1年前の生成AI動画は、4秒から8秒の無音クリップでした。人物の顔は途中で変わり、商品は形を保てず、SNSで「面白いもの」として消費される段階でした。2026年夏、その前提は完全に変わっています。単発で30秒、解像度は2Kから4K、音声は映像と同時に生成され、同じ人物を別のカットでも保てるようになりました。

この記事では、いま主役になっている生成AI動画のモデルを、マーケティングの現場目線で整理します。何ができるようになったのか。1本あたりいくらかかるのか。そして、まだできないことは何か。数字はすべて2026年8月時点の公開情報で、出典を明記します。

生成AI動画の話題は増える一方ですが、実務の観点でいえば、この1年の変化は3つに集約できます。尺が伸び、音がつき、同じ人物や商品を保てるようになった。この3点です。

象徴的な出来事が2つありました。1つは、先行していたOpenAIのSoraが市場から退いたことです。OpenAIは2026年3月24日に開発者へ提供終了を通知し、Webとアプリは4月26日に終了、APIも9月24日で停止します。もう1つは、その空席を中国発のモデルが埋めたことです。ByteDanceのSeedance、MiniMaxのHailuo、快手のKling。いずれも2026年に入って世代交代し、価格も品質も一気に動きました。

つまり、いま起きているのは「AIで動画が作れるらしい」という段階の話ではありません。どのモデルを、どの用途に、いくらで使うかを選ぶ段階に入っています。選択肢が増え、価格差が数倍に開いた以上、選び方そのものが成果を左右します。

名前は多いのですが、2026年8月時点で実務の候補に入るのは、実質的に次の5系統です。

この5つ以外では、モーションブラシなど制御性で選ばれるRunway Gen-4.5、HDRの色表現に強いLuma Ray3が、専門的な用途で使われています。ただしSNS運用や広告クリエイティブという文脈で最初に触るべきなのは、上の5系統です。

モデル名を並べても実務の判断はできません。何が変わったのかを、3つの軸で見ます。

01尺 ― 8秒から30秒へ

これまでのAI動画は、短いクリップをつなぎ合わせて作るものでした。つなぎ目で色や質感が変わり、そこが「AIっぽさ」として残ります。Seedance 2.5とWan 3.0は、この30秒を1回の生成で作ります。途中でシーンが切り替わっても、同じ世界観のまま進む。これは編集の手間そのものを減らします。

02音 ― 後づけから同時生成へ

音の扱いも変わりました。従来は映像を作ってからBGMやナレーションを乗せていましたが、いまは環境音も声も映像と同時に生成されます。MiniMax H3はステレオ音声を、Seedance 2.5は20言語のリップシンクを標準で持ちます。口の動きと声が合う。この一点だけで、使える用途が大きく広がりました。

03整合性 ― 参照素材で「同じ人・同じ商品」を保つ

実務でいちばん効くのがこれです。Seedance 2.5は最大50点の素材、MiniMax H3は12ファイル、Kling 3.0 Omniは参照動画から人物の見た目と声を取り出せます。プロンプトに「同じ人物で」と書いて祈るのではなく、素材そのものを渡して固定するやり方に変わりました。広告に必要な「人・モノ・声」を揃えられるようになった、と言い換えられます。

プロンプトで祈るのをやめ、素材で縛る。それが2026年の作り方です。

もっとも変化が大きいのが価格です。主要モデルの公開価格を並べます。

各社の公式価格表および公式発表より（2026年8月時点）。Klingはクレジット制のため、契約プランによって実質単価が変わります。

実感に落とすと、こうなります。MiniMax H3で15秒・2K・音声つきのクリップを1本作ると1.95ドル、1ドル150円で換算しておよそ300円です。Veo 3.1の標準品質で8秒なら3.2ドル、およそ480円。Gemini Omni Flashで10秒なら1ドル、150円ほどになります。

第三者ベンチマークのArtificial Analysisは、これを1分あたりに正規化して比較しています。Gemini Omni Flashが6.00ドル、MiniMax H3が7.80ドル、Seedance 2.0の720pが9.07ドル。1分の映像素材が1,000円前後という水準です。

ただし、この単価をそのまま制作費と考えると見誤ります。実務のコストは「単価×試行回数」です。狙った画が一発で出ることはまずなく、10本作って使えるのが1本ということも普通に起こります。それでも、300円の10倍は3,000円です。撮影を1回組む費用と比べれば、桁が違います。安くなったのは撮影費というより、「試す回数」の値段だと捉えるのが正確です。

「結局どれが一番いいのか」という問いには、よく順位表が使われます。代表的なのがArtificial AnalysisのVideo Arenaで、生成元を伏せた2本を人が見比べて投票し、その結果をEloという指標で表します。

2026年8月時点、音声ありの部門はWan 3.0が1247、Gemini Omni Flashが1239、MiniMax H3が1228、Seedance 2.0の720pが1221という並びです。

ここで注意したいのは、上位4つの差が20点前後しかないことです。見比べても判別が難しい範囲であり、しかも順位は数週間で入れ替わります。実際、この表に載っているモデルの多くは、直近3か月以内に公開されたものです。1位を追いかけ続けること自体には、あまり意味がありません。

ここまでの話だけを読むと、すべて置き換わるように見えます。実際には、制約もはっきりしています。

30秒は「1回の上限」であって、CMの尺ではありません。15秒や30秒の広告に必要なのは、長い1カットではなく、意味のあるカット割りです。生成できる尺が伸びても、構成の設計は人の仕事として残ります。

