Image-to-video
Image-to-video(画像からの動画生成)とは、静止画を短い動画クリップに変えるタスクです。通常は画像を最初のフレームとし、テキストのプロンプトで動きを記述します。
別名: I2V, photo animation, animate image
執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法
テキストからの動画生成がシーン全体を作り出すのに対し、image-to-video はあなたが用意した画像から始め、それがどう動くかだけを決めればよいのです。そのため、結果の見た目をはるかに制御しやすくなります。被写体、構図、色、スタイルはあなたの画像から来ます。
仕組み
ほとんどの image-to-video モデルは、入力画像を追加の条件として受け取る動画の拡散モデルです。Stable Video Diffusion の論文は、大量の動画で学習したベースモデルが、image-to-video の生成に転用できる動きの表現を学ぶと報告しました。
よくある用途
典型的なワークフローは、テキストからの画像生成でフレームを作り、仕上げてから動かすというものです。商品写真、イラスト、絵コンテ、SNS 用のクリップがよくある例です。Kling や Runway などのサービスが、テキストからの動画生成と並んでこれを提供しています。ほかの選択肢は動画モデルに掲載しています。肖像を話すように動かすのは関連するタスクで、リップシンクで扱っています。
限界
モデルは物の陰に隠れたものや、新しい角度から見たシーンを推測しなければならないので、クリップが進むにつれて顔や細部がずれていくことがあります。クリップは短いものです。実在の人物の写真を同意なしに動かすことには、ディープフェイクと同じ問題があります。
関連用語
- Text-to-video(動画生成)
- Text-to-video(動画生成)とは、書かれたプロンプトから短い動画クリップを生成するタスクです。モデルは、それぞれが正しく見え、しかもフレーム間で一貫して動くフレームを生成しなければなりません。
- 拡散モデル
- 拡散モデル(diffusion model)とは、多くのステップをかけて少しずつノイズを取り除くことで、ランダムなノイズを画像などのデータに変えることを学ぶ生成モデルです。
- Text-to-image(画像生成)
- Text-to-image(画像生成)とは、プロンプトと呼ばれる書かれた説明から新しい画像を生成するタスクです。現在のtext-to-imageモデルのほとんどは、テキストで条件付けした拡散モデルです。
- リップシンク(AI 動画)
- AI リップシンク(AI lip sync)とは、動画や画像の中の人物の口の動きを、翻訳したセリフや書き直したセリフなどの新しい音声トラックに合うようにモデルで変えることです。
- ディープフェイク
- ディープフェイク(deepfake)とは、AI で作成または改変され、実在の人物、場所、出来事を、実際には起きていない形で本物らしく見せ、本物として通用しうる画像、音声、動画のコンテンツです。