動画生成AI大進化！Sora衝撃とGPT-4o miniの裏側

家事と子育てのスキマで経営する3方よしAI共創コンサルタントの田中啓之、ひろくん（@passion_tanaka）です。

いやー、この日は月曜あさのGPTs研究会モーニングLIVE、1時間のAIスペシャル会でした。京都華頂大学准教授の積さんをゲストに迎え、AIチームのただっちも一緒に、動画生成AIの最前線をまるごと見ていく回。GPT-4o miniの登場から、1分動画のSora、Adobe Premiereへの実装、ウィル・スミスのスパゲッティで振り返る1年の進化速度、そしてコストが下がった先のパーソナライズ動画の未来まで——気づいたら1時間、あっという間だったんですよね。

▶ この話題を動画で見る（9:27〜）

本編はまず、動画の話に入る前のニュースからでした。ちょうどこの放送のおとつい、OpenAIから「GPT-4o mini」が出たばかり。積さんが、ノートパソコンの画面をこちらに向けながら教えてくれました。速い。安い。それでいて賢い。この3つが同時に来たのが、今回の肝なんですよね。

積さん（9:27〜）

「これチャットGPTの4.0ミニが出たって話なんですけど、スピードが速い、性能が高いっていうこと、それと安いっていうことですね。この辺りが多分これから、この今お話しする生成AI、映像生成AIにも影響していくんじゃないかなって思うんですよ。」

そうそう、これなんですよ。私たちがブラウザーで直接触ってるAIって、実は氷山の一角で——その裏側で、動画生成サービスも画像生成サービスも、みんな別のAIモデルを借りて動いてる。で、そのモデル選びがずっと「費用の壁」だったっていうのを、積さんがこう説明してくれました。

積さん（9:27〜）

「これはもう費用の問題です。4を使いたいのは山々なんですけども、結構高くつきますので3.5を使ってたんです。これがもう一斉に4に変わってくるなと。そっちのほうが安いですし性能もいいんです、変わってくるんですよね。」

費用の壁。これが、地味だけど一番効くんですよね。積さんいわく、性能ランキングは日替わりで、おとつい1位だったものが昨日抜かれ、今日また別のモデルに抜かれる——そんな激戦区らしいんです。派手な発表じゃなくて、裏側のエンジンがそっと入れ替わる。でもその入れ替わりが、この後お話しする動画生成AIの全部に、じわじわ効いてくる。今日の1時間は、まさにそこから始まったんですよね。

でね。これ、料理で言うとこういう話なんですよ。厨房で使ってるコンロが、ずっと型落ちの弱火のやつだった。上位機種があるのは知ってる。知ってるけど、高いから手が出ない。だから仕方なく弱火で回してた——それが急に、上位のコンロが型落ち価格で入ってくる。同じ値段で火力が上がるなら、そりゃ店ごと入れ替えますよね。普通に。裏方のコンロの話なんて、お客さんは誰も気にしない。でも…この「同じ値段で上位に化ける」って、いちばん静かで、いちばん破壊力あるんですよ。

あ、そうだ。積さんが「面白いですよね」って何度も言ってたのも印象的でした。ランキングを毎日ブックマークして見てるって、正直、私にはなかなか真似できない習慣です。でも、そのくらい今のAI業界は動きが速くて、目を離した瞬間に順位が入れ替わってる。速さだけの問題じゃなくて、そのスピードそのものが、次に紹介する動画生成AIの世界をどんどん押し上げてる。今日の話は、その入り口だったんですよね。

ぶっちゃけ、私も最初は「miniって、廉価版でしょ？」くらいの気持ちで聞いてたんです。安い＝妥協、みたいな刷り込みがあるから。でも積さんの説明を聞いてるうちに、そうじゃないって分かってきた。安くて速くて、しかも性能は前の上位モデル並み。妥協じゃなくて、単純に下地が入れ替わった。ここを押さえておかないと、この後の1時間で出てくる動画AIの話が「へえ、すごいね」で終わっちゃうんですよ。全部、地続きなんですよね。

