4つのモデルで、最大2K・4〜30秒の動画を作れます。そのうち4つは音声付きです。料金は1本25クレジット（$0.25）から。サブスクなしで、クレジットに有効期限はありません。 Artificial Analysis Text to Video Arena（2026年10月30日確認）では、Wan 3.0が1位（Elo 1,175）、MiniMax H3が3位、Seedance 2.5が4位です。
起きてほしいことを文章で書き、モデルを選ぶだけで、数分後には音声付きの動画ができます。テキストから動画を生成するAIを4つ、同じ画面で使い分けられます。料金は生成する前に表示され、1回ごとに購入するクレジット（生成に使う残高）で支払います。失敗した生成のクレジットは自動で戻ります。
それぞれにプロンプト、モデル、zzo.aiでの料金を表示しています。選ぶと、その内容から始められます。
最初はSeedance 2.5（シーダンス）が選ばれています。最長30秒の長回しならWan 3.0かKling 4.0（Kling AI）、手早く安く下書きを作るならMiniMax H3（Hailuo AI）に切り替えます。それぞれの特徴と料金は下の表にまとめています。
まずカメラ（寄りか引きか、どう動くか）、次に画面に映る人や物、その動き、聞こえる音の順に書きます。セリフは引用符で囲みます。詳しくはページ下のプロンプトの書き方を参照してください。
秒数、解像度、アスペクト比（リール、TikTok、ショート向けの縦動画なら9:16）、音声の有無を選びます。設定を変えるたびに料金が更新されるので、クレジットを使う前に確認できます。
ほとんどの動画は数分で完成し、履歴に残ります。言い回しは短い秒数や低い解像度で試し、気に入ったプロンプトを本番の画質で生成すると無駄がありません。
2026年10月30日更新
| モデル | 動画の長さ | 最高解像度 | 音声 | アスペクト比 | 5秒の動画 | 10秒の動画 | Arena順位 |
|---|---|---|---|---|---|---|---|
| Seedance 2.5 | 4–15s | 1080p | あり | 16:9, 9:16, 1:1, 4:3, 3:4, 21:9 | 300クレジット$3.00 | 595クレジット$5.95 | 4位・Elo 1,157Dreamina Seedance 2.5 |
| Kling 4.0 | 5–30s | 1080p | あり | 16:9, 9:16, 1:1, 21:9 | 160クレジット$1.60 | 315クレジット$3.15 | 順位なし |
| Wan 3.0 | 5–30s | 1080p | あり | 16:9, 9:16, 1:1, 4:3, 3:4 | 100クレジット$1.00 | 200クレジット$2.00 | 1位・Elo 1,175 |
| MiniMax H3 | 5–15s | 2K | あり | 16:9, 9:16, 1:1, 4:3, 3:4, 21:9 | 40クレジット$0.40 | 80クレジット$0.80 | 3位・Elo 1,161MiniMax H3 (768p) |
動画の料金は720p・音声付き（MiniMax H3: 768p）で、各モデルのいちばん安いバージョンの価格です。解像度を上げると料金も上がります。 Arena順位は、ブラインドの1対1比較の投票による順位とEloスコアです（AA-Video-T2V v2.1, with audio、2026年10月30日確認）。出典： Artificial Analysis Text to Video Arena
各サンプルに、実際のプロンプト・設定・料金を載せています。上の生成画面でそのまま使うことも、編集してから使うこともできます。
Wan 3.0
日の差す部屋に置かれた花瓶へ、ゆっくり寄っていくワンショット。プロンプトはFuserによるWan 3.0とSeedance 2.5の比較テストから引用しています。
“Slow dolly-in on a matte terracotta vase standing on a travertine plinth in a sunlit plaster room. Late-afternoon light slides slowly across the wall as dust drifts through the beam. Calm, premium product film, shallow depth of field. Audio: soft room tone and a faint breeze.”
ヒント：カメラの動きは1本につき1つ、速さも添えて書きます（例：「slow dolly-in」）。
Seedance 2.5
Seedance 2.5は9:16で、横長の映像を切り抜くのではなく最初から縦の構図で描き、音も付けます。1文だけのプロンプトはByteDance自身のチュートリアルにあるものです。
“A strawberry sandwich cookie slowly completes one full rotation while the camera moves smoothly around it and keeps the product centered.”
