- Published on
画像1枚から動画を作る — Kling・Veo・Sora vs Wan・HunyuanVideo、何をいつ選ぶか
- Authors
- Name
- Youngju Kim
- @fjvbn20031
- はじめに — 答えから言うと
- ホスティッドAPIは実際のところ秒あたりいくらか
- Klingにはなぜ「秒あたり価格」がないのか — そして出回っている数字の正体
- 画像を入れるときに本当に引っかかる制約
- オープンウェイトは自分のGPUで本当に動くのか
- ライセンス — 韓国で読んでいるならこの節が結論を変える
- デモリールで測定できるものとできないもの
- それで、何を選ぶのか
- おわりに
- 参考資料
はじめに — 答えから言うと
「画像を1枚入れてプロンプトを書いて動画を作りたいんですが、何を使えばいいですか?」 この質問に対する2026年7月現在の短い答えはこうです。
韓国でオープンウェイトを動かすつもりならWan2.2です。性能のためではなくライセンスのためです。HunyuanVideo系のライセンス文書は、最初の行から適用地域として欧州連合・英国・韓国を明示的に除外すると書いています。Wan2.2はコードも重みもApache 2.0です。ホスティッドAPIを使うなら、オーディオが必要かどうかが最初の分かれ道です — Veo 3.1は価格表自体が「オーディオ込み」で、Klingはオーディオを有効にするとちょうど2倍を取ります。そして入力画像に人の顔が写っているならSoraは候補から外れます。OpenAIの文書が、人の顔を含む入力画像は現在拒否されると直接書いています。
この記事では、その3つの文がどこから来たのかをベンダーの一次文書でたどります。アーキテクチャの話(DiT、3D VAE、フローマッチング)はSOTAビデオ生成モデル分析ですでに扱ったので、ここでは選んで動かすために必要な数字だけを見ます。価格、VRAM、生成時間、そしてライセンスです。
ひとつ先に断っておきます。この記事のすべての数字は各ベンダーの公式価格表・文書から直接取ったもので、出典ページは最後にすべて載せました。ベンダーのデモリールに出てくる画質や「映画のようなクオリティ」といった表現は、この記事では扱いません — それは測定可能な値ではないからです。なぜそうなのかは後で別に話します。
ホスティッドAPIは実際のところ秒あたりいくらか
OpenAIとGoogleは公開された定額の料金表を持っています。ログインなしで誰でも見られ、秒単位で価格が書かれています。
OpenAIの価格表は「Prices per second」と明記し、次のように書いています。
| モデル | 解像度 | 縦/横 | 標準(USD/秒) | バッチ(USD/秒) |
|---|---|---|---|---|
| sora-2 | 720p | 720x1280 / 1280x720 | 0.10 | 0.05 |
| sora-2-pro | 720p | 720x1280 / 1280x720 | 0.30 | 0.15 |
| sora-2-pro | 1024p | 1024x1792 / 1792x1024 | 0.50 | 0.25 |
| sora-2-pro | 1080p | 1080x1920 / 1920x1080 | 0.70 | 0.35 |
バッチAPIを使うとちょうど半額です。リアルタイム応答が要らないパイプラインなら、これは実質タダで得られる50パーセントの削減です。
GoogleのGemini API価格表はVeoをこう載せています。表の列見出しが「Paid Tier, per second in USD」で、各行の名前が「video with audio price (default)」である点が重要です — Veoは価格にオーディオが含まれています。
| モデル | 解像度 | USD/秒 | 備考 |
|---|---|---|---|
| Veo 3.1 Standard | 720p / 1080p | 0.40 | オーディオ込み |
| Veo 3.1 Standard | 4k | 0.60 | オーディオ込み |
| Veo 3.1 Fast | 720p | 0.10 | オーディオ込み |
| Veo 3.1 Fast | 1080p | 0.12 | オーディオ込み |
| Veo 3.1 Fast | 4k | 0.30 | オーディオ込み |
| Veo 3.1 Lite | 720p | 0.05 | オーディオ込み、4k非対応 |
| Veo 3.1 Lite | 1080p | 0.08 | オーディオ込み、4k非対応 |
Veo 3.1の3つの変種(veo-3.1-generate-preview、veo-3.1-fast-generate-preview、veo-3.1-lite-generate-preview)はすべてプレビューで、Googleは「Preview models may change before becoming stable and have more restrictive rate limits」という警告を付けています。無料ティアはVeoの全モデルで「Not available」です。
