今回は動画生成AIの比較やでー！
Sulphur2とMiniMax-H3、同じ環境で使ってみたら結構違いがあったんや。
Sulphur2とMiniMax-H3、同じ環境で使ってみたら結構違いがあったんや。
単純に新しい方が全部優秀、ってわけじゃなかったんだよな。
せやねん。
まず今回の生成環境は、RTX 4060 Ti 8GB、メモリ64GB。
動画は16：9、約0.4MP、12秒で比較したで。
まず今回の生成環境は、RTX 4060 Ti 8GB、メモリ64GB。
動画は16：9、約0.4MP、12秒で比較したで。
じゃあ、まず分かりやすいところから。
生成時間は？
生成時間は？
Sulphur2が約4分。
H3が約13分やった。
H3が約13分やった。
3倍以上かかるのか。
ここだけ見るとSulphur2が圧勝だな。
ここだけ見るとSulphur2が圧勝だな。
ところがそう簡単でもないねんなー。
まず原画の再現力は、Sulphur2の方がかなり強かった。
まず原画の再現力は、Sulphur2の方がかなり強かった。
ほぼ元のキャラクターのまま動く感じだな。
そうそう。
H3もかなり似せてくれるんやけど、ちょっと別人っぽくなる時があるんやわ。
H3もかなり似せてくれるんやけど、ちょっと別人っぽくなる時があるんやわ。
つまり原画をそのまま動かしたいなら、Sulphur2の方が扱いやすそうだな。
せやな。
でも動きの指定になると、H3が結構強いねん。
でも動きの指定になると、H3が結構強いねん。
Sulphur2は？
内容にもよるけど、指定した動きを一部分だけ再現して終わることがあるねん。
「歩いて振り返って手を振る」って頼んだら、歩いただけで終わる、とか？
そんな感じやな。
逆にH3は、ちょっと違う動きが混ざることはあるけど、指定した流れ自体はかなり拾ってくれるでー。
逆にH3は、ちょっと違う動きが混ざることはあるけど、指定した流れ自体はかなり拾ってくれるでー。
なるほど。
……「違う動きが混ざる」ってところが気になるけど。
……「違う動きが混ざる」ってところが気になるけど。
そこやねん。
H3、頼んでないことを結構やるねん。
嫌な予感しかしないな。
Sulphur2も、たまに途中で違うビューになったりするんやけどな。
H3はそれ以上に、指定してない動きをちょくちょく追加してくるんやわ。
H3はそれ以上に、指定してない動きをちょくちょく追加してくるんやわ。
勝手に演出を足してくるのか。
そう！
「ここ、ちょっと間が空いてますね。動かしときますね♪」みたいな勢いやね。
「ここ、ちょっと間が空いてますね。動かしときますね♪」みたいな勢いやね。
頼んでない。
しかも、よーしゃべる。
……頼んでないのに？
頼んでないのに。
Sulphur2も、たまーに謎言語でしゃべり出すことがあるんやけどな。
あと掛け声とか笑い声が勝手に入ったり、BGMが付くこともあるで。
あと掛け声とか笑い声が勝手に入ったり、BGMが付くこともあるで。
Sulphur2も完全に無口ってわけじゃないんだな。
うん。
でもH3は、謎言語でしゃべり出す頻度が結構高いねん。
でもH3は、謎言語でしゃべり出す頻度が結構高いねん。
音声生成能力が高いせいで、しゃべらせたくなるのか……？
ただし、ちゃんと台詞を指定した時の声はH3の方がかなり自然やったで。
そこは大きな違いだな。
Sulphur2は声質とか話し方をかなり細かく指定せんと、不自然になりやすかったわ。
H3は普通に台詞を書くだけでも、かなりそれっぽくしゃべってくれる。
H3は普通に台詞を書くだけでも、かなりそれっぽくしゃべってくれる。
掛け声とか笑い声は？
Sulphur2は勝手に入ることがある。
H3は台詞として指定してやれば、狙って入れられる感じやな。
H3は台詞として指定してやれば、狙って入れられる感じやな。
勝手にしゃべるくせに、指定した音声表現の制御はH3の方がしやすいのか。
