CGIではありません。フィルタでもありません。かつて撮影された何かの映像でもありません。プロンプトを入力して動画が返ってくるとき、内部で実際に何が起きているのかを説明します。
現在のほとんどのAI動画生成器は拡散モデルの上に構築されています。直感に反して、生成は無から始めて積み上げるのではありません — 純粋なランダムの視覚ノイズ、動画版のテレビの砂嵐から始まり、クリップのすべてのフレームに広がっています。次にモデルは一連の精製ステップを実行し、各ステップで、そのノイズの塊を、与えられたテキストプロンプトや参照画像に一致する一貫した動画へと少しずつ近づける方法を予測します。この精製を数十回繰り返すと — 専用のAIハードウェアで非常に高速に実行 — ノイズは徐々に完成したクリップに解決されます。これは Midjourney や Gemini の画像モデルのようなAI画像生成器の背後にあるのと同じ中核技術を、単一フレームの幅と高さだけでなく時間にも拡張したものです。
そのノイズ精製を行うモデルはランダムに推測しているわけではありません — 訓練中に、膨大な量の実際の動画から、フォトリアリスティックな動き、特定の物体、または描写されたシーンがどう見える傾向があるかを学びました。その訓練プロセスは数十億の内部パラメータを調整し、モデルのノイズ精製の予測が、実際の動画（およびそれと対になったテキストの説明）が実際にどう見えるかに一致することにおいて、徐々に上手くなります。その結果、訓練中に一度も見たことのないプロンプトに対して、見たすべてから学んだ統計パターンを組み合わせて再結合することで、もっともらしい動画を生成できるモデルになります。
すべての主要ツールは2つの出発点をサポートしており、内部での動作は異なります。
クリップのすべてのフレームを他のすべてのフレームと視覚的に一貫させること — 同じキャラクター、同じ照明、ランダムなちらつきやずれる細部がない — は、クリップが長くなるほど計算的に難しくなり、小さな誤差は、小さな測定誤差が長い計算にわたって累積するのと同じように、長いシーケンスにわたって累積します。これが、ほとんどのツールが1回の生成を4〜10秒のどこかに制限する実際的な理由です。現在のモデルが、妥当な速度とコストで1回の処理で一貫性を保てる限界に近いのです。より新しい世代のモデルが2026年にそれを超えました（その年の8月にリリースされたものは1回の処理で最大30秒を生成します）が、4〜10秒がほとんどの主要ツールでの標準のままで、オンラインで見るより長い「動画」は、たいてい1つの連続したクリップではなく、複数の別々の生成を編集してつなげたものです。
繰り返し現れる視覚的なエラー — 余分な指、動作の途中で歪む宝飾品、意味不明にレンダリングされる看板 — は、ある会社のツールに固有のランダムなバグではありません。これらのモデルの動作方法の構造的な帰結です。大まかで許容度の高い視覚的細部（全体的なポーズ、おおよその配色、食べ物にかぶりつくような大きく明白な動き）は、統計的に一貫して正しく仕上げるのが簡単です。すべて正しく見える「十分に近い」出力の幅広い範囲があるからです。細かくルールに支配された細部（特定のポーズでの正確な指の本数、正確な文字の形、揺れながら物理的構造を維持しなければならない鎖の輪）には、統計的近似の余地がほとんどありません — 近いことは正しいことと同じではなく、モデルには「指を数えて5本あることを確認する」という組み込みの概念がありません。だからこそ、まったく無関係なプロンプトやツールで同じカテゴリーの不具合が現れるのです。
このプロセスが決して生み出さないもの
すべての拡散ステップは、フレーム全体 — 被写体と背景を一緒に、1つの画像として — を精製しています。そのプロセスの中で、モデルが「キャラクター」を「キャラクターの背後にあるすべて」から分離する点はないため、どのツールが生成しても、完成したクリップには組み込みの透明レイヤーやアルファチャンネルがありません。後から被写体を抜き出すのは別のステップです — AI背景除去の実際の仕組みを参照してください。本当に異なる種類のモデルが、本当に異なる仕事をしています。
関連: 生成AIとは？ · AI背景除去の仕組み · AI動画背景除去
現在のほとんどのAI動画生成器は拡散モデルを使います。プロセスは純粋な視覚ノイズ（テレビの砂嵐のようなもの、ただし短いクリップ全体にわたる）から始まり、小さなステップで繰り返し精製します。各ステップでノイズを、テキストプロンプトや参照画像に一致する一貫した画像シーケンスへと少しずつ近づけます。十分な精製ステップ — 多くの場合数十回、専用ハードウェアで非常に高速に実行 — の後、ノイズは完成した動画クリップに解決されます。これはAI画像生成器で使われるのと同じ中核技術を、空間だけでなく時間にも拡張したものです。
テキストから動画は、書かれた説明だけに導かれて拡散プロセスを開始します — モデルはプロンプトだけからすべての視覚的細部を発明しなければなりません。画像から動画は、実際の参照画像から始めて、その周りに動きと変化を生成します。これが、ほとんどの「繰り返し登場するキャラクター」コンテンツの背後にあるワークフローである理由です。毎回一からキャラクターを再説明するのではなく、それぞれが同じ固定の参照画像から始まるとき、別々の生成にわたってキャラクターの見た目を一貫させるのははるかに簡単です。
モデルが他のすべてのフレームと一貫性を保たなければならないフレームが1つ増えるごとに、計算コストと、目に見えるずれやエラーがクリップ全体で蓄積する可能性が倍増します。ほとんどのツールが1回の生成を4〜10秒のどこかに制限しているのは、まさにこの理由です。一部の新しいモデルはより長い単一クリップを生成できます（少なくとも2026年のある発表では最大30秒）が、4〜10秒がほとんどの主要ツールでの標準のままです。
これらはまさに、統計的でパターンベースのモデルが正確に仕上げてフレームごとに一貫性を保つのが最も難しい種類の、細かくルールに支配された細部です。大まかで許容度の高い細部（全体的なシルエット、おおよその配色、大げさな大きな動き）は、小さく精密で構造的に厳密なものよりもはるかに確実にレンダリングされます。だからこそ、まったく無関係なツールやプロンプトで同じカテゴリーの視覚的な不具合が現れるのです。