探索
• 納期に敏感なワークフロー

料金： 選択した設定と長さによって異なります

統合マルチモーダルアーキテクチャを活用し、ネイティブオーディオ同期とインテリジェントなマルチショットシーケンシングを備えた、プロダクション対応1080pコンテンツを提供する次世代シネマティックビデオプラットフォームです。

生成入力：

• テキストtoビデオ
• 開始フレーム（画像toビデオ）
• ビデオ参照（ビデオtoビデオ）
• オーディオ参照（任意のバックグラウンドオーディオまたは対話）

機能：

• 統合マルチモーダルシステム：テキスト、画像、ビデオ、オーディオを単一の統合フレームワークで処理し、一貫した出力品質を実現
• ネイティブオーディオ同期：画面上の動きに合わせて、対話、ナレーション、環境サウンドエフェクトを自動生成・アラインメント
• インテリジェントなマルチショットシーケンシング：キャラクターの一貫性を保ちながら、関連するビデオシーケンスを一貫したストーリーアークへ自動整理
• 拡張された長さ：5秒、10秒、15秒の固定長で、安定した高品質生成に対応
• 高度なクリエイティブコントロール：詳細なディテール管理のためのネガティブプロンプトと、最大4つのバリエーションのバッチ作成をサポート

出力オプション：

• 解像度：720p、1080p
• アスペクト比：16:9、4:3、1:1、3:4、9:16

最適な用途：

• プロフェッショナルなナラティブストーリーテリングと複雑なマルチショットのシネマティックシーケンス
• 統合された高精細オーディオが必要なSNS広告やマーケティングコンテンツ
• ビデオ参照を通じた厳密な視覚・モーション一貫性が必要なキャラクター主導コンテンツ

料金： 選択した設定と長さによって異なります

テキストまたは開始画像から、シネマティックな動きと高いプロンプト忠実度を実現する汎用モデルです。

生成入力：

• テキストtoビデオ
• 開始フレーム（画像toビデオ）

機能：

• ネガティブプロンプトと専用サウンドコントロールによる詳細なクリエイティブコントロール
• 固定長：5秒、10秒
• 一度に最大4件の生成を行えるバッチ作成

出力オプション：

• 解像度：480p、720p、1080p
• アスペクト比：16:9、1:1、9:16

最適な用途：

• プロンプトへの高い忠実度が求められるシネマティックコンテンツ

料金： 選択した設定と長さによって異なります

高精細な出力と精密な編集に対応する、OpenAIのプロダクション品質画像モデルです。

生成入力：

• テキストto画像
• 画像参照（最大10件）

機能：

• LowからMaximumまでの5つの品質レベル
• 最大3:1のアスペクト比で、一辺最大3840pxのカスタム解像度
• 一度に最大4件の生成を行えるバッチ作成

出力オプション：

• 解像度：1K、2K、4K、またはカスタム
• アスペクト比：3:1、21:9、2:1、16:9、3:2、4:3、5:4、1:1、4:5、3:4、2:3、9:16、1:2、1:3

最適な用途：

• ディテールと忠実度が最重要となる最終アセット
• 既存画像への精密な編集

料金： 選択した設定とバリエーション数によって異なります

API： gpt-image-2.5-sunburst

Sunburstと同じコントロールを備え、日常的な大量生成向けに調整された高速なGPT Image 2.5バリアントです。

生成入力：

• テキストto画像
• 画像参照（最大10件）

機能：

• LowからMaximumまでの5つの品質レベル
• 最大3:1のアスペクト比で、一辺最大3840pxのカスタム解像度
• 一度に最大4件の生成を行えるバッチ作成

出力オプション：

• 解像度：1K、2K、4K、またはカスタム
• アスペクト比：3:1、21:9、2:1、16:9、3:2、4:3、5:4、1:1、4:5、3:4、2:3、9:16、1:2、1:3

