チュートリアル
Vidu 参照動画生成 API 実践:5 つの高価値な業務シーンにおける導入要点
素材構造から呼び出しチェーンまで:「参照画像/参照動画 → 動画」を実際の業務に落とし込む
このページの内容
参照動画生成とテキスト動画生成のエンジニアリング上の違い
vidu-q3-ad/reference-to-video を業務に組み込む前に、まず直感を正す必要があります。これは「より上手に書かれたテキスト動画生成」ではなく、入力構造が変わったモデルです。テキスト動画生成の唯一の入力は prompt であるため、エンジニアリングの重心は自然とプロンプト調整に置かれます。参照動画生成には参照素材という分岐がもう一本追加されます。画像や動画が主体とスタイルのアンカーとなり、prompt は「何が起こるか」を記述する役割に退化し、「どのように見えるか」を担わなくなります。
この違いは呼び出しチェーンを直接書き換えます:
- 素材チェーンが一等市民になる:参照素材のアップロード、検証、保存、バージョン番号は、prompt テンプレートを管理するのと同じように管理しなければなりません。そうでなければ、同じコードが異なる結果を出したときに原因を特定できません。
- prompt の責務が狭まる:主体の外観は参照素材に任せ、prompt は動作、カメラ、リズム、シーンのみを記述します。これにより「同じ文が毎回顔を変える」という揺らぎを減らせます。
- 出力は依然として動画:非同期タスク、ポーリング、結果の永続化という一式はテキスト動画生成と同じであり、既存のタスクフレームワークを再利用できます。
能力の境界も事前に揃えておく必要があります。モデルが保証できるのは参照素材が表す主体とスタイルが完成映像の中で継続することであり、ピクセル単位の複製や、参照素材に現れない内容をゼロから補完することではありません。業務が「参照画像と 100% 一致」を求めるシーンでは、受け入れ基準の段階でまず「主観的な一致性の達成」に格下げすべきです。
したがって、導入可否を判断する最初の問いは「効果が派手かどうか」ではなく、「主体一致性の業務価値が、単回生成コストと人手による抜き取り検査コストを上回るか」です。この判断基準は以降のすべてのシーンに貫かれます。

シーン 1:商品と広告素材の複数バージョン文案動画
広告素材は参照動画生成が最も直接的に実装できるシーンです。商品の外観は比較的固定されており、必要とされるのは同一商品の複数のショート動画バージョンで、異なる顧客層、異なるセールスポイント、異なる掲載枠の A/B テストに使います。
素材の準備
- 各商品ごとにメイン参照素材(多角度の画像または一段の紹介動画)を一套維護し、バージョン番号を固定します。例えば
sku_1024_ref_v3。素材が更新されたらバージョン番号を増やし、旧バージョンは遡及用に保持します。 - 参照素材の品質がそのまま産出品質を決めます。主体が中央にあり、照明が均一で、背景がきれいで、遮蔽のない素材は、完成映像の安定性が明らかに良くなります。同一 SKU の参照素材は異なる撮影バッチを混用しないでください。そうしないと主体の色と質感がバージョン間で漂流します。
呼び出しチェーン
最小のチェーンは次のとおりです。SKU 参照素材を読み込む → セールスポイントのテンプレートに従って prompt を組み立てる(動作、カメラ、シーン、長さ)→ 生成タスクを送信する → 完了までポーリングする → 結果を素材ライブラリに書き込み、「SKU + 参照バージョン + パラメータセット」の三要素タグを付ける。
複数バージョンの産出は、盲目的に prompt を繰り返し調整するのではなく、パラメータマトリクスによって行います。カメラの動き、シーンの雰囲気、長さを制御可能な次元として組み合わせ、各組み合わせを一度だけ実行し、結果を記録します。こうして産出されるのは「動画の山」ではなく「説明可能なバージョンの集合」です。
