
文章から動画を生成
文章で説明したシーンには、Model Studioのhappyhorse-1.1-t2vを使います。店主が客に贈り物を差し出す場面など、登場人物と中心となる動作を指定します。このモードには専用のIDがあり、R2Vの参照画像の上限は適用されません。
テキスト、開始画像、複数の参照素材から動画のアイデアを形にできます。Model Studioの3つのモードすべてが、音声付きの生成に対応します。

文章で説明したシーンには、Model Studioのhappyhorse-1.1-t2vを使います。店主が客に贈り物を差し出す場面など、登場人物と中心となる動作を指定します。このモードには専用のIDがあり、R2Vの参照画像の上限は適用されません。

Model Studioのhappyhorse-1.1-i2vは、開始フレームの画像とテキストのプロンプトを使います。画像で冒頭の構図を決め、被写体の次の動作やカメラの動きを説明して、ショットを展開します。

Model Studioのhappyhorse-1.1-r2vは、1〜9枚の参照画像を受け付けます。見た目、服装、舞台など、それぞれの役割をプロンプトで指定します。画像形式はJPEG、PNG、WebPで、1枚あたり最大20 MB、短辺は400ピクセル以上です。
Model Studioは、HappyHorse 1.1のテキスト、開始画像、参照素材からの動画生成で、音声に対応するとしています。生成された音を映像と一緒に確認し、重要なセリフ、聞こえる出来事、画面内の動作とのタイミングを点検します。







| 比較項目 | HappyHorse 1.1 | Veo 3.1 | Wan 3.0 Prime |
|---|---|---|---|
| 入力フォーマット | テキスト、画像、複数画像の参照モード | 文章と画像、参考ビジュアル | 文章・画像・動画・音声。組み合わせはタスクによる |
| 主な方向性 | テキスト・画像・参照素材からの動画生成を個別モードで提供 | 音声と参考ビジュアルを使う動画生成 | 複数形式の参照素材を使い、複数ショットを生成 |
| オーディオ機能 | オーディオをサポートする T2V、I2V、および R2V | 映像とともに音声を生成 | ネイティブのダイアログ、音楽、エフェクト |
| 動画の長さの制限 | モデル スタジオ: T2V、I2V、R2V で 3 ~ 15 秒 | Gemini API:初回は4・6・8秒。参照画像や1080p・4Kには8秒が必要 | モデル スタジオ: 2 ~ 30 秒。ビデオ入力には合計時間制限があります |
| 出力解像度 | Model Studio: 3 つのモードすべてで 480P、720P、1080P | Gemini API:720p。8秒で1080p・4K、延長は720p | Model Studio:480P、720P、1080P |
| 推奨される用途 | テキスト、画像、または参考資料から計画されたキャラクターのインタラクション | 音、参考ビジュアル、続きの映像を中心に計画するシーン | 複数ショットの物語、参照素材を使うシーンづくり |
仕様確認日:2026年10月19日。サイズと制御は、記載された提供元とタスクに対応します。出典: Model Studio 動画モデルの仕様 · HappyHorse の最初のフレーム API · HappyHorse 参照画像 API · Google Veo 3.1 APIガイド · Wan Prime モデルガイド · Wan 3.0生成API · Wan 3.0生成ガイド
テキストや入力画像で人物と冒頭の場面を定め、動作や舞台の変化を説明します。人物の印象的な一瞬を軸にした動画に適しています。顔、手足、動きは注意深く確認してください。
各参照画像に、見た目、服装、舞台などの明確な役割を与えます。見た目の基準が決まっている動画の提案に適しています。参照素材どうしで矛盾する指示は避けます。
選んだ画像で冒頭を決め、表現したい動作と音を説明します。目に見える動作を支える音を加え、静止画から音声付きのシーンへ展開するコンテンツに適しています。
キャラクター シーン、ビジュアル リファレンス、静止画のモーションに関連するビデオ ワークフローを調べます。
Model Studioのhappyhorse-1.1-r2v APIは、JPEG、JPG、PNG、WebP形式の画像を1〜9枚受け付けます。1枚あたり最大20 MB、短辺400ピクセル以上である必要があります。プロンプトでは[Image 1]、[Image 2]などを使い、参照画像を区別します。
happyhorse-1.1-i2v APIは、開始フレームを使う方式です。冒頭の画像1枚と、その後の動きの説明を入力します。Model Studioは、開始・終了フレームによる指定をWan 3.0向けの別機能として記載しており、異なる入力方式です。
Model StudioはT2V、I2V、R2Vで、3〜15秒を整数単位で指定できるとしています。3つのモードすべてが、MP4形式、24 fpsで、480P、720P、1080Pの出力に対応します。
Model Studioは、テキスト、開始画像、参照素材からの動画生成で音声に対応するとしています。使用前に、映像と合わせて全体の音を聞き、発話、音の出来事、タイミングを確認してください。
提供元が説明する改善は、すべての出力を保証するものではありません。冒頭では同じ人物に見えても、振り向きや他者とのやり取りの途中で変わる場合があります。シーンで必要な人物の特徴と照らし合わせ、クリップ全体を確認してください。