最適な用途：

• 大量の画像生成
• 4Kやカスタムサイズも必要な高速イテレーション

料金： 選択した設定とバリエーション数によって異なります

API： gpt-image-2.5-flare

テキストレンダリングを強化し、高解像度出力に対応した、精密な画像生成のための高度なAIモデルです。

機能：

• 正確なタイポグラフィと明瞭さを備えた画像を作成するための精密なテキストコントロール
• プロフェッショナルおよび商用利用に適した高解像度PNG出力
• スタイルと構成のガイドに複数の画像参照をサポート
• 一度に最大4枚の画像を生成

出力オプション：

• アスペクト比：3:2、1:1、2:3
• 品質オプション：low、medium、high

最適な用途：

• 正確なテキスト配置が必要なマーケティングビジュアルやデザインアセット
• 高解像度が求められるプロフェッショナルコンテンツ
• 正確なテキストベースの画像コントロールが必要なクリエイティブプロジェクト

料金： 選択した設定とバリエーション数によって異なります

API： gpt-image-2

ネイティブ4K出力と最大14件の画像参照に対応する画像モデルです。

生成入力：

• テキストto画像
• 画像参照（最大14件）

出力オプション：

• 解像度：4K
• アスペクト比：8:1から1:8、および自動

最適な用途：

• ネイティブ4Kが必要な参照ガイド付き画像

料金： 選択した設定とバリエーション数によって異なります

プロダクション対応の品質と超高速処理を組み合わせ、世界知識と被写体の一貫性を向上させた高度なAI画像生成モデルです。

機能：

• アップスケーリング不要のネイティブ4K解像度出力により、クリアなディテールを実現
• 最短1～2秒での超高速画像生成
• 高度な推論と指示追従による優れたプロンプト忠実度
• モックアップ、看板、インフォグラフィック向けの、複数言語で鮮明かつ正確なテキストレンダリング
• 複数のキャラクターやオブジェクトにわたりアイデンティティを維持する、一貫した複数被写体のスタイリング
• より正確なシーン生成のための改善された世界知識
• 生成のガイドに複数の画像参照をサポート
• 一度に最大4枚の画像を生成

出力オプション：

• アスペクト比：21:9、16:9、5:4、4:3、3:2、1:1、2:3、3:4、4:5、9:16
• 解像度：最大4K

最適な用途：

• リアルタイムイテレーションが必要な高速クリエイティブワークフロー
• 一貫したキャラクターアイデンティティを持つブランドコンテンツとストーリーテリング
• 正確なテキストとタイポグラフィを備えたプロフェッショナルビジュアル