価格表で目を引く文がもう一つあります。「You will only be charged if your video is successfully generated.」 生成に失敗したら課金しないという意味です。OpenAIの価格表には、これに対応する文がありません。
一つ妙な点もそのまま書いておきます。同じページにVeo 3(veo-3.0-generate-001)とVeo 2(veo-2.0-generate-001)がまだ残っていて、どちらも「deprecated and will be shut down on June 30, 2026」という警告が付いています。この記事を書いている2026年7月17日の時点で、その日付はすでに過ぎています。ページが更新されていないのか、終了が延期されたのかは文書だけでは分からないので、未確認の推測ではなく文書に書かれているとおりだけを書き写します。新しく作るコードならVeo 3.1を見るのが正しいです。
Klingにはなぜ「秒あたり価格」がないのか — そして出回っている数字の正体
Klingを調べるとすぐに壁にぶつかります。検索すると「Kling 3.0は秒あたり0.075ドルから」「Kling APIは秒あたり0.084〜0.168ドル」のような数字が大量に出てきます。ところがそれらの数字の出どころはすべてKlingではなくサードパーティのAPIリセラーです。PiAPI、kie.ai、evolink、costbenchのような仲介サービスです。
Klingの公式デベロッパー価格ページを直接開いて確認しました。二つのことが分かります。
第一に、0.075という文字列はKlingの公式価格ページに一度も登場しません。そしてそのページの「Kling 3.0」という表はビデオの表ではなく画像モデルの表です(Text to Image / Image to Image / Image Editing)。Klingの公式API価格表に載っているビデオモデルのうち最新はKling-V2-6です。つまり「Kling 3.0の動画が秒あたり0.075ドル」はKlingが発表したことのない価格です。リセラー独自の料金である可能性はありますが、それはKlingの価格ではありません。
第二に、Klingにはそもそも「秒あたり価格」という概念がありません。Klingは5秒または10秒のクリップ単位で課金します。公式価格表のKling-V2-6の行はこうなっています。
| 仕様 | クリップあたり(USD) | 秒あたり換算(USD/秒) |
|---|---|---|
| std x 5s x no audio | 0.21 | 0.042 |
| std x 10s x no audio | 0.42 | 0.042 |
| pro x 5s x no audio | 0.35 | 0.07 |
| pro x 10s x no audio | 0.70 | 0.07 |
| pro x 5s x audio (voice controlなし) | 0.70 | 0.14 |
| pro x 10s x audio (voice controlなし) | 1.40 | 0.14 |
| pro x 5s x audio x voice control | 0.84 | 0.168 |
| pro x 10s x audio x voice control | 1.68 | 0.168 |
右の列の「秒あたり換算」はKlingが発表した値ではなく、私が自分で割った値です。Klingの価格表には左の2列しかありません。この区別が重要な理由は、秒あたり換算が成り立つと考えるには、5秒と10秒の2点しかないという事実を無視する必要があるからです。Klingでは7秒の動画は作れません。10秒を作って切り詰めることになり、その場合は10秒分の料金を払います。Soraが秒単位で長さを指定して秒単位で課金するのとは、課金モデルそのものが違います。
表から読み取るべきことがもう一つあります。pro x 5sがオーディオなしで0.35ドル、オーディオを有効にすると0.70ドル — ちょうど2倍です。Klingではオーディオはオプションで価格が2倍になる一方、Veoはオーディオが標準で含まれ、価格表に「video with audio price (default)」と書いてあります。オーディオまで必要ならVeo 3.1 Fast 720p(秒あたり0.10ドル、オーディオ込み)とKling-V2-6 pro + audio(秒あたり0.14ドル換算)を比べるのが正しいです。オーディオが要らないならKling-V2-6 std(秒あたり0.042ドル換算)がこの表で一番安いです。
例外もあります。Klingの価格表でKling-Video-O1とMotion Controlだけは秒単位で課金します。
| モデル / 仕様 | USD |
|---|---|
| Kling-Video-O1 std x 1s (ビデオ入力なし) | 0.084 |
| Kling-Video-O1 std x 1s (ビデオ入力あり) | 0.126 |
| Kling-Video-O1 pro x 1s (ビデオ入力なし) | 0.112 |
| Kling-Video-O1 pro x 1s (ビデオ入力あり) | 0.168 |
| Kling-V2-6 Motion Control std x 1s | 0.07 |
