さまざまなAI動画生成モデルは、同じプロンプトにどの程度忠実に従うのか？ このAI動画プロンプト順守度比較では、GLBGPTを通じて6つのモデル（Wan 3.0、Kling 3.0、Seedance 2.5、Grok Imagine、Happy Horse 1.0、Veo 3.1）を検証しています。 各モデルには同じプロンプトが与えられているため、要求されたオブジェクト、カメラの動き、イベントの順序、音声要件をどのモデルが忠実に再現しているかを確認できます。.
すべてのメインカードでは、1つの固定された英語のプロンプトと、少なくとも4つのモデル出力が使用されています。シネマティックカードでは6つのモデルすべてが使用され、その他のカードでは同じ6つのモデルセットから選択された4つのモデルが使用されています。16:9のアスペクト比と720pの出力を使用し、返された動画とコンタクトシートを精査して、プロンプトの内容が適切に反映されているかを確認しました。.
簡単な答え： 5つの課題すべてにおいて、どの課題でも優れているというものは存在しません。. Wan 3.0 動作テストにおいて、最も鮮明なカメラ映像を撮影し、, クリング3.0 陶器の模様を可能な限り忠実に再現し、そして Seedance 2.5 映画のような歩き方、振り返り、そして路面電車の到着の順序を、最も明確な順序で保った。. グロック・イマジン 市場向けカメラ分野で強みを発揮し、, ハッピーホース 1.0 登場人物やストーリーの展開を分かりやすく保ち、そして ベオ 3.1 「シネマティック」、「モーション」、「陶芸」の各プロンプトに対して、使用可能なファイルが返されましたが、後者の2つについては返された再生時間が短くなっていました。.
AI動画プロンプトの順守率とは？
「プロンプトへの忠実度」とは、生成された動画がリクエストの詳細をどの程度忠実に再現しているかを示す指標です。私たちは、名前が指定されたオブジェクト、色や模様、カメラの動き、イベントの順序、登場人物の一貫性、および音声や台詞に関する制約について確認を行いました。.
クリップは洗練された仕上がりになっていても、プロンプトの意図から外れていることがあります。説得力のある雨の描写があっても路面電車が欠けていたり、細い白い波が別の模様になっていたり、俳優の顔が変化していたり、物語のクライマックス直前で途切れていたりすることがあります。そのため、各カードには、モデルによる出力結果と確認された不整合の横に、プロンプトの正確な焦点が明記されています。.
今回の比較対象となる6つのモデル
この記事では、6つのモデルすべてに同じアクセスラベルが使用されています： GLBGPT. この表は全ラインナップを網羅したものであり、2社のプロバイダーのみを紹介する個別のモデルセクションは設けられていません。.
| モデル | アクセス | この比較記事での迅速な報道 | カードで何が確認されるのか |
|---|---|---|---|
| Wan 3.0 | GLBGPT | 5つのプロンプトすべて | カメラの動き、登場人物、動き、音声、ストーリーの展開順 |
| クリング3.0 | GLBGPT | 5つのプロンプトすべて | カメラの動き、登場人物、動き、音声、ストーリーの展開順 |
| Seedance 2.5 | GLBGPT | 映像、キャラクター、セリフ | イベントの順序、キャラクターの詳細、会話シーン |
| グロック・イマジン | GLBGPT | 映像、動き、台詞 | カメラの移動経路、アクションの撮影範囲、2人の登場人物によるシーン |
| ハッピーホース 1.0 | GLBGPT | 映画、キャラクター、陶芸 | キャラクターの連続性と3ビート構成によるストーリー展開 |
| ベオ 3.1 | GLBGPT | 映画に関するリクエスト、動き、陶芸 | ルートの承認、カメラの動き、ストーリーの展開 |
6つのモデルのテスト方法
出力を比較する前に、5つのプロンプトを固定しました。モデルはカードごとに異なっていましたが、各カード内ではプロンプト、アスペクト比、解像度、再生時間、音声設定は同一に保たれていました。代表的なGLBGPTのリクエスト形式は以下の通りでした：
{
"surface": "GLBGPT",
"model": "seedance-2.5",
"prompt": "同一のテストプロンプト",
"aspect_ratio": "16:9",
"resolution": "720p",
"duration": 5,
"audio": false
}| プロンプト | 同じカード内で比較されたモデル | 設定を修正しました |