料金： 選択した設定とバリエーション数によって異なります

API： gemini-3.1-flash-image

1Kでの高速な生成・編集向けに設計された、Nano Banana 2の高速かつ低コストなバリアントです。

生成入力：

• テキストto画像
• 画像参照（最大14件）

機能：

• 一貫した速度とコストを実現する固定1K出力
• Nano Banana 2と同じ14枚の画像参照に対応
• 一度に最大4件の生成を行えるバッチ作成

出力オプション：

• 解像度：1K
• アスペクト比：21:9、16:9、5:4、4:3、3:2、1:1、2:3、3:4、4:5、9:16

最適な用途：

• 高速イテレーションと下書き
• 1Kで十分な一括編集

料金： 選択した設定とバリエーション数によって異なります

API： gemini-3.1-flash-lite-image

Krea AIによる汎用的なプロダクション対応画像生成モデルです。幅広いクリエイティブワークフローに向けて、品質と速度のバランスを取っています。

機能：

• 高いプロンプト忠実度を備えた高精細画像生成
• 生成のガイドに複数の画像参照をサポート
• 一度に最大4枚の画像を生成

出力オプション：

• アスペクト比：16:9、4:3、1:1、3:4、9:16

最適な用途：

• 一貫した品質が必要なプロフェッショナルコンテンツ制作
• 多様なクリエイティブコンセプトでの高速イテレーション

料金： 選択した設定とバリエーション数によって異なります

Krea AIのフラッグシップ画像生成モデル。プロフェッショナルな制作ワークフロー向けに、最高の視覚的忠実度と高度なクリエイティブコントロールを提供します。

機能：

• プロ品質の出力に対応する、卓越したディテールとリアリズム
• 複数の画像リファレンスをサポートする高度なスタイルコントロール
• 一度に最大4枚の画像を生成

出力オプション：

• アスペクト比：16:9、4:3、1:1、3:4、9:16

最適な用途：

• 高品質な商用・エディトリアル画像の制作
• 最高の忠実度が求められる複雑なクリエイティブ構成

料金： 選択した設定とバリエーション数により異なります

プロンプト制御に優れ、クリーンな構成を実現するデザイン重視のテキストto画像モデルです。

生成入力：

• テキストto画像

機能：

• 2K出力ではProモデルのバリアントを使用
• 一度に最大4件の生成を行うバッチ作成

出力オプション：

• 解像度：1K、2K
• アスペクト比：2:1、16:9、3:2、14:10、4:3、5:4、1:1、4:5、3:4、10:14、2:3、6:10、9:16、1:2

最適な用途：

• レイアウト重視のグラフィック、アイコン、ポスター
• テキストのみから作成するクリーンな構成

料金： 選択した設定とバリエーション数により異なります

高速でデザイン重視のテキストto画像モデルです。

生成入力：

• テキストto画像

出力オプション：

• アスペクト比：16種類

最適な用途：

• テキストのみから作成するレイアウト重視のグラフィック

料金： 選択した設定とバリエーション数により異なります

リファレンス画像のスタイルに合わせられる、デザイン重視の画像モデルです。

生成入力：

• テキストto画像
• スタイルリファレンス（最大10件）

機能：

• スタイル一致のコントロール：Preciseはリファレンスのスタイルに忠実に従い、Flexibleは全体的な見た目を合わせます
• 2K出力ではProモデルのバリアントを使用
• 一度に最大4件の生成を行うバッチ作成

出力オプション：

• 解像度：1K、2K
• アスペクト比：2:1、16:9、3:2、14:10、4:3、5:4、1:1、4:5、3:4、10:14、2:3、6:10、9:16、1:2

最適な用途：

• 一連のスタイルリファレンスに基づく、ブランド一貫性のあるグラフィック
• イラストレーションやデザイン作業

料金： 選択した設定とバリエーション数により異なります

ByteDanceの軽量・高速画像生成モデル。必要なコンピューティングリソースを抑えつつ、高品質な結果を提供します。

機能：

• 迅速なクリエイティブ反復のための高速生成
• 生成を導く複数の画像リファレンスに対応
• 一度に最大4枚の画像を生成

出力オプション：

• アスペクト比：16:9、4:3、1:1、3:4、9:16

最適な用途：

• スピードが求められる大量画像作成ワークフロー
• コンセプトの迅速な検討とプレビュー

料金： 選択した設定とバリエーション数により異なります

API： bytedance-seedream-5-lite

精密な編集、多言語テキスト、高密度なインフォグラフィックに対応する、高忠実度のSeedream 5バリアントです。

生成入力：

• テキストto画像
• 画像リファレンス（最大10件）

機能：

• 多言語テキストを正確にレンダリング
• インフォグラフィックやポスターなどの高密度レイアウトに対応
• 一度に最大4件の生成を行うバッチ作成

出力オプション：

• 解像度：1K、2K
• アスペクト比：16:9、4:3、1:1、3:4、9:16

最適な用途：

• 複数言語によるテキスト量の多いデザイン
• リファレンスへの厳密な準拠が必要な複数画像の編集

料金： 選択した設定とバリエーション数により異なります

API： bytedance-seedream-5-pro

テキストベースの正確な画像生成と、元の細部を保持する複雑な非破壊フォト編集のために設計された高速フラッグシップモデルです。

機能：

• 元画像の照明、構図、被写体の外観を維持しながら、指定された変更を確実に実行
• 要素の追加、削除、結合、ブレンドを含む複雑な編集タスクに対応
• 従来のイテレーションより最大4倍高速に出力
• 一度に最大4枚の画像を生成