| Kling-V2-6 Motion Control pro x 1s | 0.112 |
検索に出回っている「0.084〜0.168ドル」はここから来た数字のようです。ただしそれはKling-Video-O1の価格であって、Klingの一般的なimage-to-video価格ではありません。
最後に構造的な違いを一つ。Kling APIは前払いのリソースパック方式です。価格表には「Resource Pack Unit Deduction」というポイント列が別にあり、実際の課金はポイントの差し引きで行われます。表のポイントとドルを突き合わせると、ビデオモデルでは1ポイントが一貫して0.14ドルになります(std 5s = 1.5ポイント = 0.21ドル、pro 10s + audio + voice control = 12ポイント = 1.68ドル — どちらも割ってみると0.14ドルです)。算数は合っています。ただしOpenAI・Googleのように使った分だけ後払いするのではなく、先にパックを買っておく必要があるという点は、調達の観点では別の話になります。
画像を入れるときに本当に引っかかる制約
ここがimage-to-video特有の地雷原です。テキストだけを入れているときには見えなかった制約が、画像を入れた瞬間に飛び出してきます。
Sora: 人の顔を含む入力画像は拒否されます。OpenAI文書のGuardrails節をそのまま写すとこうです。
Only content suitable for audiences under 18 (a setting to bypass this
restriction will be available in the future). Copyrighted characters and
copyrighted music will be rejected. Real people—including public figures—
cannot be generated. Character uploads that depict human likeness are
blocked by default. Input images with faces of humans are currently rejected.
最後の文が核心です — 「Input images with faces of humans are currently rejected.」 人物写真をアニメーション化する用途なら、Soraはそのまま候補から外れます。「currently」という単語が付いているのでいずれ解除されるかもしれませんが、文書が「現在は拒否される」と言うなら、今日の時点では拒否されるということです。これは失敗率の問題ではなく機能不在の問題です。
Soraの残りの画像関連の仕様はこうです。input_referenceで画像を入れると、それが動画の最初のフレームになります。長さは最大20秒まで作れ、拡張(extension)で一度に最大20秒ずつ最大6回までつなげて合計120秒までいけます。ただし文書は「Longer durations and 1080p jobs can take materially longer to complete」と遅延を警告し、「a single render may take several minutes」と書いています。なお既存のremixエンドポイントは廃止が進んでいて、新しい統合にはeditsを使うよう案内しています。
Veo: 画像を入れると長さが8秒に固定されることがあります。Google文書のdurationSecondsパラメータの説明はこうです — 値は「4」「6」「8」のいずれかですが、拡張・リファレンス画像・1080p・4kを使うときは必ず「8」でなければなりません。Veo 3.1を紹介する文そのものが「Veo 3.1 is a model for generating 8-second videos (720p, 1080p, or 4k) with natively generated audio」です。つまりVeoで4秒の短いクリップを安く出す計画は、リファレンス画像を使った瞬間に崩れます。アスペクト比は「16:9」(デフォルト)と「9:16」だけです。
Veoの画像入力は二通りです。一つはimage-to-videoで、文書の表現では「Veo uses the input image as the initial frame」 — Soraと同じ最初のフレーム方式です。もう一つはリファレンス画像で、Veo 3.1は最大3枚まで受け取って人物・キャラクター・製品の外見を維持します。後者が先ほどの8秒固定の条件に引っかかります。
Veo: 人物生成オプションが入力方式によって変わります。personGenerationパラメータはtext-to-videoではallow_allだけが使え、image-to-video・補間・リファレンス画像ではallow_adultだけになります。地域制限もあります — 文書は「In EU, UK, CH, MENA locations」ではVeo 3と3.1はallow_adultのみ許可されると書いています。韓国はこのリストにありません。