▶ この話題を動画で見る（9:27〜）

で、ここからが今日の本題、動画生成AIです。まず名前が挙がったのが、OpenAIの「Sora」。積さんが画面を切り替えながら、これがどれだけ規格外なのか教えてくれました。今までの動画生成AIって、だいたい数秒。6秒。そこが崩壊ラインだったんです。

積さん（9:27〜）

「今までだいたい画像生成のAIっていうのは数秒、6秒でしたよね。6秒超えたらだいたい崩れるっていうのが定評でして、そこからなかなかできなかったんですけど、これが1分できるというふうに公開されました。」

1分。もうそれ、ショートフィルムじゃん……って、正直私、画面の前で声に出しちゃいました。積さんが見せてくれたデモ映像、水たまりに映る反射まで綺麗に作られてて、こんなの見せられたら誰でも息を呑みますよね。でね、Soraは今どうなってるかというと、まだ一般公開はされてないんです。

積さん（9:27〜）

「実は今、メイドウィズソラっていうサイトがありまして、ソラは今どうなってるかというと、一般には公開されてなくて、一部のクリエイターの人だけが使えるようになってるんですね。そのクリエイターの人たちが作ったものをこのサイトにアップしてくれてるんで、ここで結構ソラの現状みたいなものが見れます。」

一部のクリエイターだけが触れて、その作品が「Made with Sora」っていうサイトにどんどん上がってくる。私たちは指をくわえて見てるしかない状態なんですけど、それでも「秋には来る」っていう空気だけは伝わってくる。3ヶ月前は「そんなものあるの?」って感じだったのに、もう秋を待つ話になってる。この進むスピード、本当についていくだけで精一杯なんですよね。

6秒と、1分。数字にすると10倍。でも体感は、そんな生易しいもんじゃないんですよ。6秒って、カットです。素材です。「動きました」の証拠でしかない。それが1分になった瞬間、いきなり「作品」になっちゃう。始まりがあって、流れがあって、終わりがある。ぶっちゃけ、そこを越えられるかどうかが、ずっと動画生成AIの越えられない壁だと思ってたんです。それを、いきなり跨いできた。

いやー、それにしても。積さんが「実は今、そんなにアップデートしてない」って言ってたのも印象的でした。派手な発表があってから3ヶ月そのままなのに、周りの環境だけがどんどん動いてる。だからこそ、Soraが満を持して秋に本気を出してきたら、また一段違う景色が見られるはずなんですよね。1分の壁を破ったAIが、次にどこまで来るのか。正直、今からもう楽しみで仕方ないです。

私が今回すごいなと思ったのは、こういう「まだ触れないAI」の存在感の大きさなんです。実際に触れないのに、デモ映像1本だけでこれだけ業界全体を動かしてしまう。積さんも「秋ぐらいって言われてますね」と、はっきりした日付を知らないまま期待だけが膨らんでいく感じを、楽しそうに話してくれていました。触れる・触れないに関わらず、Soraという存在そのものが、もう次の動画生成AIの基準点になってしまっているんですよね。

▶ この話題を動画で見る（16:12〜）

あ、そうだ。今日いちばん「え、それ映像でできるの?」ってなったのがこの話でした。SoraがAdobeのPremiere Proに実装されるっていうニュース。積さんが実際のデモ画面を映しながら見せてくれたんですけど、動画の中に映り込んだ余計なものを、囲って、消す。それだけで、動いてる映像からその物体がすっと消えるんです。

積さん（16:12〜）

「ここからマスキングをしてオブジェクトを消してみたり、これね、画像だったら割とよくやってる、最近でしたらよくやってる話。こういうふうに変えたり。すごいですよね、映像の中でこれが変えられるっていうのは。」