出力オプション：

• アスペクト比：3:2、1:1、2:3
• 品質オプション：low、medium、high

最適な用途：

• 実用的な写真調整や、衣服・ヘアスタイルのリアルなバーチャル試着
• 入力画像の本質を保つコンセプト変換やスタイルフィルター
• テキストto画像コンセプトの迅速な反復

料金： 選択した設定とバリエーション数により異なります

API： gpt-image-1.5

優れたプロンプト準拠、読みやすいテキスト、詳細な編集機能を備えたOpenAIの第1世代画像モデルです。

生成入力：

• テキストto画像
• 画像リファレンス（最大5件）

機能：

• 3つの品質レベル：Low、Medium、High
• 一度に最大4件の生成を行うバッチ作成

出力オプション：

• アスペクト比：3:2、1:1、2:3

最適な用途：

• すでにGPT Image 1の出力を中心に構築されているワークフロー
• 標準解像度でのシンプルな編集や画像内テキストのタスク

料金： 選択した設定とバリエーション数により異なります

API： gpt-image-1

テキストto画像合成、精密な画像編集、複雑な複数画像の合成を、単一の効率的なフレームワークに統合した高性能マルチモーダル基盤モデルです。

機能：

• 最大4K解像度の高忠実度画像を高速に生成するネイティブサポート
• リファレンス入力に基づく編集タスクで、顔の特徴、照明、色調、細部を卓越して保持
• 複数の入力画像にまたがる対象要素を正確に識別・ブレンドし、制御可能で一貫した結果を実現
• ポスターやブランドビジュアル向けに小さなテキストを明瞭かつ正確にレンダリングする、デザイナーレベルの構成機能
• 一度に最大4枚の画像を生成

出力オプション：

• アスペクト比：16:9、4:3、1:1、3:4、9:16
• 解像度：2K、4K

最適な用途：

• 正確なレイアウトとタイポグラフィが必要なプロ向けグラフィックデザインワークフロー
• リファレンスの人物像と照明への厳密な準拠が必要な複雑なフォト編集
• 複数のビジュアルソースを用いた高解像度のクリエイティブ合成

料金： 選択した設定とバリエーション数により異なります

高度な推論能力を備えた高忠実度画像生成モデルです。複雑な構成でも、優れたプロンプト準拠と正確なビジュアル一貫性を実現するよう設計されています。

機能：

• 複雑で多層的なテキスト記述を高精度に解釈・実行
• 画像リファレンスを活用し、生成間で被写体のアイデンティティ、照明、美的スタイルを維持
• リアルなテクスチャ、複雑な空間関係、プロ品質の照明効果に最適化
• 一度に最大4枚の画像を生成

出力オプション：

• アスペクト比：Auto、16:9、9:16、1:1、4:3、3:4、3:2、2:3、21:9
• 解像度：1K、2K

最適な用途：

• 詳細かつ技術的なテキストプロンプトへの厳密な準拠が必要なプロ向けクリエイティブアセット
• ビジュアルリファレンスを使用した、一貫性の高い画像編集とキャラクターデザイン

料金： 選択した設定とバリエーション数により異なります

プロフェッショナルなワークフロー向けに設計されたプロダクション品質の画像生成・編集モデルです。速度、精度、一貫性を重視し、最先端のビジュアル品質を提供します。

機能：

• 複数の画像を同時に参照し、数百のアセットにわたり業界最高水準のキャラクター・アイデンティティの一貫性を実現
• 生地のテクスチャから建築要素まで、実写写真との差を縮める前例のないディテール品質
• 複雑なタイポグラフィ、UIモックアップ、インフォグラフィック向けのプロダクション対応テキストレンダリング
• 近似なしで16進コードによる正確なブランドカラー指定をサポート
• 複雑なシーン全体で、正確なオブジェクト配置、リアルな物理法則、一貫した照明、適切な遠近感を確保
• 構造化された複雑な指示に対する精度と応答性を向上するよう最適化
• 一度に最大4枚の画像を生成

