Googleの新たなAIツール！テキストから動画を生成する「VideoPoet」について解説

はじめに

Googleがテキストから動画を生成することができる、「VideoPoet」を発表しました。
VideoPoetは、単純なテキストや画像から、ビデオコンテンツを生み出す能力を持っています。この記事では、VideoPoetとは何か、どんな技術と特徴があるのかわ詳しく解説していきます。
ぜひ最後まで読んでみてください！

公式サイトはこちら
https://sites.research.google/videopoet/

ARCHETYP Staffingでは現在クリエイターを募集しています。
エンジニア、デザイナー、ディレクター以外にも、生成AI人材など幅広い職種を募集していますのでぜひチェックしてみてください！

現在募集中の求人はこちら

VideoPoetとは何か？

引用元：https://sites.research.google/videopoet/
「VideoPoet」という名前を聞いても、その機能や可能性をすぐには理解できないかもしれません。
そこで、このセクションでは、VideoPoetが何であるか、どのように機能するのか、そしてなぜこれが重要なのかを明確にします。

基本概念
VideoPoetは、Googleが開発した最新の動画生成AIツールです。
簡単に言うと、VideoPoetはテキストや静止画を入力として受け取り、それに基づいて動画を創出します。
これにより、ユーザーは自分のアイデアやビジョンを動画という形で瞬時に表現することができます。

機能と可能性
VideoPoetの最大の魅力は、その多様な機能性にあります。
例えば、ユーザーが簡単な英文を入力すると、それに基づいた動画が生成されます。さらに、画像を入力すれば、その画像をベースに動画が作成されるという機能もあります。
動画のスタイル変更、動画の編集や加筆、さらには動画から音声を生成する機能まで、VideoPoetは多岐にわたる用途に対応しています。

ユーザーエクスペリエンス
VideoPoetはユーザーフレンドリーなインターフェースを持ち、簡単に操作することが可能です。
誰もが簡単にプロフェッショナルな動画コンテンツを制作できるようになってきています。

次のセクションでは、この技術がどのように市場において競合他社と比較されているのかを探ります。

VideoPoetの技術

引用元：https://storage.googleapis.com/videopoet/paper.pdf
VideoPoetは、その独創的な機能を支える多数の先進技術によって特徴づけられています。
ここでは、このツールがどのようにしてテキストや画像から動画を生成するのか、その背後にある技術的なメカニズムを探ります。

大規模言語モデル（LLM）の活用
GoogleのVideoPoetは、大規模言語モデル（LLM）を基盤としています。
LLMは、大量のテキストデータから言語のパターンを学習し、その知識を用いて新しいコンテンツを生成する能力を持つAIモデルです。
この技術は、単に言葉を理解するだけでなく、それを動画という形で視覚化することも可能にします。

大規模言語モデルLLMについてはこちらの記事で詳しく解説しています！
https://staffing.archetyp.jp/magazine/llm/

ユニークなトークナイザーの使用
VideoPoetは、動画と画像に「MAGVIT V2」、音声に「SoundStream」という独自のトークナイザーを使用しています。
トークナイザーは、入力されたデータ（テキスト、画像、音声）を小さな情報の単位（トークン）に分解し、それを基にAIが動画を生成するための基礎データとします。
これにより、より複雑でリアルな動画生成が可能になっています。

生成プロセス
VideoPoetの生成プロセスは、動画制作を超えたものです。
ユーザーが提供するテキストや画像は、トークナイザーによって分析され、その後、AIがこれらの情報を元に動画を生成します。
このプロセスでは、動画の視覚的品質、動きの流れ、音声の同期など、多くの要素が考慮されます。

豊富な動画生成機能
VideoPoetは、さまざまな動画生成機能を搭載しています。
ユーザーは、テキスト入力から、動画スタイルの変更、動画の編集や加筆、そして動画から音声を生成するまで、幅広い操作を行うことができます。
この柔軟性は、クリエイティブなプロジェクトにおいて、多くの可能性を秘めています。

市場における競合との比較

引用元：https://storage.googleapis.com/videopoet/paper.pdf
VideoPoetは、AIによる動画生成の領域において、他の多くのツールと比較されることがあります。
このセクションでは、VideoPoetがどのようにこれらの競合製品と異なるのか、そして市場におけるその独自の立ち位置を探ります。

競合製品との比較
市場には、RunwayやPikaのような他の消費者向け動画生成ツールも存在します。
これらのツールも高品質な動画を提供しますが、VideoPoetは特に動画の一貫性と質の面で優れています。多くの競合製品は、短い動画や限られた動きの生成に特化していますが、VideoPoetは長時間にわたる動画や、より自然でリアルな動きの生成が可能です。

ユーザー評価の観点から
実際のユーザー評価においても、VideoPoetは高い評価を受けています。
特に、動画の品質、動きの自然さ、そしてクリエイティブな表現の幅の面で、多くのユーザーからの支持を得ています。これは、Googleが市場調査で行った比較テストでも明らかになっており、多くの参加者がVideoPoetによって生成された動画を、他のモデルよりも優れていると評価しています。

AIによる動画生成の分野でのこの進歩は、クリエイティブな表現の新たな可能性を広げ、さまざまな分野での応用が期待されています。

Runwayについてはこちらの記事で詳しく解説しています！
[Runway Gen-2: テキストから動画へ、クリエイティブな表現の新次元！]
https://staffing.archetyp.jp/magazine/runway-gen-2/

[Runway Gen-2の新機能「Motion Brush」の使い方を解説！]
https://staffing.archetyp.jp/magazine/runway-gen-2-motion-brush/