バージョン管理の要点
各生成結果を一条の記録として登録し、少なくとも以下を含めます。参照素材バージョン、prompt テンプレートバージョン、生成パラメータ、所要時間、人手による評価。あるセールスポイントのバージョン効果が落ちたとき、「素材が変わったのか、テンプレートが変わったのか、パラメータが動いたのか」を数分で答えられるようにします。運任せで再実行するのではありません。この登録表自体が、後のバッチ拡大時のコスト見積もりの根拠にもなります。

シーン 2:ブランドとキャラクター形象の一貫性ある展開
業務上の要請が「同一のキャラクター/マスコット/バーチャル代言人が繰り返し登場する」であるとき、参照動画生成の価値は最も集中しますが、適用条件も最も厳しくなります。
適用条件
- 主体に安定した視覚的定義がある:ブランドキャラクターには固定された形象規範(造型、配色、比率)が必要であり、参照素材はその規範を視覚化した表現であって、その辺のラフスケッチではありません。
- 変化が「シーンと動作」の層で起こる:同一キャラクターが異なる祝日、異なるイベント、異なる感情の下で登場する短編は、主体が変わらず状況が変わる——これこそ参照素材が主体を固定し、prompt が状況を記述する分業です。
- スタイル化を受け入れられる:業務がカットを跨いで完全に統一された精細な造型を求めるなら、参照動画生成は前期提案と素材補完のツールとして位置づけ、最終成片の源にはしないでください。
失敗モードと排查
キャラクター系シーンで最も典型的な失敗は「主体の漂流」と「特徴の喪失」です。排查の順序は固定して三步にすることをおすすめします:
- まず参照素材を調べる:互いに衝突する複数の参照バージョンが同時に使われていないか、参照素材自体の解像度が不足していないか、主体の占有率が小さすぎないか。
- 次に prompt が越権していないか調べる:prompt に大量の外観記述があると、参照素材と解釈権を争い、不一致を起こします。記述的な文字を動作と状況だけに削ると、すぐに改善することがよくあります。
- 最後にパラメータの揺らぎを調べる:同じ素材、同じ prompt で複数回生成したときの一致性の分布はどうか。まず小サンプルで達成率を測り、それからパラメータセットを固定する必要があるか決めます。
「何十回も走らせて一本選ぶ」で不安定さを覆い隠してはいけません。それは排查コストを課金コストに転嫁しているだけで、問題は依然として存在します。
シーン 3:既存素材の再創作と二次編集の前段
多くのチームはすでに撮影済みの素材を持っており、足りないのはショットの補完です。トランジションに空鏡が一つ足りない、ナレーションに雰囲気の断片が一段足りない、製品ページに展示アニメーションが一段足りない。ここでの参照動画生成の位置づけは「編集への素材供給者」であり、「成片生成器」ではありません。
典型的な使い方
- 既存動画のキーフレームや断片を参照として、同スタイルの補完ショットを生成し、編集リズムの隙間を埋める。
- 製品画像を参照として、短い長さの動的展示断片を生成し、既存動画の固定位置に挿入する。
つなぎ目の注意点
- 画面の連続性はパラメータで担保するのであり、運ではない:補完ショットは元素材と構図、色調、運動速度で近づける必要があり、これらは prompt とパラメータセットに書き込み、生成後に元素材と同じ画面で比較します。
- 長さは編集の不足分に合わせて与える:参照動画生成は出力秒数で課金されるため、10 秒生成して 3 秒に裁つのは純粋な浪費です。まず編集の不足時間を定め、それから対応する長さのタスクを送信します。
- 接口が一致する範囲は限られる:補完ショットの先頭と末尾のフレームは自動的に元素材とシームレスにつながりません。トランジション部分は依然として編集手段(ディゾルブ、裁ち、音楽付け)で処理する必要があり、導入案にはこの人手工程をあらかじめ確保しておきます。