出力オプション：

• アスペクト比：16:9、4:3、1:1、3:4、9:16
• 解像度：720p、1080p、2K

最適な用途：

• キャラクターの一貫性を保つキャンペーンの展開や、あらゆる文脈での正確な商品配置
• 読みやすいテキストと一貫したビジュアルデザインシステムを備えたインターフェースモックアップの作成
• 大規模な商品写真の生成や、コンテキストに沿ったライフスタイル写真の作成

料金： 選択した設定とバリエーション数により異なります

高忠実度のアセット制作、高度なクリエイティブコントロール、正確な指示遵守のために設計された、プロ品質の推論ベース画像生成・編集モデルです。

入力：

• 画像リファレンス
• テキスト記述（複雑で多層的なプロンプトに対応）

機能：

• レンダリング前にシーンを計画し、物理法則に正確な照明、正確なオブジェクト関係、優れたプロンプト準拠を実現
• インパクトのあるポスターや商品モックアップ向けに、さまざまなフォントスタイルや手書き文字による鮮明で読みやすい多言語テキストを生成
• 多様なクリエイティブ出力で、最大5人の人物と複数のオブジェクトについて高い忠実度と類似性を維持
• Google Searchを統合し、実データ、現実世界の知識、天気やスポーツなどのリアルタイム情報でビジュアルを強化
• 高度なローカル編集ツールで、カメラアングル、焦点、シーン照明（例：昼から夜への変換）を調整
• 優れた空間理解により、正確なインフォグラフィック、技術図、プレゼンテーションスライドを生成
• 一度に最大4件のバリエーションを生成

出力オプション：

• 解像度：1K、2K、4K
• アスペクト比：Auto、21:9、16:9、5:4、4:3、3:2、1:1、2:3、3:4、4:5、9:16

最適な用途：

• プロ向け広告、ブランドアセット、高品質なEコマース商品写真
• 教育用解説、データドリブンなインフォグラフィック、複雑な技術文書
• 一貫したキャラクターまたはブランドアイデンティティを持つ高解像度ビジュアルデザインの迅速なプロトタイピング

料金： 選択した設定とバリエーション数により異なります

API： gemini-3-pro-image

テキストプロンプトから直接、迅速かつ高品質に画像を生成・編集する高速モデルです。

機能：

• 生成を導く複数の画像リファレンスに対応
• 一度に最大4枚の画像を生成

出力オプション：

• アスペクト比：21:9、16:9、5:4、4:3、3:2、1:1、2:3、3:4、4:5、9:16

最適な用途：

• 迅速な画像作成と反復

料金： 選択した設定とバリエーション数により異なります

API： gemini-2.5-flash-image

高忠実度の画像生成向けに設計された高度なベースモデルです。前例のないスタイル制御とビジュアルメモリーにより、シーン間の一貫性を維持します。

機能：

• 入力画像を用いてキャラクター、スタイル、特定のオブジェクトを固定し、複数の出力でプロ品質の一貫性を維持
• 複雑な自然言語による記述を解釈し、ビジュアルの細部、照明、感情を正確に制御するよう最適化
• シネマティックなストーリーボードからプロ向け商品写真まで、多様なユースケースに対応する高品質なビジュアルを生成
• 一度に最大4枚の画像を生成

出力オプション：

• アスペクト比：16:9、4:3、1:1、3:4、9:16
• 解像度：720p、1080p

最適な用途：

• 主人公の外見を、異なる環境や照明表現でも維持
• 高解像度のブランドアセット、バーチャル試着、スケール対応の商品ビジュアライゼーションを迅速に制作
• 画像リファレンスを通じて中核となるビジュアルアイデンティティを固定しながら、多様な芸術的方向性を探索