Veo: 生成した動画は2日後にサーバーから消えます。これは見落としやすい運用上の罠です。文書のとおりに写すと「Generated videos are stored on the server for 2 days, after which they are removed. To save a local copy, you must download your video within 2 days of generation.」 パイプラインにダウンロードの段階を入れないと成果物を失います。そしてVeoが作った動画にはSynthIDウォーターマークが入ります。これはオプションではありません。
整理するとこうです。
| 項目 | sora-2 / sora-2-pro | Veo 3.1 | Kling-V2-6 |
|---|---|---|---|
| 画像入力の方式 | input_reference = 最初のフレーム | 最初のフレーム + リファレンス画像最大3枚 | 最初のフレーム、開始/終了フレーム |
| 長さ | 最大20秒、拡張で合計120秒 | 4 / 6 / 8秒、リファレンス・1080p・4kは8秒固定 | 5秒または10秒のみ |
| 人の顔の入力 | 現在拒否される | allow_adult (image-to-video時) | 文書上の明示的な制限は確認できず |
| オーディオ | 価格表に別途記載なし | 標準で込み | オプション、有効にすると2倍 |
| ウォーターマーク | 文書では確認できず | SynthID、強制 | 文書では確認できず |
| 成果物の保存 | 文書では確認できず | 2日後に削除 | 文書では確認できず |
「確認できず」と書いた欄は、該当機能がないという意味ではなく、私が確認した公式文書の範囲でその項目を見つけられなかったという意味です。ないものをあると書くのと同じくらい、知らないことを知っているかのように書くのも間違った答えなので、空欄は空欄のままにしておきます。
オープンウェイトは自分のGPUで本当に動くのか
今度は反対側です。ここで知りたいことはちょうど二つです — 自分のカードに載るのか、どれくらいかかるのか。
Wan2.2 (Alibaba)。リポジトリのREADMEが提示する数字はこうです。
| モデル | 用途 | 単一GPUのVRAM | 備考 |
|---|---|---|---|
| TI2V-5B | T2V + I2V統合、720P | 最小24GB (例: RTX 4090) | --offload_model True --convert_model_dtype --t5_cpuが必要 |
| I2V-A14B | Image-to-Video、480P/720P | 最小80GB | --offload_model True --convert_model_dtype |
| T2V-A14B | Text-to-Video、480P/720P | 最小80GB | 同上 |
| S2V-14B | Speech-to-Video | 最小80GB | 同上 |
この表が言っていることは明白です。コンシューマー向けカードで実際に動かせるのはTI2V-5Bの一つだけです。A14B系は単一GPU基準で80GBを要求するので、RTX 4090(24GB)では始めることすらできません。そしてTI2V-5Bの24GBでさえ、オフロードオプションを3つすべて有効にした状態での数字です。READMEは、80GB以上あるならそれらのオプションを外して速度を上げるよう案内しています。
速度はどうでしょうか。READMEの文をそのまま写すと「Without specific optimization, TI2V-5B can generate a 5-second 720P video in under 9 minutes on a single consumer-grade GPU」です。5秒の動画に9分。これはAlibabaの自己測定値で、「特別な最適化なしで」という条件が付いています。どのカードなのかはこの文には明示されていません(「consumer-grade GPU」とだけ書かれています)。
ここで正直に触れておくことがあります。Wan2.2のREADMEにはGPU別の生成時間とピークメモリを載せた「Computational Efficiency on Different GPUs」という表があるのですが、その表は画像ファイルとして上がっています。テキストではなくPNGです。そのため、その表の数字はこの記事では引用しませんでした。機械で読めない値を書き写して間違えるくらいなら、書かない方がましです。代わりにREADME本文にテキストで書かれている「9分」「24GB」「80GB」だけを使いました。
構造は手短に触れるだけにすると、A14BはMoEです — 高ノイズ担当と低ノイズ担当の2つのエキスパートに分かれ、それぞれ約14B、合わせて27Bで、ステップあたりのアクティブは14Bです。TI2V-5Bはただの密なモデルですが、Wan2.2-VAEの圧縮率が4x16x16で合計圧縮率64に達し、パッチ化まで加えると4x32x32になります。720Pを24fpsで出せる根拠がこの圧縮率です。
HunyuanVideo-1.5 (Tencent)。2025年11月21日に公開された最新ラインです。リポジトリREADMEの数字はこうです。