細部はまだ弱い。とくに文字です。日本語のテロップや商品パッケージのロゴを正確に描くのは、いまも苦手な領域です。ブランドの表記が1文字でも崩れれば広告としては使えません。文字は生成に任せず、編集で載せるのが現実的です。

日本語の口の動きは、要検証です。リップシンクの対応言語は増えましたが、日本語の発話が自然に見えるかどうかは、実際に自社の原稿で試して判断する必要があります。ここは公開情報だけでは判断できません（推測を含みます）。

同じ画は二度と出ません。同じ指示を入れても出力は毎回変わります。ブランドの型を保ちたいなら、指示文ではなく参照素材とテンプレートで担保する必要があります。

そして最大の制約は、権利です。実在のタレント、既存キャラクター、他社の映像を素材として使うことはできません。この点は後述します。

見落とされがちですが、変化はモデル側だけで起きているわけではありません。広告を配信する側が、AI動画を標準機能として取り込み始めています。

Meta。IAB NewFrontsで、既存の動画へのAIボイスオーバー、商品画像からのUGC風アバター動画、カタログの全商品からのReels自動生成、そして音声とテロップの翻訳を発表しました。URLと予算を渡せば、クリエイティブの生成から配信最適化までを任せられる形も進んでいます。同社の生成AIツールを使う広告主は400万を超え、半年前の100万から4倍になりました。

TikTok。クリエイティブ支援ツール群のSymphonyに、ByteDance自社のSeedance系モデルが組み込まれました。テキストから完成形の動画広告を作り、クリエイター風の動画を短期間で大量に用意できます。

Google。2026年7月9日から、広告がどう作られたかを示す「How this ad was made」のパネルが導入されました。EU・インド・ニューヨークでは表示が要件になります。

ここから読み取れることは1つです。モデルを直接触らなくても、AI動画は広告の管理画面から降ってきます。誰でも量産できる状態になれば、差がつくのは生成の巧拙ではありません。何を作るか、どの素材を渡すか、どう検証するかという設計側に移ります。

国内市場の数字も押さえておきます。サイバーエージェントの調査によると、2025年の国内動画広告市場は8,855億円で前年比122.2%、2026年は1兆437億円、2029年には1兆6,336億円に達すると予測されています。動画広告は、市場としてはすでに1兆円規模です。

その市場のなかで、同社は2026年中にSNS動画広告の完全自動生成を目指すと表明しています。人がプロンプトを書かなくてもAIが広告を作り、配信データの分析と組み合わせて「勝ちパターン」を特定する仕組みです。同社は、制作コストが限りなくゼロに近づくことで高いCPMのハードルが下がり、クリエイティブのPDCAを5倍から10倍の速度で回せるようになると説明しています。

この流れが意味するのは、制作量が競争の前提になるということです。10本しか作れなかった時代の勝ち方と、100本作れる時代の勝ち方は違います。後者で効くのは、量を出す力ではなく、量を出したあとに何を残すかを決める基準です。

導入の前に、社内で決めておくべきことが3つあります。技術ではなく、運用の話です。

01権利 ― 何を素材にするか

2026年2月、米国映画協会と大手スタジオはByteDanceに対し、Seedance 2.0が保護対象のキャラクターや肖像を無断で使っているとして警告書を送りました。8月17日には両者が覚書を結び、出力側のフィルタリング、顔のブロック、来歴情報の付与といったガードレールを導入することで合意しています。ただし学習データの適法性そのものは未解決のままです。実務としては、既存IPと実在人物を素材に使わない、参照素材は自社撮影か権利が明確なものに限る、という線引きを先に決めておくことです。

02表示 ― AI生成であることをどう扱うか

EUのAI法第50条が2026年8月2日から適用され、合成された音声・画像・動画には機械可読な印を付けること、ディープフェイクは開示することが求められます（既存システムには12月までの猶予）。プラットフォーム側も、Meta・TikTok・YouTube・Google広告がそれぞれAI利用のラベルを整備しています。日本国内向けの配信であっても、表示の方針は制作前に決めておくのが安全です。

03継続性 ― 特定のモデルに依存しない

Soraの終了は、この点をはっきり示しました。先行していたサービスでも、半年で提供が止まることがあります。だからこそ、ワークフローは特定のモデル前提で固めないことです。指示文・参照素材・編集を分けて管理しておけば、モデルが変わっても差し替えるだけで済みます。資産にすべきなのはツールではなく、素材と型です。

［要・自社情報：当社がSNS運用や広告クリエイティブの制作でAI動画をどう扱っているかを1〜2文。守秘のためクライアント名・実数値は伏せ、本数や工数の数字を入れる場合は実測を確認のうえ掲載］

最後に要点を絞ります。

2026年夏の生成AI動画は、単発30秒、最大4K、音声は映像と同時、参照素材で人物や商品を保てる段階にあります。価格は15秒のクリップで300円前後、1分の素材でおよそ1,000円。一方で、日本語の文字、細部の正確さ、そして権利の線引きは、いまも人が引き受ける領域です。

だとすれば、検討すべきことは変わります。作れるかどうかはもう論点ではありません。何に使うか、どの素材を渡すか、何を残すか。ここを決められる会社と、決められない会社の差が、そのまま成果の差になります。

安くなったのは撮影費ではなく、試す回数の値段だった。

量が出せる前提に立ったとき、必要になるのは戦略です。誰に何を届けたいのかが決まっていれば、100本の中から残すべき1本を選べます。決まっていなければ、100本のうち99本が無駄になります。生成AI動画は、その差を拡大する道具だと考えています。