|---|---|---|
| 映画のようなテキストから動画への変換 | Wan 3.0 · Kling 3.0 · Seedance 2.5 · Grok Imagine · Happy Horse 1.0 · Veo 3.1 | 5秒 · 720p · 16:9 · 音声なし |
| キャラクターの一貫性 | Wan 3.0 · Kling 3.0 · Seedance 2.5 · Happy Horse 1.0 | 5秒 · 720p · 16:9 · 音声なし |
| 複雑なモーションとカメラ制御 | Wan 3.0 · Kling 3.0 · Grok Imagine · Veo 3.1 | 5秒 · 720p · 16:9 · 音声なし |
| セリフとネイティブ音声 | Wan 3.0 · Kling 3.0 · Seedance 2.5 · Grok Imagine | 5秒 · 720p · 16:9 · オリジナル音声での再生を希望 |
| 3拍子の陶芸物語 | Wan 3.0 · Kling 3.0 · Happy Horse 1.0 · Veo 3.1 | 15秒 · 720p · 16:9 · オリジナル音声での再生をリクエスト |
6種類のプロンプト遵守テストカード
試験完了 以下の5つのプロンプトは、それぞれの比較をまとめています。各プロンプトには少なくとも4つのモデルがあり、最初のシネマティックプロンプトには6つすべてが含まれています。返された所要時間は各ローカルMP4から測定されるため、途中で終了したルートは、隠れた品質スコアとして扱われるのではなく、「返された」と記述されます。.
プロンプト 1 · 6つのモデル · 5秒 · 720p · 16:9
映画のようなテキストから動画への変換
プロンプト 映画的なトラッキングショットが、長い赤いコートをまとった女性が、雨に濡れたネオンが輝く夜の通りを歩く姿を追う。彼女の背後で路面電車が通り過ぎると、彼女はカメラの方を向き、濡れた舗道に映る反射が自然に揺らめく。リアルな人物の動き、顔や服装の一貫性、浅い被写界深度、手ぶれを抑えた手持ち撮影、カットなし。.
Wan 3.0 GLBGPT
クリング3.0 GLBGPT
Seedance 2.5 GLBGPT
グロック・イマジン GLBGPT
ハッピーホース 1.0 GLBGPT
ベオ 3.1 GLBGPT · 5.04秒
- ワン： その女性の後を追って、曲がり角を通り過ぎ、背景の中をトラムを走らせていく。.
- クリング 雨の日の魅力的な光の雰囲気を保っているが、被写体は比較的動きがない。.
- Seedance 2.5： 後ろ向きの歩行、目に見える方向転換、路面電車の到着を、指定された順序で維持します。.
- グロック 赤いコート、雨、ネオンが輝く通り、そして路面電車がそのまま描かれており、路面電車が被写体の背後で横切っている様子がはっきりと見て取れる。.
- ハッピー・ホース： 女性の後ろから始まり、その後、アングルを切り替えて、よりクローズアップした顔ショットでターンとトラムを映し出す。.
- Veo: 赤いコートとトラムパスはそのままですが、カメラの動きは「Wan」や「Seedance」の出力に比べて静的です。.
タスクの観察結果：Seedance 2.5は、イベントの順序の一致度が最も明確であり、この6モデルのカードの中では、Wanがカメラとアクションのカバー範囲が最も広いです。.
プロンプト 2 · 4つのモデル · 5秒 · 720p · 16:9
参考画像なしでのキャラクターの一貫性
プロンプト 丸い銀色の眼鏡をかけ、緑色のベストを着て、左の眉の上に小さな傷跡がある、ある年配の時計職人を、ワンカットで撮り続ける。彼は懐中時計を手に取り、作業台から窓の方へ歩き、横顔を向けた後、再びカメラの方を向く。その間、顔、眼鏡、服装、年齢、傷跡は一切変わらないようにする。.
Wan 3.0 GLBGPT
クリング3.0 GLBGPT
Seedance 2.5 GLBGPT
ハッピーホース 1.0 GLBGPT
- Wan と Kling： 時計職人の特徴は残しているが、どちらの作品も眉の傷跡をはっきりとは表現していない。.
- Seedance 2.5： 年配の時計職人の姿、眼鏡、ベスト、そして作業台から窓へと続く動きがそのまま残されている。傷跡ははっきりとは見えない。.
- ハッピー・ホース： 横顔から正面への動きの中で、眼鏡とベストはそのまま保たれている。また、特徴的な傷跡もはっきりとは見えない。.
タスクの観察結果：4つすべてにおいて、顔の細部よりも全体的な特徴の方がより正確に再現されている。モデルレベルでの最優秀モデルは選定されなかった。.
