AI動画生成モデル比較ランキング：同じプロンプトで6モデルを検証

👁 117閲覧数

更新日 2026年9月28日：読者からの意見を受け、各モデルのフルバージョンを使った最新ランキングを新たに作成しました。Seedance 2.5と2.0、MiniMax H3とH3 Max、Gemini Omni Flash 1.1、FLUX.3、Kling 3.0 Turbo、Veo 3.1を比較し、音声もテストしています。詳しくは動画制作におすすめのAIをご覧ください。

AI動画生成モデルのランキングを作るため、Veo 3.1 Fast、Kling 3.0、Seedance 2.0 Fast、Hailuo 2.3、Grok Imagine Video、Wan 3.0の6モデルに、同じ2つのプロンプトを入力しました。1つ目はカップにコーヒーを注ぐ場面、2つ目は雨の夕暮れに走る黄色と赤のワルシャワの路面電車です。動画はすべて2026年9月26日と27日にOpenRouter API経由で生成し、再抽選なしで各モデル1回ずつ試しました。この記事では12本の動画、生成時間、費用、私の評価を紹介します。価格を重視する場合は、Artificial Analysisのトップ10ランキングで最も安いモデル、1分あたり2.40 USDのAgnes Video 2.5もご覧ください。10月のArtificial AnalysisランキングではWan 3.0、Utopai X、Seedance 2.5が上位に入り、今回のシーンではFLUX 3 Videoが最も高い評価でした。

01AI動画生成ツール8選：料金・動画の長さ・日本語音声を比較Kling、Veo、Wan、Seedanceなど8つのAI動画生成ツールを比較。料金、動画の長さ、音声、日本語対応をまとめました。読む →02Veo 3とは：動画と音を考える制作ガイドveo 3を使う前に知りたい目的の整理、参考資料の準備、試作、料金の確認、代替ツールの選び方を解説します。入力と出力を比較する方法や、修正時に残す条件、承認した素材の保存まで、初めての作業を進める手順をまとめました。公式資料を参照し、購入前に確認したい点も紹介しています。実務の準備に役立ててください。読む →03Kling AIの使い方：動画制作の始め方と費用kling aiを使う前に知りたい目的の整理、参考資料の準備、試作、料金の確認、代替ツールの選び方を解説します。入力と出力を比較する方法や、修正時に残す条件、承認した素材の保存まで、初めての作業を進める手順をまとめました。公式資料を参照し、購入前に確認したい点も紹介しています。実務の準備に役立ててください。読む →04Wan AIとは？Wan 2.2を無料で使う方法とWan 3.0の料金Alibabaの動画生成AI「Wan AI」を解説。Wan 2.2のローカル実行とWan 3.0のAPI料金、2026年9月26日に行った生成テストを紹介します。読む →

テスト方法

2つのプロンプトは英語で、全モデルに一字一句同じ内容を入力しました。以前Wan 3.0とWan 2.2を比較した際にも同じプロンプトを使ったため、Wan 3.0の動画はそのテストから採用しました。他の5モデルの動画は9月27日にOpenRouterの動画生成エンドポイントで作成。比率は16:9で、音声生成に対応するモデルでは音声も有効にしました。

• P1、コーヒー：「テストに使ったポーランド語のプロンプトを英訳したもの：木製のキッチンテーブルに置かれた白い陶器のカップに、熱いコーヒーを注ぐクローズアップ。湯気が立ち上り、窓から朝日が差し込む。被写界深度は浅く、カメラはゆっくりと穏やかに寄っていく。リアルな映像。」
• P2、路面電車：「テストに使ったポーランド語のプロンプトを英訳したもの：雨の夕暮れ、黄色と赤のワルシャワの路面電車が通りを走る。濡れた石畳に街灯が反射し、歩道には傘を差した人々がいる。カメラは三脚に固定。映画のようなリアルな映像。」

動画の長さは4秒に設定しました。Veoが生成できるのは4、6、8秒で、5秒には対応していないためです。似た長さの動画を比較し、予算を4.50 USD以内に収めることも考慮しました。例外として、OpenRouter版Hailuo 2.3は6秒から、Wan 3.0は以前のテストで生成した5秒の動画を使用しています。各動画からffmpegで5フレーム（動画の長さの5%、28%、50%、72%、95%地点）を切り出し、フル解像度で確認しました。音声はCPU上のfaster-whisper mediumで、音声検出あり・なしの両方を試し、音量も測定しました。

指示への忠実度（カメラ、光、時間帯、路面電車の色）、物理表現（注ぐ流れ、コーヒーの水位、陶器、車両の動き）、アーティファクト（形の融合、文字の崩れ）、音声の4項目を0〜10点で評価しました。生成時間は、リクエスト送信からファイルのダウンロードまでを計測。15秒ごとに状態を確認しました（Wanのテストでは20秒ごと）。そのため、測定値には十数秒ほどの誤差があります。

6モデルの比較結果

費用はOpenRouterの応答に含まれるusage.costのUSD建て金額です。「1秒あたり」は動画の実際の長さで費用を割っています。Klingが高く見えるのは、4秒の動画に0.63 USDが請求されたためです。実際には0.126 USDで5秒分が計算されています。最低5秒分の請求については、Wan 3.0の価格に関する記事でも説明しています。

