AI動画生成のHotshot登場：4人のチームが開発、10秒の720p映像を無透かしで生成

動画生成AIの領域で、RunwayやLuma、Pikaがしのぎを削る中、わずか4人のエンジニアで構成されるスタートアップが名乗りを上げました。

米スタートアップのHotshotは、自社開発した新しいテキスト動画生成AIモデルのパブリックプレビューを公開しました。公式サイト（hotshot.co）で無料提供されており、透かしなしで最大10秒、720p解像度の動画を生成できます。無料枠は1日2回までに設定されています。

4人のチームが4カ月で訓練、故障多発のGPUと格闘

HotshotはAakash Sastry氏、John Mullan氏、Duncan Crawbuck氏らによって設立され、のちにChaitu Aluru氏が合流しました。コンシューマー向けアプリを11年手がけてきた経歴を持ち、Alexis Ohanian氏やLachy Groom氏、SV Angelなどから出資を受けています。

同社は以前、毎月2万人以上が利用する1秒間の動画生成オープンソースモデル「Hotshot-XL」や、3秒動画に対応した「Hotshot Act-One」を公開してきました。今回の新モデルはそれらを大幅に上回る規模です。

チームは6億本の動画クリップと数千台のGPUを駆使し、4カ月でトレーニングを完遂させました。公開された論文によると、極限まで負荷をかけたNvidia H100 GPUは頻繁にクラッシュし、パイプラインの管理のためにメンバーの1人が1カ月間24時間体制で見守り続ける必要があったといいます。技術的には、空間と時間の両軸で動画を圧縮する新しいオートエンコーダを開発したことで、データ量を抑えつつ効率的な学習を可能にしました。

実際の出力結果について、VentureBeatのテストでは「パリを走るユニコーン」と入力したところ、角のない普通の馬が街を駆ける動画が生成されました。コミック調やロトスコープ風の描画など表現力は豊かですが、Runwayなどの先行モデルと比べると解像度や細部の質感にまだ差が見られます。

なぜ重要か

一般ユーザーやクリエイターにとって、透かしなしで最大10秒の動画を無料で生成できる点は大きな魅力です。1日2回という制限はあるものの、SNS向けの素材や絵コンテの初期イメージ作成には今すぐ試す価値があります。

業界全体から見れば、わずか4人の小規模チームが4カ月で実用レベルの10秒動画モデルを開発できたという事実は強い驚きを与えます。大規模な資本と巨大組織による物量作戦が主流になりつつある生成AI分野において、巧みな圧縮技術とパイプライン設計があれば小回りの利くチームでも最前線に立てることを証明しました。

一方で、指示理解の甘さや画質の粗さといった課題は明白です。ユニコーンが単なる馬になってしまうように、意味理解の精度を高めなければ本格的な映像制作ツールとして定着するのは困難です。RunwayやSoraが画質やカメラ制御、音声統合を進めるなか、Hotshotがこの軽量アプローチの先にある品質向上をどこまで迅速に実現できるかが今後の試金石となります。