プロンプト 3 · 4つのモデル · 5秒 · 720p · 16:9
複雑なモーションとカメラ制御
プロンプト 自転車に乗った人物が、人でごった返す地中海の市場を下りていく。カメラはローアングルの正面追跡ショットから始まり、滑らかに左側へと弧を描きながら移動し、やがて上空からの広角ショットへと切り替わる。露店商人たちは道を譲り、布製の天幕が風に揺れ、ひっくり返ったかごからオレンジが転がり落ちる。これらの一連の出来事はすべて、現実的な物理法則に従ってその順序通りに繰り広げられる。.
Wan 3.0 GLBGPT
クリング3.0 GLBGPT
グロック・イマジン GLBGPT
ベオ 3.1 GLBGPT
- ワン： 最も鮮明な前方追跡の動きを生み出し、上空からの視点へと切り替わります。.
- クリング 傾いたカゴと転がるオレンジが、よりはっきりと描かれています。.
- グロック 読みやすい「正面→横→頭上」の動きを完了させ、オレンジが視界に入るように保ちます。.
- Veo: サイクリストと市場はそのまま残しつつ、後半のコマでは日よけが主役となっている。イベントの全体的な順序は、あまりはっきりしない。.
タスクの観察結果：WanとGrokはカメラ経路のカバー範囲が最も広く、Klingはオレンジ色の細部の描写が最も優れている。.
プロンプト 4 · 4つのモデル · 5秒 · 720p · オリジナル音声での作成を希望
セリフとネイティブ音声
プロンプト 静かな電車の車内で、女性が「終点を乗り過ごしてしまったわ」と言います。向かいに座っている男性が「じゃあ、終点まで乗っていこう」と答えます。二人の声をはっきりと区別し、それぞれのセリフを正しい話し手に合わせて同期させ、電車の微かな環境音や車輪の音を盛り込み、音楽は追加しないでください。.
Wan 3.0 GLBGPT
クリング3.0 GLBGPT
Seedance 2.5 GLBGPT
グロック・イマジン GLBGPT
- 4つすべてのシーンで、2人の話し手が映っている列車内の個室の場面が描かれていた。.
- WanとKlingからは、保存された記録に5.04秒のステレオAACトラックが含まれていました。新しいSeedanceおよびGrokファイルについては、シーンの網羅性を確認しましたが、具体的な台詞内容や話者の割り当てについては、まだ管理された環境下での再生確認が必要です。.
- Seedanceでは、女性と男性が別々のアングルで映し出されていますが、Grokでは、ほとんどのフレームで両方の話者が同じ列車内に収められています。.
タスクの観察：4つの音声トラックがすべて文字起こしされ、同一のレビュー手順に従って聴取されるまでは、勝者は決定されません。.
プロンプト 5 · 4つのモデル · 15秒 · 720p · オリジナル音声希望
「マッチド・スリービート陶器」の物語
プロンプト 3つのつながったシーンで構成される、一貫性のある15秒の映画のようなストーリーを作りましょう。温かみのある陶芸工房で、さび色のエプロンを着た大人の職人がろくろを使って背の高い青い花瓶を成形しています。 その同じ職人が、同じ花瓶の周りに細い白い波模様を丁寧に描いています；完成した花瓶は、小さな緑の植物の横にある木製のテーブルの上に置かれ、背景では職人が微笑んでいます。作品全体を通して、同じ大人の職人、さび色のエプロン、青い花瓶、アトリエ、そして温かみのある照明を統一して維持してください。 自然なシーンの切り替え、リアルな手の動き、ろくろや筆の柔らかな音を取り入れ、ナレーションや音楽は使用しないこと。.
Wan 3.0 GLBGPT
クリング3.0 GLBGPT
ハッピーホース 1.0 GLBGPT
ベオ 3.1 GLBGPT
- ワン： 成形、塗装、展示を完了させる一方で、依頼された細い波模様をより幅の広い装飾模様へと広げている。.
- クリング 特徴的な白い波模様と錆色のエプロンを、より忠実に再現している。.
- ハッピー・ホース： 青い花瓶、白い波、そして最後の植物のディスプレイはそのままに、職人による額装が小節ごとに変化する。.
- Veo: 目に見える波と植物によって、花瓶の制作プロセスと最終的な展示が完成する。アイデンティティの連続性は、オブジェクトの連続性よりも不安定である。.