ちょっと自由人やねん。
お前が言うな。
あとSulphur2には、もう一個ちょっと変わったクセがあるで。
まだあるのか？
15秒以上の動画を作ると、途中からテロップみたいな文字が勝手に出てくることがあるねん。
今度は勝手にテレビ番組にするな。
そして、一番差を感じたのがシーン切り替えやな。
Sulphur2ではかなり難しかったやつか。
せやねん。
Sulphur2は基本、一つのシーンをそのまま動かす方が得意。
Sulphur2は基本、一つのシーンをそのまま動かす方が得意。
H3は時間を区切って動作を書いたり、CUTを入れたりして、シーンを切り替える指定がかなりやりやすかった。
それなら、動画一本の中で演出を付けたい場合はH3の方が向いてそうだな。
というわけで、使ってみた印象をざっくり分けるとなー。
Sulphur2は、
「原画をなるべくそのまま動かすタイプ」。
「原画をなるべくそのまま動かすタイプ」。
原画忠実型だな。
H3は、
「原画を元に一本の映像を作ろうとするタイプ」やな。
「原画を元に一本の映像を作ろうとするタイプ」やな。
自律演出型、ってところか。
せやせや♪
H3の方が時間はかかるし、原画から少し離れることもある。
でも動き、声、カメラ、シーン切り替えまでまとめて作りたいなら面白い。
H3の方が時間はかかるし、原画から少し離れることもある。
でも動き、声、カメラ、シーン切り替えまでまとめて作りたいなら面白い。
逆に、元絵のキャラクターを崩さずに少し動かしたいだけなら、Sulphur2の方が使いやすい場合もあるわけだ。
つまり今回は、どっちが強いかというより――
何を作りたいかで選ぶモデルが変わる！
って感じやな♪
って感じやな♪
珍しくまともに締めたな。
ちなみにH3、台詞を指定してないキャラまで勝手にしゃべる時あるで。
締めた直後に不安要素を追加するな。
| 比較項目 | Sulphur2 | MiniMax-H3 |
|---|---|---|
| 原画再現力 |
かなり高い ほぼ原画のキャラクターを維持したまま動かせる |
高い かなり似たキャラクターになるが、少し別人っぽくなることもある |
| 生成時間 | 約4分 | 約13分 |
| 指定した動き | 内容によるが、指定した動きの一部分だけ再現されることがある | 異なる動作が混ざることはあるが、指定した流れをおおむね再現してくれる |
| 指定していない動き |
比較的少ない たまに途中で異なるビューになることがある |
多め 指定していない動作や演出が、ちょくちょく追加される |
| キャラクターの声 | 声質や話し方を細かく指定しないと、不自然になりやすい |
かなり自然 通常の台詞指定でも比較的自然にしゃべる |
| 指定していない発声 | たまに謎言語でしゃべり出すことがある | 比較的よく謎言語でしゃべり出す |
| 掛け声・笑い声 | 指定していなくても、勝手に入ることがある | 台詞として指定することで、掛け声や笑い声を入れられる |
| BGM | 入ることがある | 入ることがある |
| シーン切り替え |
難しい 基本的には一つのシーンを動かす方が得意 |
簡単 時間指定やCUTを使って、シーンを切り替えやすい |
| 全体的な特徴 |
原画忠実型 元のイラストをなるべく維持しながら動かしたい場合に向いている |
自律演出型 動き・音声・カメラ・シーン構成まで含めて映像として作ろうとする |
| 長尺生成時の挙動 | 15秒以上になると、テロップのような文字が勝手に表示されることがある |
同様のテロップ表示は確認できず ※長尺は生成時間が非常に長いため、試行回数は少なめ |
※生成環境：RTX 4060 Ti 8GB / メモリ64GB
※生成条件：16：9 / 約0.4MP / 12秒
※結果は今回使用した環境・ワークフローでの実測および使用感です。