Stability AIが動画生成AI「Stable Video Diffusion」を公開、コードと重みも提供

Stable Video Diffusionは、Stability AIが公開した同社初の動画生成基盤モデルだ。1枚の静止画を入力するだけで、滑らかな短尺動画を生成できる。

画像生成モデル「Stable Diffusion」をベースにしており、オープンソースのエコシステムを画像から動画へと拡張する試みとなる。

できることと基本スペック

今回公開されたのは、主に生成フレーム数が異なる2種類の画像・動画変換（Image-to-Video）モデルだ。

一方は14フレーム、もう一方は25フレームの生成に対応する。フレームレートは毎秒3フレームから30フレームの間で柔軟にカスタマイズできる。

同社が実施した外部のユーザー評価調査によると、ベースモデルの段階で、すでに先行する主要な商用クローズドモデルを上回る評価を得たという。

単に画像を動かすだけでなく、下流タスクへの適応性も高い。例えば複数視点データセットでファインチューニングすれば、1枚の画像から多視点映像を合成することも可能で、3Dアセット制作などへの応用が期待される。

提供形態と制限事項

コードはGitHubで、ローカル実行に必要なモデルの重みはHugging Face上でそれぞれ公開された。技術的な詳細を記した研究論文も閲覧可能だ。

ローカル環境を持たないユーザー向けには、テキストから動画を生成できるWebツールのウェイティングリストも公開されている。広告や教育、エンターテインメント領域での活用を想定した機能だ。

ただし、今回の公開は「リサーチプレビュー」という位置づけにとどまる点には注意したい。

現段階では安全性や品質の検証、フィードバックの収集を目的としており、商用利用や実際の業務システムへの組み込みは明確に禁止されている。

なぜ重要か

これまでの動画生成AIは、限られた企業の独占的なWebサービスが中心で、ユーザーはブラックボックスの環境で利用するしかなかった。

Stable Video Diffusionの重みが公開されたことで、開発者や研究者はローカルマシンで動画生成の挙動を検証し、独自の追加学習や拡張機能の開発に取り組めるようになる。

14〜25フレームという長さは実質数秒程度であり、商用不可という制約もある。それでも、かつて画像生成で起きたようなオープンソース主導の急速な進化が、動画の領域でも本格的に始まるきっかけになるはずだ。