定義
テキスト・トゥ・ビデオとはテキストプロンプトを入力するだけで動画を自動生成するAI技術のこと。文章から映像・音声・ナレーションまでを一括生成でき、動画制作を民主化する。
テキスト・トゥ・ビデオ (動画生成)とは（詳しく解説）
テキスト・トゥ・ビデオ（Text-to-Video）は、自然言語のプロンプトから数秒〜数分の動画クリップを生成するAI技術。拡散モデルやトランスフォーマーアーキテクチャを活用し、フレーム間の時間的整合性を保ちながら映像を出力する。 2026年時点の主要サービスはSora（OpenAI）、Runway Gen-3、Hailuo AI（MiniMax）、Kling（Kuaishou）など。実運用での落とし穴として「手指の描写精度」「長尺動画の映像一貫性」「日本語プロンプトの解釈精度」が課題として残る。 現場での選び方は用途次第で、SNS向け短尺ならHailuo AIが無料枠でも実用的。広告・映像制作用途にはRunway Gen-3が安定している。相場感としては月額$15〜$100が主流で、API従量課金では1秒あたり$0.1〜$0.5程度。 AI PICKSが2026年に確認した事例では、商品PRの15秒動画をテキストプロンプトのみで制作し、制作コストを従来比70%以上削減した国内マーケターも登場している。商用利用時は著作権・生成コンテンツの権利帰属について各サービスの利用規約を必ず確認すること。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「テキスト・トゥ・ビデオ (動画生成)とは」 https://aipicks.jp/glossary/text-to-video
テキスト・トゥ・ビデオ (動画生成)の使用例
- 「桜が舞う東京の夜景をドローンで上空から撮影したシネマティック映像、4K、スローモーション」とプロンプト入力し、Hailuo AIで5秒の動画を無料枠で生成した事例。
- 商品PRの15秒動画を「白背景で製品が360度回転しテキストが現れるプロフェッショナルな広告風」とプロンプトのみで制作し、外注費ゼロで完成させた実例。