プロンプト1：カップにコーヒーを注ぐ

注ぐ流れがカップの中央に入るか、コーヒーの水位が上がるか、陶器の不透明さが保たれるか、カメラがゆっくり寄るかを確認しました。評価の高い順に紹介します。

プロンプト2：雨の中を走るワルシャワの路面電車

黄色と赤の車体、夕暮れ、雨、石畳に映る街灯、傘、三脚に固定したカメラなど、細かな指示に従えるかを確認しました。

音声の検証：動画に含まれる音

6モデルのうち5モデルが音声トラック付きの動画を出力しました。OpenRouterのモデル情報では音声生成に対応するとされていないGrokにも、音声トラックがありました。Hailuo 2.3には音声がまったくありません。

• 音声はどの動画にもありません。音声検出なしでWhisperを使うと、すべての動画から「Thanks for watching!」のような文を認識しました。無音やノイズに対するこのモデルの既知の幻覚で、発話がない確率は0.52〜0.84でした。音声検出器（VAD）を有効にすると、1つを除いてすべての文字起こしが空になりました。
• コーヒーの動画に音楽。唯一の例外はSeedanceで、音声検出器は3.9秒のトラックを音声と判定しました。しかし周波数分析ではD、E、F、Cの音が連続しており、話し声ではなくメロディーと考えられます。同じプロンプトでWan 3.0もG、A、Dの音を使ったメロディーを加えました。VeoとKlingの音声には、同様のメロディーのパターンはありません。
• 音量。コーヒーの動画におけるGrokの平均音量は-51 dBで、ほぼ無音です。路面電車の動画におけるWanの平均音量は-11 dBで、ピークは0 dBに達しているため、編集前に音量を下げる必要があります。ほかの音声トラックの平均は-16〜-39 dBでした。

テスト結果のまとめ

• コストパフォーマンスで選ぶならGrok Imagine Video。最も安く、4秒で0.28 USD。生成時間も51秒と最速で、評価も首位でした。今回は基本バージョンをテストしました。OpenRouterでは720pで1秒あたり0.14 USDのGrok Imagine Video 1.5も利用できますが、今回のテスト対象ではありません。
• 安定した結果を求めるならVeo 3.1 Fast。コーヒーの描写が最も優れ、路面電車も良好でした。1本の生成に52〜54秒かかりました。動画の長さは4、6、8秒のみで、比率は16:9または9:16に限られます。詳しくはVeo 3のまとめをご覧ください。
• Wan 3.0は安定した性能。生成に170秒と3倍以上かかりましたが、この6モデルの中で唯一、1回の生成で最大30秒の動画を作れ、ポーランド語にも対応しています。モデルの概要はWan AIのまとめをご覧ください。
• Seedance 2.0 Fastの料金は秒単位ではなく、動画トークンに基づきます。今回のテストでは1秒あたり0.092 USDでした。計算方法はSeedanceのまとめで紹介しています。
• Kling 3.0 Standardは720pを指定したにもかかわらず1080pで出力しました。ただし1秒あたりの費用は最も高く、色や時間帯の再現も最も不正確でした。
• Hailuo 2.3はOpenRouterで1080pのみ、動画は6秒からで、音声にも対応していません。短いラフ動画を素早く作るなら、私はGrokを選びます。

2つのシーンだけでは、モデル全体を評価するには不十分です。同じモデルでも乱数シードが変われば、より良い動画にも悪い動画にもなり得ます。今回は各モデルを1回だけ試しました。私の見解では、リアルな短い動画ならGrokとVeoから試し、長いシーンやポーランド語の会話にはWan 3.0を使います。ツールやプラン、価格を幅広く比較するには、AI動画生成ツールのガイドをご覧ください。

よくある質問

最もおすすめのAI動画生成モデルはどれですか？

同じ2つのプロンプトを使った私のテストでは、Grok Imagine Videoが8.25/10で首位となり、Veo 3.1 Fast（8.0）、Wan 3.0（7.75）が続きました。上位4モデルの差は小さいため、ご自身のシーンでも試してみるのがおすすめです。

最も安いAI動画生成モデルはどれですか？

OpenRouter経由ではGrok Imagine Videoが最も安く、音声付き720p動画4秒で0.28 USDでした。1秒あたりの費用が最も高かったのはKling 3.0 Standardです。4秒の動画でも5秒分が請求されたためです。

最も速く動画を生成するモデルはどれですか？

GrokとVeo 3.1 Fastは50〜54秒で動画を出力しました。Klingは約114秒、Seedanceは106〜164秒、HailuoとWan 3.0は約3分かかりました。

これらのモデルは音声も生成できますか？

Veo 3.1 Fast、Kling 3.0、Seedance 2.0 Fast、Wan 3.0、Grok Imagine Videoは音声付きの動画を出力しました。Hailuo 2.3には音声がありません。どの動画にも話し声はありませんでしたが、SeedanceとWanはコーヒーの動画に音楽を加えました。

// 続きを読むYuE2の日本語歌唱力は？4つのローカル音楽生成AIを比較ベンチマークKandinsky 6.0 VideoをRTX 4090で実行：音声付き動画をローカル生成ベンチマークSkyReels V4はなぜ半年で9位に？動画生成AIランキングの変化ベンチマーク