私も画面越しに「うわ」って声出ちゃいました。静止画でオブジェクトを消すのはもう見慣れてる。でも動画って、1秒間に何十枚も絵が並んでるわけで、それを1フレームずつ手で修正するのが編集者の地獄だったはずなんです。そこにただっちが、編集の現場感覚から刺さる一言を返してくれました。

ただっち（16:41〜）

「アドビの場合は特にプレミアとか、フォトショップとか使ってる人からすれば、静止画が消せるのはイメージつくけど、そのまま動画で1フレームずつ全部やるの?っていうのが全部自動になりますからね。どっちかっていうとクオリティの方はイメージつくけど、そこ繋いでくれるんだなってところがすごいですよ。」

「繋いでくれるんだな」——このひとことが、たぶん一番的確でした。すごいのは絵の綺麗さそのものより、時間軸を勝手に繋いでくれる部分。編集者が本当にやりたかったのはそこなんですよね。Adobeは自分でゼロからAIを作るタイプじゃなくて、優れたAIを自社ツールに組み込んでいくタイプ。今回もその戦略が、うまくハマってる感じがしました。

で、この「繋ぐ」ってところ。地味に聞こえるでしょ。でもね。料理で言うと、盛り付けが綺麗な一皿を作るのと、コース全部を同じ温度で出し切るのって、まったく別の技術なんですよ。一皿は誰でも頑張れる。でもコース1本を破綻なく通すのが、プロの本当の仕事。動画の1フレームを直すのは一皿。それを何百枚ぶんズレなく通すのがコース。AIがそのコース側に手を出してきた——って考えると、これ、なかなかの事件なんですよね。

でね、この話を聞きながら私が思い出したのは、積さんが映像学科で編集を勉強してる時の実感でした。「ここのつなぎ、こう作れたらいいのに」って思う瞬間が現場に山ほどあるらしいんです。まさにそこにピンポイントでAIが入ってくる。派手な新機能というより、現場の小さな面倒くささをひとつひとつ拾って消していく——そういう地味な進化のほうが、実は一番効くんだよなあと感じた場面でした。

これ、Adobeが「著作権的にも安全」っていう部分を強調していたのも、私にはすごく刺さりました。ビジネスで使う映像だからこそ、綺麗にできるかどうかと同じくらい、権利の面で安心して使えるかどうかが大事なんですよね。派手さより信頼。Adobeが長年プロの現場で使われてきた理由って、たぶんそこにあるんだろうなあと、今日のデモを見ながら改めて感じました。

▶ この話題を動画で見る（17:04〜）

ここで積さんが持ち出したのが、AI界隈だと有名な「あの動画」でした。2023年に作られた、ウィル・スミスがスパゲッティを食べる動画生成AIの実験作。名前を出すだけでにやっとしちゃう、あの伝説の1本です。

積さん（17:04〜）

「実はこの映像生成の歴史ってあって、1年の話ですけどね。去年2023年にウィル・スミス・イーティング・スパゲティ、興味ある人はこれでググってみてください。食事の前にされることをお勧めします。悪夢のような画像が出てきて、気持ち悪くなりますんで。」

「食事の前にされることをお勧めします」って言われて、私、思わず笑っちゃいました。顔が歪んで、麺が生き物みたいに暴れる……あの悪夢のような映像が、たった1年後の今の動画生成AI「Kling」では、ちゃんと自然に食べてる映像に変わってたんです。1年。たった1年でこれですよ。積さんは、このKlingについても正直に教えてくれました。

積さん（17:04〜）

「クリングだけは入れないというか、中国の電話番号が必要なんですね。TikTokみたいなやつが作ってるんですけども、そのアカウントを持ってて僕入れるんですけど、これだけはもう中国の電話番号が必要になってくるんで、僕は今入れてないです。」

性能はトップクラスなのに、日本の電話番号だと入り口にすら立てない。便利さと、使えるかどうかは別の話なんだよなあ、と実感する場面でした。そしてこの後、Klingを追いかけるようにRunway、Lumaと本命が続々と登場した流れも、積さんが順番に見せてくれました。

