生数科技が「Vidu Q1」公開、首尾フレーム補間と48kHz音響生成に対応

映像制作において、最も手間がかかるのは撮影そのものよりもポストプロダクションの細かな作業です。不自然になりがちな場面転換の調整や、映像のトーンに合わせた効果音探しに膨大な時間が消えていきます。

中国の生数科技（ShengShu Technology）は、新世代のAI動画生成モデル「Vidu Q1」を発表しました。テキスト指示だけで映画品質のエフェクトとオーディオを統合して生成できる環境を目指しています。

無関係な2枚の画像から自然な転換を作る

Vidu Q1の目玉機能の一つが「First-to-Last Frame（最初と最後のフレーム）」です。文脈理解を活用し、一見無関係な2枚の画像の間を自然につなぐトランジションを生成します。

動画生成のスペックは最大5秒、1080p解像度に対応しています。前バージョンであるVidu 1.5で導入された複数エンティティの一貫性保持技術を引き継いでおり、キャラクターや背景の破綻を抑えています。

同社によると、動画生成モデルの性能を測定するベンチマーク「VBench」において、Vidu Q1は総合首位を獲得したとしています。

業界初の48kHzオーディオと感情に同期する劇伴

映像だけでなく音響面での進化も大きな特徴です。業界初となる48kHzサンプリングレートのAI効果音・音響生成機能を搭載しました。

テキスト入力からBGM、環境音、特定のアクション音を生成できるほか、映像の感情トーンを理解してサスペンスには緊迫した音を、明るいシーンには軽快な音を自動で合わせます。

自然言語でレイヤー分けやタイミングの指定も可能で、すでに映画『カメラを止めるな！』のプロデューサーが立ち上げたAIアニメスタジオ「Pocket ANIME」やAura Productionsとの協業も始まっています。

なぜ重要か

Vidu Q1の巧みな点は、単なる解像度や描画精度の競争から一歩抜け出し、映像制作現場の実務的な痛点である「場面転換」と「音響制作」に焦点を当てた点にあります。

個人クリエイターやアニメ制作者、広告プランナーにとっては、試す価値が十分にあります。絵コンテのキービジュアルを滑らかにつなぎ、高品質な48kHz音響まで一度に生成できるため、プロトタイプやショート動画の制作コストを劇的に下げられます。

業界全体にとっても、動画生成AIの標準が「無声映画の生成」から「音響一体型のワークフロー」へと移行していることを示しています。競合ツールもネイティブな高解像度音響の統合を急がざるを得なくなるはずです。

ただし、生成できる尺が現状5秒にとどまる点は明確な限界です。ショートカットの制作には便利ですが、商業長編映画の本格的なストーリーテリングを完全に代替するには、まだ手作業での編集と構成が欠かせません。