商品デモ動画には、映画的な実験より厳しい役割があります。商品を認識できる状態に保ち、カメラの動きで訴求点を見せ、最終クリップを実際の配信先に合わせなければなりません。生成結果がラベルを変えたり重要な機能を落としたり、毎回5回分のナレーション録音をやり直したりするなら、そのコストはモデルランキングには表れません。
この記事では、Veo 3.1、Runway Gen-4.5、Kling 3.0を、次の5つの制作上の問いで比較します。
- モデルは商品リファレンスの特徴を保てるか。
- プロンプトで動きと構図をどれだけ制御できるか。
- この用途でネイティブ音声は重要か。
- どの画角と長さが配信先に合うか。
- 1つの細部が間違ったとき、次の修正にいくらかかるか。
すべての用途に当てはまる勝者はいません。Veo 3.1は音声を重視する参照画像ベースのショットに向いています。Runway Gen-4.5は視覚的な動きとプロンプト主導の演出に向いています。Kling 3.0は音声、長めのショット、フレームペア、エレメント制御をブリーフに含めたい場合に向いています。
Veo 3.1、Runway Gen-4.5、Kling 3.0の概要
| モデル | 最初に試したい用途 | 制御と入力の特徴 | 出力の特徴 | 主な修正コスト |
|---|---|---|---|---|
| Veo 3.1 | ナレーションや設計した音声付きの商品ショット | テキスト、1枚の画像、最初と最後のフレーム、モードにより最大3枚の参照画像 | 16:9または9:16、720p、1080p、4K。モデル側のネイティブ音声 | タイミングや音声が崩れると短い構成ショットを再生成しやすい |
| Runway Gen-4.5 | プロンプト主導のカメラ移動と視覚的なアクション | 現行APIモデルではテキストまたは開始画像1枚 | 2〜10秒、複数のアスペクト比 | 音声が別工程になり、映像と音の修正が分かれる |
| Kling 3.0 | 音声、フレーム制御、長めのショットを含む商品シーケンス | 現行のBanana AIモードではテキスト、画像、最初と最後のフレーム | Banana AIでは3〜15秒、3種類の比率、音声設定に対応 | 制御項目が増えるほど、再現可能なプリセットの検証が必要 |
商品デモ動画モデルの評価方法
承認済みの商品画像1枚とブリーフ1つから始めます。最初のフレームではなく、完成した結果全体を評価してください。
- 商品アイデンティティ： シルエット、ラベル部分、素材、色、ボタン、端子、反射を確認します。
- 動き： カメラの動きが魅力的な効果で機能を隠さず、商品の特徴を見せているか確認します。
- 音声： セリフ、効果音、タイミング、発音、ブランドの主張を支える音になっているか確認します。
- 出力条件： アスペクト比、長さ、解像度、構図、別編集が必要かを確認します。
- 修正コスト： 背景色やカメラ速度など1つだけ変更し、他に何が変わったかを記録します。
Veo 3.1：音声と参照画像を重視するショット向け
商品デモが参照画像と設計済みの音声レイヤーに依存するなら、Veo 3.1が最も分かりやすい出発点です。Googleの現行開発者向け資料では、ネイティブ音声、最初と最後のフレームによる指示、動画の延長、動画を導く最大3枚の参照画像が説明されています。文書化された出力経路には横向き16:9と縦向き9:16があり、720p、1080p、4Kに対応します。