- パラメータ8.3B — DiT + 3D causal VAE、空間16倍 / 時間4倍の圧縮
- 最小GPUメモリ14GB(モデルオフロードを有効にした状態の基準)。READMEは、この値がオフロード前提の測定値であり、メモリが十分ならオフロードを切って速度を上げるよう書いています
- 解像度は480pと720pで、1080pは別の超解像ネットワークで上げます
- デフォルトの長さは
--video_length121フレームで、サンプルコードが24fpsで保存するので約5秒です - 2025年12月5日に公開された480p I2Vステップ蒸留モデルは8〜12ステップで動き、Tencentの測定では「On RTX 4090, end-to-end generation time is reduced by 75%, and a single RTX 4090 can generate videos within 75 seconds」です
最後の行が目を引きます。RTX 4090で75秒。Wan2.2 TI2V-5Bの「9分」と比べたくなりますが、ここで立ち止まる必要があります。この二つの数字は比較可能な値ではありません。Hunyuanの75秒は480p、ステップ蒸留モデル(8〜12ステップ)、RTX 4090明示という条件です。Wanの9分は720p、蒸留なし、「consumer-grade GPU」としか書かれていない条件です。解像度も違い、ステップ数も違い、カードの明示の有無も違います。それぞれが自分のリポジトリで自分に有利な条件で測った値であり、共通のベンチマークは存在しません。二つのベンダーの自己測定値を並べて「Hunyuanが7倍速い」と書くのは、ただの間違った計算です。
HunyuanのREADMEにはSSTA(Selective and Sliding Tile Attention)についての主張もあります — 10秒720pの合成でFlashAttention-3比でエンドツーエンド1.87倍の加速。これはアテンション実装同士の比較で、著者の自己測定値です。他のモデルとの比較ではありません。
ライセンス — 韓国で読んでいるならこの節が結論を変える
性能の話をここまで引っ張ってきましたが、韓国のユーザーにとっては、前のすべての表よりこの一節が重要です。
HunyuanVideo、HunyuanVideo-I2V、HunyuanVideo-1.5 — 3つのリポジトリのライセンス文書がすべて同じ文で始まります。
TENCENT HUNYUAN COMMUNITY LICENSE AGREEMENT
Tencent HunyuanVideo 1.5 Release Date: November 21, 2025
THIS LICENSE AGREEMENT DOES NOT APPLY IN THE EUROPEAN UNION, UNITED
KINGDOM AND SOUTH KOREA AND IS EXPRESSLY LIMITED TO THE TERRITORY, AS
DEFINED BELOW.
そして定義の節で「Territory」をこう規定しています。
l. "Territory" shall mean the worldwide territory, excluding the territory
of the European Union, United Kingdom and South Korea.
つまりライセンスが許可する地域から韓国が外れています。そして第5条(c)項が、この除外が何を意味するかを確定させています。
c. You must not use, reproduce, modify, distribute, or display the Tencent
Hunyuan Works, Output or results of the Tencent Hunyuan Works outside
the Territory. Any such use outside the Territory is unlicensed and
unauthorized under this Agreement.
読むべき部分は「Output or results」です。重みをダウンロードして使うことだけでなく、それで作り出した動画まで許可地域の外では使えないと書かれています。おまけに月間アクティブユーザー1億人を超える事業者は別途ライセンスをTencentに要請する必要があり(そしてTencentは裁量で拒否でき)、準拠法は香港特別行政区の法です。
逆にWan2.2はApache 2.0です。これは3か所で独立に確認できます。
| 確認経路 | Wan2.2 | HunyuanVideo-1.5 |
|---|---|---|
| リポジトリのライセンスファイル | Apache License 2.0の全文 | Tencent Hunyuan Community License |
| GitHub APIのライセンス判定 | Apache-2.0 | NOASSERTION (標準ライセンスではない) |
| Hugging Faceモデルカード | license: apache-2.0 | license: other、license_name: tencent-hunyuan-community |