料金： 選択した設定とバリエーション数により異なります

速度を追求して最適化された画像生成モデルです。標準のGen-4 Imageと同一の出力品質を維持しながら、2.5倍高速に結果を提供します。

機能：

• 最適化された処理により、短時間で高忠実度画像を生成し、クリエイティブな探索を迅速化
• 最大3枚のリファレンス画像をアップロードし、特定のキャラクター、環境、アートスタイルに対するモデルの理解を誘導
• リファレンス画像の特定の視覚的特性をエンコードして、複数の生成にわたりアイデンティティを維持することで、ビジュアルのドリフトという課題を解決
• リファレンス画像の美的表現、照明、テクスチャを、まったく新しい被写体やシーンに簡単に適用
• シードパラメーターを活用し、バリエーションを体系的に探索、または特定の出力を正確に再現
• 一度に最大4枚の画像を生成

出力オプション：

• アスペクト比：16:9、4:3、1:1、3:4、9:16
• 解像度：720p、1080p

最適な用途：

• Instagramストーリーズ（9:16）や標準投稿（1:1）向けに最適化されたビジュアルを、大規模かつ迅速に制作
• ブランドスタイルガイドをリファレンス画像として使用し、キャンペーン全体で厳格なビジュアルアイデンティティを維持
• 主人公の識別性を確保しながら、一貫したキャラクターポーズと設定を開発
• リファレンスベースのガイダンスにより、多様なライフスタイル・季節感のある商品写真を正確に作成