ヒント：被写体は画面の中央に。字幕やアプリのボタンに隠れにくくなります。
MiniMax H3
レンズを見て、書いたとおりのセリフを言い、周りには厨房の音。高速版のH3 Max Turboで生成しました。
“A chef in her forties looks straight into the camera in a bright open kitchen and says, "The secret is you never crowd the pan." She smiles and turns back to the stove. Clean daylight from a window, white tile, flour on her apron, a strand of hair loose. Medium close-up, 50mm, slight handheld. Sound: her voice close and clear, a gentle sizzle, a knife on a board off screen.”
ヒント：セリフは引用符で囲み、誰がどう言うかを書きます（「looks straight into the camera … and says, “…”」）。
Kling 4.0
時間を区切った6つの動きが、途切れない1テイクの中でそれぞれの時間に収まっています。プロンプトはFuserのKling 4ガイドから。Fuserの結果と同じく、プロンプトが求めた直射フラッシュの雰囲気ではなく、柔らかい昼の光になりました。
“One unbroken handheld take, direct-flash 35mm snapshot look, fine grain, white tile and bright window light. 0-5s: from behind, a young pastry cook in a white jacket and a long black apron pipes the last pale-yellow buttercream flowers onto a small white cake on a scrubbed wooden bench in a narrow tiled pantry, steel bowls stacked on the shelves. 5-10s: she puts the piping bag down, turns the cake once on its plate to check it from every side, and straightens one flower with a fingertip. 10-15s: she lifts the cake on its plate, turns and carries it through the cramped kitchen past hanging ladles and a steaming stockpot, the camera following at shoulder height. 15-20s: she shoulders open a back door into a quiet, sunlit courtyard and walks across the flagstones. 20-25s: she sets the cake down on a weathered table laid for one and steps back to look at it. 25-30s: she wipes her hands on the apron and walks back inside, leaving the cake alone on the table in the sun. Sound: piping bag squeeze, a pot lid rattling, the door creak, birds outside.”
ヒント：「One unbroken take」で始め、5秒ごとに1つの動きを割り当てます（「0-5s: …, 5-10s: …」）。
Kling 4.0
きれいな腰投げで、手足は最後までそれぞれの人物のまま。着地の音も入っています。ただしカメラは、プロンプトが求めた低い手持ちの動きではなく固定のままでした。
“Real-time speed, 35mm documentary look, flat daylight from tall paper windows in an old wooden dojo with straw-yellow tatami. Two women judoka, one in a white judogi and one in a deep blue judogi, grip each other's lapels and sleeves. The woman in white steps in, turns her hip under her opponent and throws her in a clean hip throw; the woman in blue rotates over her hip through the air, lands flat on her back with a loud slap of the mat and immediately rolls up to her knees. Camera: low handheld, side-on, following the throw. Sound: bare feet on tatami, a sharp exhale, the slap of the landing.”
ヒント：誰が何をするかを服装で区別します（「the woman in white … the woman in blue」）。モデルが2人を取り違えにくくなります。
Seedance 2.5
金属やガラスに当たる光は、Seedance 2.5がいちばん得意とするところです。プロンプトはスタイル、マクロで寄る1つの動き、素材を指定しており、暗いつぼみから光とともに花が開くまでを、そのとおりに描いています。
“The theme is "mechanical flower bloom". The image needs to highlight the generative video model's strengths in lighting and shadow, art detail, realism, camera movement, and cinematic character feel. The overall style is a high-end tech-brand ad with strong visual impact. The video uses a single-take macro push-in shot, starting from a metal flower bud in darkness, gradually entering the precision mechanical structure inside the petals, and finally climaxing on the image of the mechanical flower fully blooming with light radiating outward. It requires realistic physical lighting, refined metal and glass materials, delicate mechanical motion, stable composition, cinematic color grading, no subtitles.”
ヒント：自社の商品でも同じ構成で書けます：スタイル、ショット1つ、素材、「no subtitles」。
Wan 3.0
書いたとおりにセリフを言い、そのあと中華鍋から炎が上がります。プロンプトはKreaによるSeedance 2.5とWan 3.0の比較テストから。そのテストでもWan 3.0は炎を出し、Seedanceは出しませんでした。背景の看板の文字は意味のない文字です。
“Medium close-up, 50mm. A night-market noodle vendor in a white apron stands behind a steaming wok under bare hanging bulbs. He looks into the camera and says: "Thirty years. Same pan, same recipe." Then he tosses the noodles high and flames jump up from the wok. Camera: gentle living handheld that barely breathes, slight push-in. Audio: his voice, sizzling oil, crowd chatter, distant scooters. Photorealistic, warm practical light.”