積さん（20:45〜）

「その後にランウェイのジェンスリーが本命登場みたいな感じで出てきました。このランウェイジェン3が、多分今一番動画生成では一番前を行ってるんじゃないかなって思います。」

ぶっちゃけ、この「1年」ってところを、私はもう一回言いたいんですよ。悪夢の麺から、普通にパスタを食べる映像まで、1年。人間の技術って、普通はこんな速さで良くならない。腕のいい料理人が育つのに何年かかると思ってるんですか。それが——1年。しかもその1年のあいだに、笑いのネタだった映像が、真顔でビジネスに使える映像に化けてる。この加速に、正直ちょっと足がすくむ感じもありました。

さらに、同じプロンプトで各社を横並び比較するっていう贅沢な実験も見せてもらいました。「スタイリッシュな女性が東京の街を歩いている」という、Soraの有名なプロンプトそのままを、他社のツールにも投げてみた結果です。

積さん（20:45〜）

「実はこれはドリームマシーンというツールなんですね。ルーマというのは会社の名前で、ドリームマシーンというツールがこういうふうに出てきました。クリングが最初に出てきて、その後ドリームマシンが出てきた、ということなんですけど、それぞれ同じプロンプトで動かしてみました。」

同じ指示文なのに、映る水たまりの反射一つで、出来栄えがまるで違う。この横並びを見せてもらって、私も積さんも「ここから時代が変わってる感じが圧倒的にする」って、思わずハモってしまいました。技術の進化って、こうやって並べて初めて実感できるものなんですよね。

▶ この話題を動画で見る（33:57〜）

本命どころの話が一段落したあと、積さんのスライドがさらに加速しました。「たくさん紹介したいんでね、スライドでいきますね」って言って、Pika、Hyper、FlexClip、Wondershare、Gliacloudと、動画生成・動画編集系のツールがどんどん流れていく。正直、名前を覚えるだけでも一苦労なくらいの物量でした。

積さん（33:57〜）

「綺麗ですよね。課金するとすごい綺麗なものになります。で、ハイパーってやつもあります。テキストtoビデオとかイメージtoビデオ、ビデオtoビデオというのは結構アップグレードするというか、もっと良くするみたいな画質が良くなるというのは、結構これも効果的ですね。」

テキストから動画、画像から動画、そして動画から動画へのアップグレード。入り口が何であれ、最後は「動画」に着地させるっていう発想が、もうツールの当たり前になってるんですよね。ワンダーシェアのフィルモアAIやグリアクラウドも、URLや自社の画像・PDFを放り込むだけで、それっぽい映像に編集してくれる。しかもその全部が、静かに標準機能になりつつある。

積さん（39:50〜）

「最近このあたりが全部AI実装してきてるんですね。それはそうですよね、その方が絶対楽なんで。それがさっき言ってた3.5でみんなやってるんで、それがみんな、これから見に行かれてくると、さあどうなのかっていうことになってくるかもしれませんね。」

ここでさっきのGPT-4o miniの話とつながるんです。今、たくさんの動画編集AIの裏側は、コストの安いGPT-3.5クラスのモデルで動いてる。それがこれから4クラスに一斉に切り替わっていくとしたら——今紹介された全部のツールが、もう一段賢くなる。名前を覚えきれないくらい増えたツール群が、静かに、確実に、性能を底上げされていく。それが今、水面下で起きてるんですよね。

いやー、この繋がり方が今日いちばん唸ったところでした。冒頭のニュース、正直「へえ、安くなったんだ」くらいで流しかけてたんですよ、私。それが40分後、目の前を流れていったツール全部の裏側の話として、ちゃんと戻ってきた。伏線回収。積さんの話って、いつもこうなんですよね。