料金： 選択した設定とバリエーション数により異なります

大きな動きやアクションを含むマルチショットの連続シーンを生成するための特化型画像モデルです。

機能：

• 安定した物理法則と一貫性のある遷移を持つ画像の作成に優れています
• 生成を導く複数の画像リファレンスに対応
• 一度に最大4枚の画像を生成

出力オプション：

• アスペクト比：auto、16:9、4:3、1:1、3:4、9:16

最適な用途：

• アクションシーンやダイナミックな構成

料金： 選択した設定とバリエーション数により異なります

プロンプトへの高い忠実度とリファレンス画像のサポートを備えた、Wan 2.5の画像バリアントです。

生成入力：

• テキストto画像
• 画像リファレンス（最大2件）

機能：

• ネガティブプロンプトとシードのコントロール
• 一度に最大4件の生成を行うバッチ作成

出力オプション：

• アスペクト比：16:9、4:3、1:1、3:4、9:16

最適な用途：

• Wanのビデオ生成の見た目に合う静止画
• プロンプトに忠実なコンセプト画像

料金： 選択した設定とバリエーション数により異なります

最大10件の画像リファレンスと4K出力に対応する画像モデルです。

生成入力：

• テキストto画像
• 画像リファレンス（最大10件）

出力オプション：

• 解像度：4K
• アスペクト比：16種類

最適な用途：

• リファレンスに基づく4K画像

料金： 選択した設定とバリエーション数により異なります

高度な画像生成・編集のためのプロフェッショナルモデルです。優れたシーンの一貫性とスタイルコントロールを提供します。

機能：

• ビジュアルの美的表現を導くためにリファレンス画像が必要な、画像ベースのスタイルコントロール
• 一度に最大4枚の画像を生成

出力オプション：

• アスペクト比：21:9、16:9、4:3、3:2、1:1、2:3、3:4、4:5、9:16、9:21

最適な用途：

• スタイル要件が厳密なプロフェッショナルコンテンツ

料金： 選択した設定とバリエーション数により異なります

オーディオとテキストのガイダンスに基づき、超リアルで反応性の高いアバターをレンダリングするために設計された最先端の拡散トランスフォーマー（DiT）モデルです。

生成入力：

• アバター（ソース画像）
• 音声（オーディオファイル）
• テキスト説明（ガイダンス）

機能：

• 基本的なリップシンクを超え、文脈に応じたまばたき、呼吸、自然な表情も再現
• 声のトーンや抑揚に基づき、手や全身の動きを自動で同期。スタジオ品質のパフォーマンスを実現
• 声の強さとピッチを正確に解釈し、パフォーマンスに忠実な感情表現を提供
• 長時間の会話や音楽パフォーマンスでも、高いキャラクター忠実度と一貫した動作を維持
• 横向きのプレゼンテーション、ポッドキャスト形式の対話、スタイライズされたアニメーションなど、さまざまな設定に最適化
• 一度に最大4種類のバリエーションを生成

出力オプション：

• 解像度：480p、720p

最適な用途：

• プロ向けのアバターベース動画広告やマーケティングコンテンツ
• 高忠実度のバーチャルストーリーテリングや表現力豊かな音楽パフォーマンス
• 一貫したキャラクターの登場が必要な長編の教育・トレーニング動画

料金： 入力、設定、長さによって異なります

API： creatify-aurora

静止画を、指定したオーディオに合わせてアニメーション化する、高速かつ高精度な画像から動画へのリップシンクモデルです。

入力：

• ソース画像
• 音声オーディオファイル

機能：

• ソース画像の口元と表情を、指定したオーディオに合わせてアニメーション化
• 静止画から高忠実度の「話す」動画を作成
• フル動画生成モデルではなく、リップシンク専用ツール

最適な用途：

• 静止画から話すアバターを作成
• キャラクターポートレートにセリフを追加
• プロ向けアバター主導コンテンツのワークフロー

料金： 入力、設定、長さによって異なります

1枚の画像とオーディオ入力から、非常にリアルで表現力豊かなトーキングヘッド動画を生成するHeyGenの最新アバターモデルです。

入力：

• ソース画像
• 音声オーディオファイル

機能：

• 指定したオーディオに合わせて表情と口の動きを高忠実度でアニメーション化
• 自然な頭の動きと繊細なマイクロエクスプレッションを生成し、生き生きとした仕上がりを実現
• フル動画生成モデルではなく、リップシンク専用ツール

最適な用途：

• プロ向けのスポークスパーソンやプレゼンター動画
• パーソナライズされたアバターコンテンツを大規模に作成
• 一貫したキャラクターの登場が求められるマーケティング・トレーニング動画

料金： 入力、設定、長さによって異なります

幅広いコンテンツタイプでスタジオ品質の同期を実現する、Syncの最新世代の動画リップシンクモデルです。

生成入力：

• ソース動画
• 音声オーディオ

機能：

• 固有の顔の特徴、自然な歯、肌の質感を維持する高精度なリップシンク
• 実写、3Dアニメーション、AI生成動画を含むあらゆるコンテンツタイプに最適化
• フル動画ジェネレーターではなく、動画から動画へのリップシンクツール

最適な用途：

• 映画や広告向けのプロフェッショナルな吹き替えとローカライズ
• あらゆる動画形式のセリフを強化・修正
• 大量のコンテンツ翻訳ワークフロー

料金： 入力、設定、長さによって異なります

固有の顔のディテールを維持しながら高解像度出力にも対応する、スタジオ品質のリップシンク向けに設計された最先端の動画編集モデルです。

生成入力：

• ソース動画
• 音声オーディオ

機能：

• 高度なアップスケーリングにより、シャープで自然な質感を維持した4K出力をサポート
• 自然な歯、そばかす、メイク、複雑なひげなどの固有の顔の特徴を、鮮明さを損なわずに保護
• 実写、3Dアニメーション、AI生成動画を含むあらゆるコンテンツタイプに対応するよう最適化
• 話者ごとのトレーニングやモデルの微調整を必要とせず、表現力豊かで同期した結果をすぐに提供
• 同時に最大4種類のバリエーションを生成