Hugging Faceでの確認が重要な理由があります。コードのライセンスと重みのライセンスは別でありえます。リポジトリはApacheなのに重みは別の規約、というケースはよくあります。Wan2.2はWan-AI/Wan2.2-TI2V-5BとWan-AI/Wan2.2-I2V-A14Bのモデルカードがどちらもapache-2.0なので、その罠がありません。
ここで興味深い対照が一つあります。同じTencentがHy3を公開したときはApache 2.0を使いました — 地域制限も使用分野の制限もなしにです。つまりこれは「中国ベンダーだから」の問題ではなく、モデルラインごとのポリシーの問題です。同じ会社が、言語モデルはApacheで公開し、ビデオモデルには地域制限をかけています。ベンダー名だけを見てライセンスを推測してはいけない理由です。
二つのことは、はっきりさせておきます。第一に、私は弁護士ではなく、これは法的助言ではありません。上の引用はTencentが自分のリポジトリに上げた文書の原文そのままで、私がしたのはそれを見つけて書き写すことだけです。第二に、この条項が韓国で実際にどう解釈され執行されるのかは、文書だけでは分かりません。私に言えるのはここまでです — Tencentが配布したライセンス文書は韓国を許可地域から除外すると明示的に書いており、会社でこのモデルを使う計画があるなら、法務レビューなしに素通りしてよい文ではありません。個人がローカルで実験することと製品に入れることは別の問題で、その判断をこの記事が代わりにすることはできません。
デモリールで測定できるものとできないもの
この記事に画質の比較がない理由を話す番です。
各ベンダーのプロジェクトページには見事なデモ動画が載っています。Wan2.2は「cinematic-level aesthetics」を掲げ、Klingは自分のモデルを「master」ティアと呼び、HunyuanVideo-1.5は「state-of-the-art among open-source models」と書きます。これらの表現について正直に言えるのはこれです — そのデモリールはマーケティングであり、そこから測定可能な値は得られません。ベンダーが選んだプロンプトを、ベンダーが選んだシードで、何回回して選び抜いたのか分からない結果物だからです。失敗した生成はリールには載りません。
そこで、この記事が扱った値と扱わなかった値はこう分かれます。
測定・検証可能なもの — 秒あたり価格(ベンダーの価格表に数字で書かれている)、最大の長さと許容される長さの値(APIパラメータ仕様)、VRAMの下限(READMEに数字で書かれている)、ライセンス条項(文書の原文)、成果物の保存期間(文書に明示)、ウォーターマークの有無(文書に明示)。これらは議論の余地がありません。ページを開けばそう書いてあるか、ないかです。
ベンダーの自己測定値なので条件と一緒に読むべきもの — Wanの「9分」、Hunyuanの「75秒」と「1.87倍」。すべて、それぞれが自分のリポジトリで自分の条件で測った値で、条件が互いに違うので相互比較は成り立ちません。この記事がこれらの数字を並べはしても、引き算や割り算をしなかった理由です。
そもそも測定不可能なもの — 「どのモデルの画質が良いか」。この質問に対してベンダーの文書が与える答えはすべて自画自賛で、5つのモデルを共通の条件で比較した独立のベンチマークは、私が確認した範囲では存在しません。だからこの記事はその質問には答えません。答えをでっち上げるより「そういう数値は公開されたことがない」と書く方が正確です。
これが意味する実務的な結論は単純です。画質はあなたが自分でテストするしかありません。あなたの実際の入力画像と実際のプロンプトでです。幸い、これは安くできます — sora-2 720pで5秒の動画1本が0.50ドル、Kling-V2-6 stdの5秒が0.21ドルです。10本ずつ回してみてもコーヒー1杯分です。逆にライセンスとVRAMはテストで分かるものではなく、だからこの記事はそちらに紙面を使ったのです。
それで、何を選ぶのか
決定ルールとして整理するとこうです。上から順に降りていけばいいです。
1. 入力画像に人の顔があるか? あるならSoraは除外です。文書が、現在は拒否すると書いています。VeoはpersonGenerationをallow_adultにして進みます。
2. 韓国でオープンウェイトを製品に入れるのか? そうならWan2.2です。HunyuanVideo系はライセンス文書が韓国を許可地域から除外し、その除外が成果物にまで及ぶと書いています。Apache 2.0のWan2.2にはその問題がありません。
3. 持っているGPUは24GBか80GBか? 24GB(RTX 4090級)なら、選択肢は実質的にWan2.2 TI2V-5B(720p、5秒に9分)またはHunyuanVideo-1.5(最小14GB、480p蒸留モデルで4090なら75秒)です。WanのA14B系は80GBからです。オープンウェイトをそもそも動かせないGPUなら、2番の項目は自動的にスキップです。
4. オーディオが必要か? 必要ならVeo 3.1が一番単純です — 価格に含まれていて、Fast 720pが秒あたり0.10ドルです。Klingはオーディオを有効にすると2倍(pro 5秒基準で0.35 → 0.70ドル)を取ります。