このシーンを「編集者への素材供給」と理解し、「編集者の代替」としないことで、期待管理はずっと円滑になり、受け入れ基準も書きやすくなります。生成された断片がタイムラインに組み込めて、観客が違和感を覚えなければ達成です。
シーン 4:インタラクティブでパーソナライズされたコンテンツ生成
ユーザーがトリガーする生成シーン(例:一文を入力して本人の形象やペットの形象を伴う短編を生成する)は遅延に極めて敏感ですが、参照動画生成は本質的に非同期タスクであり、この両者の落差はアーキテクチャ層で解決しなければなりません。
チェーン設計
ユーザー操作 → パラメータ検証とクォータチェック → 生成タスクを送信し直ちにタスク ID を返す → フロントエンドはポーリングまたはプッシュ方式で待つ → 完了後に永続化し再生アドレスを返す。鍵は「待機」を製品体験の一部として設計することであり、同期的なインターフェースのふりをすることではありません。
事前に決めておくべき三つの問題
- 待機の上限:各タスクにタイムアウト閾値を設定し、タイムアウトしたら失敗分岐に入りユーザーに通知します。ユーザーを無期限に待たせてはいけません。
- 結果のキャッシュ:「参照素材の指紋 + prompt + パラメータ」をキャッシュキーにします。同じ入力がキャッシュにヒットしたら履歴結果を直接返し、重複課金を省き、二次リクエストの応答時間も大幅に短縮できます。パーソナライズシーンでは、同一ユーザーの繰り返しリクエストの確率は低くありません。
- 失敗時の降級:タスクが失敗したとき、その場でいつまでも再試行してはいけません。業務設定に従って再試行上限を設け(1 回以内を推奨)、超えたらあらかじめ用意した汎用素材や静止画に降級し、ユーザー側のフローが中断しないようにします。
さらに「ユーザー入力」と「参照素材」を区別する必要があります。ユーザーがアップロードした写真が参照素材であり、送信前に一度品質検証(サイズ、主体の可視性)を行い、不合格なら入力側でブロックします。タスクを途中まで走らせて失敗させるよりずっと安く済みます。

シーン 5:バッチ素材生産の品質抜き取り検査フロー
バッチの意義は一度に千本生成することではなく、千本の中に予測可能な合格率があり、その合格率がどれくらいかを継続的に把握できることです。
抜き取り検査の階層化
- 初回は小サンプルを全数検査:新しいパラメータセットや新しい参照素材バージョンを投入する前に、まず 10〜20 本を走らせ、すべて人手で確認し、主体一致性、動作の合理性、画面の清潔さを確かめます。
- 安定後は比率で抜き取り:パラメータセットが安定したら、固定比率(例:各バッチの 10%)で抜き取り検査し、バッチ的な偏移が現れていないかに重点を置きます。
- 異常時は全数検査:抜き取り検査で系統的な失敗(例:ある種の参照素材が普遍的に歪む)が見つかったら、そのバッチを全量再確認し、対応するパラメータセットを凍結します。
採点と回帰
各抜き取り検査結果に軽量な点数(可通過/要修正/不合格)を付け、失敗原因を分類して記録します。主体の漂流、動作異常、画質不足、長さ不一致。これらの分類データは総合点よりも有用です。次回に素材を変えるべきかパラメータを変えるべきかを直接指し示すからです。
回帰比較のやり方は次のとおりです。「黄金サンプル」(参照素材と prompt をともに固定)の一群を固定し、パラメータやテンプレートを調整するたびにこのサンプル群を再実行し、履歴結果と並べて比較します。黄金サンプルが達成基準に達しなければ、変更が回退を持ち込んだことを意味するので、まずロールバックしてから最適化を語ります。
人件費は予算に計上する必要があります。抜き取り検査の工数も生成課金と同じくこのシーンの限界費用であり、バッチ規模は「検査チームがどれだけ審査できるか」から逆算して決めるべきで、インターフェースの並列上限で決めるのではありません。
コストモデルと導入前評価チェックリスト