スライドを見ながら私が感じたのは、もう「どのツールが一番いいか」を選ぶフェーズじゃなくなってきてるということ。テンプレートに画像や映像を流し込むだけのものから、URLひとつで自動編集してくれるものまで、入り口はバラバラでも出口は全部「動画」。だったら、まず1つ手に取って触ってみる。積さんみたいに全部ログインして中身を見比べる姿勢こそ、この乱立時代を楽しむコツなんだろうなと思いました。

ぶっちゃけ、これだけツールが並ぶと「結局どれを使えばいいの」って迷子になりますよね。でも積さんが淡々と1個ずつ画面を切り替えて見せてくれる姿を見てて思ったんです。全部を極める必要はなくて、まず自分の作業に近いものを1つ選んで、そこから広げていけばいい。乱立してるからこそ、選択肢がある。それって、悪いことじゃないんですよね。

▶ この話題を動画で見る（46:19〜）

ここからただっちが、現場の肌感覚として、動画生成AIのビジネスモデルが変わる予感を語ってくれました。今までの動画AIって、ほとんどが「1本の作品をちゃんと作る」ことに重きを置いていたそうなんです。ぶっちゃけ、それが当たり前だと思ってたんですよね、私も。

ただっち（46:19〜）

「動画AI周りって、今までコストも含めて、1本の動画コンテンツを作る側に重きを置いているものが多かったんです。これがコストが下がってくると、次はその人用の動画、要はチャットボットのAIバージョンの動画版が、やりやすくなってくる。」

「その人用の動画」。この一言、じわっと来ました。1本を丁寧に仕上げる時代から、見る人ひとりひとりに合わせて動画そのものが変わる時代へ。積さんも、この流れをウェブサイトの未来として、こう続けてくれました。

積さん（51:45〜）

「ウェブのようなものが、それぞれパーソナライズされた見え方でインターフェースができてくるんじゃないかなって、今思ってるんですね。そのコンテンツの見え方が変わってくる。それって結構今これからのもんだなって思ってるんです。」

でね。ここでもまた、コストの話が効いてくるんですよ。作るのに1本いくらもかかるなら、みんな同じものを1本作って配るしかない。定食です。日替わり1種類。でも、1本あたりが限りなく安くなったら——お客さん一人ひとりに、別々の皿を出せるようになる。同じ料理を100人に出すのか、100人ぶん違う料理を出すのか。今までは前者しか選べなかった。それが、選べるようになる。コストが下がるって、そういうことなんですよね。

で、話はここから思わぬ方向へ跳びました。ただっちが「体験そのものを囲って乗せ替える」という話を出したところで、積さんが「実は人間の味覚って……」と、まさかの五感の話を始めたんです。

積さん（57:25〜）

「実は、人間の味覚って嗅覚によってるんですよ。僕も研究してるんですけど、視覚と嗅覚を変えたら、味変えれるんです。メタクッキーという有名な研究があって、単なるシンプルなバタークッキーをチョコレートの中に入れて、その中に入れるんですよ。そういうことが実験で出てるんで。」

味覚が、視覚と嗅覚でこんなに簡単に書き換わる。ただっちが持ち出した「香りのプリンター」の話も合わせて聞くと、動画のパーソナライズだけじゃなく、香りや味まで一人ひとり合わせられる時代がもうそこまで来てるんだなって、正直ちょっとゾクッとしました。私も、この体験の話にすごく反応してしまって、こんなことを口にしていました。

ひろくん（59:10〜）

「いいね、宝地図のもちづきさんも自分の叶った未来が目の前に現れたらいいなって話をしてたので、体験できる未来を、自分がもう叶った夢を、っていう感じなんですよね。」

叶った未来を、先に体験してしまう。動画も、香りも、味も——コストが下がるたびに、「みんなに同じもの」から「あなただけのもの」へと、静かにシフトしていく。今日の1時間、そのシフトの最前線を、まるごと覗き見してしまった気分でした。

関連記事