最適な用途：

• 映画や高品質な広告向けのプロ品質の吹き替え・ローカライズコンテンツ
• 3DアニメーションやAI生成キャラクターのセリフを強化・修正
• ピクセル単位で正確な顔の一貫性とディテールが必要な高解像度プロジェクト

料金： 入力、設定、長さによって異なります

非常にリアルで人間らしいリップシンクを生成するための専用ユーティリティモデルです。

入力：

• 静止ソース画像
• 音声オーディオファイル

機能：

• ソース画像の口元を、指定したオーディオに合わせてアニメーション化
• 静止画から高忠実度の「話す」動画を作成
• フル動画生成モデルではなく、リップシンク専用ツール

最適な用途：

• 話すアバターの作成
• 静止画へのセリフの追加
• プロ向け吹き替えワークフロー

料金： 入力、設定、長さによって異なります

音声クリップから静止画をアニメーション化し、最大2Kで出力します。

入力：

• ソース画像
• 音声オーディオ（5秒～14.8秒）

機能：

• フル動画生成モデルではなく、リップシンク専用ツール

最適な用途：

• 静止画と短いオーディオクリップから話すポートレートを作成

料金： 入力、設定、長さによって異なります

動画にリアルなリップシンクを適用する、高速で手頃な価格かつ高精度なユーティリティモデルです。

入力：

• ソース動画
• 新しい音声オーディオファイル

機能：

• ソース動画の口の動きを新しいオーディオに合わせて再アニメーション化
• フル動画ジェネレーターではなく、動画から動画へのリップシンクツール

最適な用途：

• 大量かつコスト効率の高い吹き替え
• コンテンツの翻訳
• 動画クリップのオーディオをリアルに修正

料金： 入力、設定、長さによって異なります

既存の動画にリアルなリップシンクを適用するための、Veed Lipsyncの高品質な後継モデルです。

入力：

• ソース動画
• 新しい音声オーディオファイル

機能：

• ソース動画の口の動きを新しいオーディオに合わせて再アニメーション化
• フル動画ジェネレーターではなく、動画から動画へのリップシンクツール
• 一度に最大4件の生成を行うバッチ作成

最適な用途：

• コストより出力品質を重視する吹き替え・翻訳
• 完成済みクリップのセリフ修正

料金： 入力、設定、長さによって異なります

ディテールを維持したまま画像の解像度を上げます。

入力：

• ソース画像

機能：

• アップスケール倍率：1.25x、1.5x、2x、3x、4x

最適な用途：

• 高解像度ディスプレイ向けの画像準備

料金： 入力によって異なります

ディテールを維持したまま動画の解像度を上げます。

入力：

• ソース動画

機能：

• アップスケール倍率：1.25x、1.5x、2x、3x、4x
• 高速・高精度の処理モード
• 24、25、30、48、50、60fpsへの任意のフレームレート変換

最適な用途：

• 高解像度ディスプレイ向けの動画準備

料金： 入力によって異なります

画像から背景を削除し、アルファ透明度を保持して返します。

入力：

• ソース画像

機能：

• プロンプト不要
• 1回の実行につき出力は1件

最適な用途：

• 商品の切り抜きとコンポジット
• 他の生成で参照として使用する被写体の準備

料金： 入力によって異なります

動画から背景を削除します。

入力：

• ソース動画

機能：

• プロンプト不要
• 出力背景は透明、黒、緑から選択可能

最適な用途：

• 既存映像から被写体を切り抜き
• コンポジット用の動画準備

料金： 入力によって異なります

標準ダイナミックレンジの動画をHDRに変換します。

入力：

• ソース動画（最大30秒）

機能：

• プロンプト不要
• 1回の実行につき出力は1件。長さとフレーミングはソースに従います

最適な用途：

• HDRディスプレイ向けの映像準備
• 納品用に生成動画を再グレーディング

料金： 動画の長さによって異なります