生数科技と清華大が動画生成AI「Vidu」発表：1080p・16秒の動画をワンクリック生成

OpenAIがSoraを発表して以来、中国勢がいつ対抗馬を打ち出すのか注目が集まっていました。

北京で開催された「2024中関村フォーラム」にて、清華大学と生数科技（Shengshu Technology）が動画生成AI「Vidu」を発表しました。ワンクリックでフルHD（1080p）解像度、最長16秒の動画を生成できます。

16秒・1080p生成に対応、独自の「U-ViT」アーキテクチャ

Soraが最長60秒の生成をアピールしているのに対し、Viduは現時点で16秒にとどまります。ただし解像度はしっかりと1080pに対応してきました。

注目すべきは基盤となる設計です。Viduは「U-ViT（Universal Vision Transformer）」と呼ばれるアーキテクチャを採用しています。開発チームによると、この仕組みは2022年9月に独自開発したもので、Soraで使われているDiTよりも先行していたといいます。

開発元は、この構造によって物理法則のシミュレーションが可能になり、リアルな光の陰影や表情の変化、さらには現実には存在しないシュールな空想世界も描けると説明しています。

カメラワークは巧みだが、質感はSoraに及ばず

デモで目を引いたのは、複数カメラによるダイナミックな視点移動です。同一シーン内でロングショットからミディアム、クローズアップへと滑らかにカメラを切り替えることができます。

動画の時間的一貫性（フレーム間のブレの少なさ）も優秀で、被写体が不自然に崩れる現象はかなり抑えられています。

ただし、Soraのデモ映像と並べて比較すると、映像のディテールやリアリズムの面ではまだSoraに軍配が上がります。完成度は高いものの、実写映画のような質感には一歩届いていない印象です。

なぜ重要か

私たちは、Viduの登場が中国のAI開発におけるひとつのマイルストーンになると考えています。

クリエイターにとっては、16秒・1080pで視点切り替えができる機能は、絵コンテ作成やショート動画のプロトタイプ制作において大きな戦力になり得ます。一般公開されれば、試してみる価値は十分にあります。

業界全体で見れば、単にOpenAIの背中を追うだけでなく、2022年から積み上げてきた独自のU-ViTアーキテクチャを実用化してきた点が極めて重要です。

デモでSoraと同じプロンプトを再現してみせた姿勢には強気な自信が見えます。同時に粗さも浮き彫りになりましたが、差が急速に縮まっている事実を証明するには十分でした。高品質な学習データの拡充が進めば、動画生成AIの勢力図に食い込んでくる可能性は高いと見ています。