参照動画生成の課金口径は出力秒数に基づく課金であり、これはコストが長さに比例して線形に増えることを意味し、「長尺動画で単価が薄まる」効果はありません。見積もり方法は非常に直接的です。単回コスト ≈ 出力長さ × 単価 × 想定試行回数、さらに業務量を掛けます。要点は後ろ二項が見積もられやすいことです。再試行と廃棄映像こそが最も制御を失いやすい部分です。
コスト制御の三つの硬い制約
- 長さ予算を先行させる:製品側で各シーン種別の長さ上限を先に定義し、接口層で検証し、超過したら直接拒否します。生成後に裁つのは浪費です。
- 再試行上限を固化する:コードに最大試行回数を書き込み、「失敗したらもう一度」という口を残しません。効果の問題は排查で解決すべきで、再実行で解決するものではありません。
- キャッシュと重複排除:同じ入力を重複して送信せず、バッチタスクはバッチ単位で重複排除し、同一素材が異なるフローで繰り返し生成されるのを避けます。
リリース前評価チェックリスト
- 対象シーンは本当に主体一致性に依存しているか?雰囲気の画面が一段欲しいだけなら、テキスト動画生成のほうが簡単かもしれません。
- 参照素材はすでに安定し、規範化され、バージョン番号付きの来源があるか?なければまず素材規範を整え、それから導入を語ります。
- 小サンプルの一致性達成率は業務が受け入れられる閾値に達しているか?達していなければバッチに入りません。
- 出力長さと再試行上限は製品側と技術側で揃っているか?
- 生成結果の登録表(素材バージョン、パラメータ、評価)は実装されているか?これがなければ、後の最適化は語る術がありません。
- 明確な人手抜き取り検査の手配と工数の分担があるか?
このチェックリストの意義は、「使えるかどうか」を「使う価値があるか、安定しているか、維持できるか」という独立に答えられる三つの問いに分解することです。まず小サンプルで一致性達成率を測り、それからバッチ導入を語るのが、このモデルを生産チェーンに入れる最も堅実な道です。
よくある失敗モードと排查順序
効果が期待に達しないとき、最もよくある誤った反応は呼び出し回数を増やすことです。以下の順序で固定して排查することをおすすめします。各ステップで一类の原因を排除できます。
第一步:参照素材の品質
参照素材が鮮明か、主体が完全に見えているか、不一致なバージョンが混用されていないかを確認します。「主体が似ていない」問題のほとんどはこのステップで特定できます。素材の問題は prompt を調整して解決すべきではありません。
第二步:パラメータと prompt の一致性
同じ比較の中で、素材バージョン、prompt テンプレート、生成パラメータが本当に一貫しているかを確認します。エンジニアリング上で最もよくある「効果が良くなったり悪くなったりする」の源は、どこかでこっそりデフォルトパラメータを変えた、あるいは素材を替えたのにバージョン番号を変えていないことです。
第三步:prompt が越権していないか
prompt に外観とスタイルの記述が大量に積み重なっていると、参照素材と衝突します。prompt を動作、カメラ、シーンに収束させ、一致性が回復するか観察します。
第四步:再試行戦略が問題を覆い隠していないか
ログで同一タスクが何回再試行され、毎回どのカテゴリで失敗しているかを確認します。失敗が同一類の素材や同一組のパラメータに集中しているなら、系統的な問題であり、再試行はコストを増幅するだけです。
第五步:タスクチェーン自体
タイムアウト、アップロード失敗、結果の未永続化などエンジニアリング側の問題を排查し、モデル効果の問題と区別します。二類の問題は修復動作がまったく異なり、混ぜて排查すると互いに干渉します。
この排查順序をチームドキュメントに書き込むことが、どんな prompt テクニックよりも産出を安定させます。効果が回退したとき、チームが呼び出し量の積み増しではなく、素材とパラメータから着手することを保証するからです。