Vidu は生数科技の製品で、ラインがきれいに分かれている。Q シリーズを中心とした動画モデルと、リアルタイムを売りにする S シリーズだ。トップページが押し出すのは二つ――16 秒で音と画が同時に出ること、そしてリアルタイムの対話。前者が Vidu Q3、後者が Vidu S2 にあたる。

Q3 は劇のために作られ、音が画と一緒に出る

Q3 の製品ページは自らをネイティブ音声対応の AI 動画モデルと名乗る。見出しは劇のために生まれたと書き、副題は一度で完整した断片を作ると約束する。音と画の同時出力についての説明は具体的だ。音声と映像が同期して出て、セリフ、ナレーション、効果音、音楽という4種類のトラックが同じ実行で生成される。つまり完成した映像は一度の書き出しでそのまま使え、無音で描いてから別途アフレコする旧来の手順を踏まなくてよい。

16 秒を一度で、3言語に対応

長さもはっきりした数字だ。1回の生成で 16 秒の映像が丸ごと手に入る。ページの理由は、継ぎ足しが要らないのでリズムが切れず物語が自然に進むというもの。よくある質問でも、1回で作れる長さは最大 16 秒と答えている。言語の欄には英語、日本語、中国語の3言語の出力ができると書かれている。

この二つを合わせると、Q3 が解こうとしているのは短い叙事単位の中で音、口の動き、言語をそろえる問題だ。ハイライトには複数人の会話も別項目で挙がっていて、一人ずつ処理するのではなく複数の人物が自然に話すシーンを扱える。

アニメ劇、短編ドラマ、映画的なカットへ

もう一つのハイライトはプロ制作に対応済みというもので、アニメ劇や映画、短編ドラマといった叙事の現場向けに設計されている。よくある質問は対象を、途切れない語りと精緻なタイミングを必要とする作り手やチームだと説明する。物語主導のアニメ、映画的なカット、短編ドラマ、物語性のある広告などだ。カメラ制御はフレーム単位で、カメラワークもテンポも個々の叙事の節目まで指定できるので、作業は描画というより演出に近づく。トップページは範囲をさらに広げ、アニメでも実写でも、広告でも短編でも、16 秒の音と画の中に収まるとしている。

S2 はリアルタイム対話とリアルタイム編集を分ける

S シリーズの発想は違い、生成しながら出力する。S2 の下に二つの製品がある。S2-Avatar は対話型で、リアルタイムの音声対話と複雑な動作制御に対応し、参照画像と組み合わせて物体との相互作用、衣装の変更、背景の切り替えができる。デジタルヒューマンは 720P+ で出力し、前世代の S1 が 480P だったところから上がり、指示追従も音声指示でアバターを踊らせられるまでになった。S2-Editing は編集型で、四つの能力はいずれも参照画像に乗る。スタイル参照画像でリアルタイムに画風を描き、主体参照画像で人物を差し替え、背景参照画像で環境を差し替え、衣装参照画像で多彩な着こなしを生成する。ストリーム編集なので映像の流れを受け取り続けて結果を出し続け、途中で参照画像を替えてもシーンを切り替えても出力は途切れない。入力はカメラ、動画、画像の3種類だ。

リアルタイムが要らない場合は非同期の道もある。キャラクター画像1枚と音声1本で、口の動きと動作が音声に合った喋る映像が作れる。ページが挙げているオフラインのデジタルヒューマンがこれだ。

API と課金はクレジットで統一

開放基盤はモデルを三つの系列に分ける。リアルタイム生成の S2、動画生成の Q、画像生成だ。動画の欄は Q を旗艦の動画モデルと書き、長い尺、高い一貫性、大きな動きを挙げ、テキストから、画像から、参照から、のすべてをカバーするとする。画像の欄はテキストからと参照からの生成が 4K 出力に対応し、複数の参照画像を受け付けると明記する。S2 は MaaS 基盤から提供され、登録して API キーを作り、最初のリクエストを送り、ジョブを問い合わせて動画の場所を受け取るという3段階が示されている。

課金はクレジットで統一され、S2 専用の資源パックがある。期間限定で 350 元（通常 500 元）で 16000 クレジット、同時実行 5、有効期間 12 か月、公式の見積もりではリアルタイム対話がおよそ 177 分できる。新しいモデルを先に試したい人向けの設定だ。入門パックは 500 元で 16000 クレジット、動画も音声も画像も同じように使える。クレジットは三種類あり、購読分はプランに付いて有効期間 30 日、購入分は都度足せてイベントやコンテストの報酬分と同じく有効期間 2 年。注意したい規則は二つ、購入は有料ユーザーに限られ、消費は購読分が購入分より先になる。

いくつかの境界

16 秒は1回の生成の上限であり、公式が推す叙事単位の長さでもある。それより長い作品は複数段の組み合わせか、後日の延長機能に頼ることになる。リアルタイムは回線と同時実行に左右され、パックには同時実行 5 と明記されているので、チームで広げるならその数字を前提に計画する必要がある。価格とキャンペーンは動くもので、350 元の段は期間限定なので、実際に買う前に開放基盤のその時点の価格を確認し、消費量も見積もっておきたい。生成物は基盤の規範と現地の法令を満たす必要があり、商用の前には素材と肖像の許諾も確かめておくほうがよい。

まとめると、今回の見どころは音とリアルタイムをそれぞれ別のラインに仕立てたことだ。Q3 は画、セリフ、ナレーション、効果音、音楽を一度の生成でそろえ、1回 16 秒で3言語に対応する。S2 はデジタルヒューマンを、会話もできれば衣装や背景もその場で替えられるストリームにした。その下にクレジットで統一した開放基盤が敷かれ、制作と組み込みがそれぞれの道を持つ。