テキストから動画か、画像から動画か: どちらを選ぶべきか
著者: The Fellowi Team · · 6 分で読めます
Fellowiには動画モデルが四つあります。二つは一文から始まり、二つは画像から始まります。そしてそれぞれの組に、速いターボ版と遅いフル版があります。これがカタログのすべてで、返ってくるものを本当に左右するのは最初の選択だけです。モデルに静止画を渡すのか、それとも説明を渡すのか。
ひとつ認めておくべきことがあります。しばらくのあいだ、私たちはこれを誤って説明していました。このブログの三本の記事が、テキストだけの経路は存在しないとはっきり書いていたのです。それは誤りで、すでに修正しました。九月初めにここで「画像からの生成が唯一の方法だ」と読んだのなら、それが直した文です。
ほとんどの場合を決める一つの規則
特定の顔が最後に出てこなければならないなら、画像から始めてください。
これは好みの問題ではありません。文章は顔を運べません。「二十代後半の女性、暗い髪、緑の目」はカテゴリーをわずかに絞るだけで、その内側には何千もの顔が残り、モデルは実行のたびに別の一つを選びます。静止画を渡せば推測は完全になくなります。画面にいるのが誰かはすでに決まっていて、モデルの仕事はそれを動かすことだけに縮みます。なぜ 同一性が参照画像に宿るのか は別記事に書きましたが、動画はその問題のいちばん鋭い形です。毎秒二十四コマにわたる不一致は、二枚の別々の絵のあいだの不一致よりはるかに目立ちます。
テキストからの生成が本領を発揮するのは、被写体が一般的で、場面のほうが主役のときです。防波堤に当たる波、夜の車の流れ、燃え尽きていく蝋燭、通りの引きの絵。それが「どう見えるべきか」を知っている観客はいないので、食い違う相手がそもそも存在しません。しかも静止画を作る工程をまるごと省けます。
それぞれの経路があなたに求めるもの
テキストからの生成 が求めるのは、世界ごと背負うプロンプトです。被写体、場所、光、カメラ、そして動き。何ひとつ固定されていないぶん書くのが難しく、曖昧なものを出せば平均的でストック映像のようなクリップが返ってきます。
画像からの生成 が求めるのはほぼ逆です。場面がどう見えるかは静止画がすでに言っているので、それをプロンプトで繰り返すのは無駄であり、静止画と矛盾させるのは無駄よりも悪い。言葉はすべて動きに使ってください。何が動き、どのくらいの速さで、カメラは何をするのか。私たちの 動画プロンプトのガイド はまさにこの規律を中心に組み立ててありますし、 貼って使えるプロンプト集 の一本は、よい開始フレームになるように書いてあります。
画像からの経路には、テキストの経路にはできない三つ目のことがあります。開始フレームに加えて 終了フレーム を受け取れるのです。両方を渡せば、選んだ二枚の静止画のあいだの動きが描かれます。ここで得られるクリップ制御としては最も強く、着地点がはっきり決まっている短い縦動画には自然な道具です。
ターボかフルかは、別の問題
経路を決めたあとも系統を選ぶことになりますが、こちらは発想の忠実さではなく、上限と価格の話です。
ターボ は速くて安い二つです。720pと1080pに対応し、720pの4秒で500コイン。フル の二つは遅いぶん先まで行きます。下に480p、上に4Kが加わり、同じ720pでも目に見えて質が上がるため、同じ4秒が500ではなく900コインになります。解像度を上げるほど差は急に開きます。価格は秒単位で、4Kは画素数が桁違いだからです。フルの4Kは4秒で4,400コイン、30秒なら33,000コインになります。
正直な助言としては、下書きはターボで作ってください。720pの500コインで動きと構図を決め、そのうえでこのクリップがフルモデルに値するかを判断する。すべて秒単位の価格なので、「カメラの動かし方を間違えていた」と気づく代償は、どのモデルで気づいたかで決まります。
両方の経路に共通する設定
長さは4秒から30秒。画面比率は7種類あり、 縦型のソーシャル動画 向けの9:16も含みます。加えて、形を押しつけずに開始画像そのままの構図を保つ「自動」もあります。音声はチェックボックスで、クリップと一緒に生成され、価格は変わりません。個々のつまみについては 操作パネルの記事 に詳しく書いてあります。
価格について実務的な注意をひとつ。費用は長さに比例し、モデルと解像度で決まるので、どちらの経路から入っても同額です。テキストからにしても安くならず、画像からにしても高くなりません。中身で選んでください。
失敗した生成はコインが自動的に戻ります。だからまず走らせる価値があるのは安いほうの実験です。 Fellowi Images で40コインの静止画を作り、それを Fellowi Video に持っていって、動きだけを書く。もし題材に顔がそもそも要らないと分かったなら、一工程省けたと学べたわけで、それは安い授業料です。