5. 長さが自由である必要があるか? 7秒、13秒のような任意の長さが必要ならSoraです(秒単位の指定、最大20秒、拡張で120秒)。Veoは4/6/8秒だけで、リファレンス画像を使うと8秒固定です。Klingは5秒と10秒の2点しかありません。
6. バッチで回してよいか? それならsora-2のバッチが720pで秒あたり0.05ドルと、秒単位で課金する選択肢の中ではVeo 3.1 Lite(秒あたり0.05ドル、ただしオーディオ込み)と並んで一番安いです。ただし5秒・10秒の長さで足りるならKling-V2-6 stdの5秒クリップが0.21ドル — 秒あたり0.042ドル換算でさらに低いです。クリップ単位の課金と秒単位の課金を一列に並べて比べること自体がそもそも成り立たない、という点は覚えておいてください。
使ってはいけない場合も書いておきます。
- 動画を数本作るためにオープンウェイトをセットアップするのは、ほぼ常に損です。GPUを借りるコストとセットアップの時間を考えると、5秒クリップ数十本まではホスティッドが圧倒的に安いです。オープンウェイトが元を取るのは、ボリュームが大きいか、データを外に出せないか、ファインチューニングが必要なときです。
- Veoを使うのにダウンロード段階をパイプラインに入れないのはだめです。2日後にサーバーから消えます。
- ウォーターマークが困る用途ならVeoは候補から外すべきです。SynthIDは選択項目ではありません。
- リセラーの価格表をKlingの公式価格として引用してはいけません。先に見たとおり、Klingの公式ページにない数字が検索結果には事実のように出回っています。
おわりに
image-to-videoモデルの選択で実際に決定を分けるのは、デモリールの画質ではありませんでした。ベンダーの文書を直接開いて確認してみると、決定的なのは3つです — 秒あたり価格の構造(Sora・Veoは秒単位、Klingは5秒・10秒のクリップ単位)、画像を入れた瞬間にかかる制約(Soraの顔の拒否、Veoの8秒固定と2日保存とSynthID)、そしてライセンス(Wan2.2はApache 2.0、HunyuanVideo系は韓国を許可地域から除外)です。
そのうち、韓国で読んでいる人にとって一番安上がりな助言は、いまも最初の段落のそれです。オープンウェイトを製品に入れるなら、ベンチマークを見る前にLICENSEファイルを先に開いてください。Wan2.2とHunyuanVideo-1.5の性能比較に数週間を使ってからライセンスの1行目を読むより、30秒で済むその順序の方がましです。そしてその1行目は、同じ会社の別のモデルだからといって同じではありません — Tencentが、言語モデルはApacheで公開し、ビデオモデルには地域制限をかけたようにです。
残り — どのモデルの画質が良いか — は、共通のベンチマークがないので誰も代わりに答えてくれません。ただしそれは、あなたの画像10枚と数ドルで今日直接確かめられる問題でもあります。ライセンスとVRAMはそうではありません。
参考資料
- OpenAI API Pricing — ビデオ生成モデルの秒あたり価格表(sora-2、sora-2-pro、標準/バッチ)
- OpenAI — Video generationガイド(input_reference、seconds、拡張、Guardrails)
- Gemini API Pricing — Veo 3.1 / Veo 3 / Veo 2の秒あたり価格とサポート終了の告知
- Gemini API — Veo文書(durationSeconds、personGeneration、リファレンス画像、2日保存、SynthID)
- Kling AI Developer — API価格ページ(Kling-V2-6、Kling-Video-O1、リソースパックのポイント)
- Wan-Video/Wan2.2 — リポジトリREADME(TI2V-5B 24GB / A14B 80GB、5秒720Pに9分、MoE構造)
- Wan-Video/Wan2.2 — LICENSE.txt (Apache License 2.0)
- Wan-AI/Wan2.2-TI2V-5B — Hugging Faceモデルカード(重みのライセンス apache-2.0)
- Tencent-Hunyuan/HunyuanVideo-1.5 — リポジトリREADME(8.3B、最小14GB、4090で75秒の蒸留モデル、SSTA)
- Tencent-Hunyuan/HunyuanVideo-1.5 — LICENSE (Tencent Hunyuan Community License、Territoryの定義)
- Tencent-Hunyuan/HunyuanVideo — LICENSE.txt (同一の地域除外条項)
- tencent/HunyuanVideo-1.5 — Hugging Faceモデルカード(license: other、tencent-hunyuan-community)
- Tencent Hy3 — 同じ会社が言語モデルはApache 2.0で公開した事例(関連記事)
- SOTAビデオ生成モデル分析 — DiT・3D VAEアーキテクチャ(関連記事)