課題の観察：Klingは、文字通りの「ホワイトウェーブ」のディテールを最も鮮明に表現している。一方、Happy HorseとVeoは、物語の3つの展開を明確に捉えている。.
どのモデルを選ぶべきでしょうか？
Wan 3.0 を選ぶべき理由は：
- 大胆なカメラワーク
- より詳細な報道
- 動きの多いプロンプトのための強力な出発点
Kling 3.0 は、次のような用途に最適です：
- 文字通りの視覚的ディテールや模様
- キャラクターのセリフとリップシンクのワークフロー
- コンパクトなマルチショットシーン
Seedance 2.5 は、以下の用途に最適です：
- 順序付けられた映像的出来事
- 1つの短いシーンの中に、目に見える展開と背景での出来事が盛り込まれている
- 総合スコアよりもイベントの順序が重要となるプロンプト
次のような場合は、Grok、Happy Horse、またはVeoをお試しください：
- 2つ目のカメラの映像を見たい
- 読みやすいストーリー展開や対象の網羅性を重視している
- 本番運用前に、そのプロンプトを実際にテストすることができます
今回の比較では、6つのモデルすべてをGLBGPTを通じて利用しました。同じワークスペースで独自のプロンプトを実行し、返されたカードを比較して、プロジェクトで実際に必要な詳細を保持できる方法を選んでください。.
最終的なプロンプト遵守の判定
「万能のモデル」というものは存在しない。. この6つのモデルを用いたテストでは、タスクごとの最優秀モデルが明らかになりました。カメラの撮影範囲では「Wan 3.0」、陶器の模様そのものについては「Kling 3.0」、映画的なブリーフにおけるイベントの順序については「Seedance 2.5」がそれぞれ最優秀でした。「Grok Imagine」は市場でのカメラの移動経路をうまく処理し、 Happy Horse 1.0はキャラクターと陶器の展開を分かりやすく表現し続け、Veo 3.1はプロンプトごとに実行結果にばらつきが見られました。これらの結果は、これらのプロンプトと実行例に関するものであり、考えられるすべての動画ブリーフに当てはまるわけではありません。.
よくある質問
どの6つのAI動画モデルをテストしましたか？
GLBGPTを用いて、Wan 3.0、Kling 3.0、Seedance 2.5、Grok Imagine、Happy Horse 1.0、およびVeo 3.1のテストを行いました。.
すべてのプロンプトで複数のモデルが使用されましたか？
はい。各メインのプロンプトカードには少なくとも4つのモデルが含まれており、シネマティックカードには6つすべてが含まれています。これにより、1つのモデルごとに個別のプロンプトを設定するのではなく、各プロンプトを比較単位として維持することができます。.
どのモデルが、映画の出来事の順序を最も忠実に再現していたでしょうか？
Seedance 2.5は、このテイクにおいて、「赤服の歩行」「カメラへの向き換え」「路面電車の到着」を、求められた順序で最も明確に表現していた。Wan 3.0は、ペアで制作された映像作品において、カメラワークとアクションの描写がより充実していた。.
どのモデルが、視覚的な細部を最もよく再現できたでしょうか？
Kling 3.0 は、陶器の物語に登場する細い白い波を最も文字通り再現しました。これはタスクレベルの観察結果であるため、ロゴ、衣装、または線画のプロンプトについては、引き続き直接テストを行う必要があります。.
このマトリックスにおいて、Veo 3.1はどのような結果を示したのでしょうか？
Veo 3.1は、使用可能なシネマティックファイルを返却し、可視モーションおよび陶器のビート部分を完了させましたが、より長い再生時間が要求されていたにもかかわらず、モーションファイルは約4秒、陶器のファイルは約8秒でした。これらの短い再生時間は、実行の詳細として記録されており、普遍的な品質スコアには換算されていません。.
これらの動画は商用利用できますか？
商用利用の権利は、現在のプランおよびアクセス経路に付随する利用規約によって異なります。有料のクライアント向け作品や広告素材を公開する前に、最新の利用規約をご確認ください。.
情報源および試験証拠
- ヒッグスフィールドにおけるプロンプト遵守度の比較 — 同じプロンプトを用いた比較のアイデアに関する参考資料。.
- GLBGPTのタスク記録とローカルMP4出力 — 5つのプロンプトマトリックス、720p、16:9、各カードに設定が表示されています。.
- ローカル・コンタクトシート — 返却されたクリップ全体にわたって、イベントの順序、被写体の連続性、カメラの動き、および視認可能なディテールを確認するために使用されます。.