ヒント：セリフを先に、大きな動きをそのあとに置きます（「first …, only then …」）。
MiniMax H3
粘土の質感とコマ送りのような動きが最後まで続きます。指示していないのに、4秒あたりでアップに切り替わりました。
“Stop-motion claymation: a round green frog in a knitted scarf carries a stack of pancakes across a tiny kitchen set, sets it down, then looks at camera and blinks. Visible fingerprints in the clay, felt walls, warm practical lamps, stepped 12fps motion. Sound: playful pizzicato strings, soft clay squeaks, a plate clink.”
ヒント：カットを入れたくないときは「one continuous shot」と書き添えます。
プロンプトに入れる内容を、モデルが読み取りやすい順に並べました。
ショットの大きさ、レンズやカメラの動きを先に書き、そのあとに被写体、動き、光を続けます。多くのプロンプトガイドがこの順番を勧めており、モデル側のプロンプト書き換えでも、構図を先頭に書いたほうが保たれやすくなります。
“Medium close-up, 50mm, slow push in. A night-market noodle vendor in a white apron stands behind a steaming wok…”
5秒の動画で無理なく収まるのは動き1つです。長い動画では、動きごとに時間の範囲を書きます。Fuserの計測ではWan 3.0のカットは書いた時刻から1フレーム以内に入り、FuserのKling 4ガイドは5秒に1つの動きを目安にしています。
“0-5s: she pipes the last flower. 5-10s: she steps back and wipes her hands…”
Kling 4.0は初期設定でマルチショット（途中でカットが入る）になり、Wan 3.0も途中で別アングルに切り替わることがあります。どちらの開発元のガイドも、1行目にそう書くことを勧めています。
“One unbroken take, no cuts. The camera follows…”
セリフは引用符で囲み、誰がどの言語で話すかを書き、動画の前半に置きます。最後の1秒に置いたセリフは、言い終わる前に切れがちです。
“He looks up and says in English, “Thirty years, same pan, same recipe.” Only then the wok flares.”
ここにあるモデルはどれも音を生成し、指示がなければ自分で選びます（たいていはBGM）。ByteDanceのガイドでは、否定の指示は音と字幕だけに使い、最後に「No background music」や「No subtitles」と書くことを勧めています。
“Sound: oil hissing, a crowd murmuring, no background music. No subtitles.”
「cinematic」「epic」のような言葉は、モデルにとって手がかりになりません。色、素材、時間帯、背景にある物は手がかりになります。物の正確な個数や、小さな文字のつづりは期待しないでください。
“A red bicycle leaning on a wet brick wall at dusk, a sodium street lamp flickering behind it.”
4つのモデルはどれも文章から音声付きの動画を作りますが、得意なことが違います。以下は、Fuser、Krea、Atlas Cloudによる同じプロンプトでの比較テスト、各開発元のプロンプトガイド、そして当サイトで生成したサンプルをもとにしたメモです。順位と料金は上の表にあります。
Wan 3.0（アリババの動画生成AI）は、プロンプトにいちばん忠実です。Kreaのテストでは「the most literal, dramatic version of a prompt」を出し、Fuserが同じ入力で行った5回の比較では、Seedance 2.5が見落とした細部を拾いました。1回で最長30秒まで作れ、1秒あたりの料金はSeedance 2.5より安くなります。弱点は、途中で別アングルに切り替わることがある点と、音が大きめな点です（Krea、Fuser）。
Seedance 2.5（ByteDance、TikTokの運営会社の動画生成AI）は、いちばん洗練された映画のような質感です。金属、ガラス、肌に当たる光、控えめな音のバランス、10以上の言語のセリフ。4つの中で1秒あたりの料金がいちばん高く、720pではアップの顔が柔らかくなり、速い動きはゆがむことがあります。ByteDanceのガイドは、1ショットにカメラの動きを1つにすることを勧めています（ByteDance）。
Kling 4.0（Kuaishou（快手）の動画生成AI。クリングAIとも呼ばれます）は、アクションと長回し向きです。どのテストでも15〜30秒のワンテイクが崩れず、当サイトの柔道の投げ技でも手足が正しい人物に付いたままで、看板と字幕のつづりも正確でした。指示しないとカットやBGMを加え、フィルムの銘柄のような質感の指定を落とすことがあります（Fuser）。
MiniMax H3（Hailuo AI（ハイルオAI）の動画モデル）は、ここでは2つの版があります。H3 Max Turboはこのページでいちばん速く安い動画で、本番にクレジットを使う前に言い回しを試すのに向いています。通常版のH3は2Kにも対応します。768pは720pではなく1344×768で出力され、短いプロンプトは書き換えられるため、カットが入ることがあります（Krea）。
テキストから動画は、すべてを言葉から生み出すので、同じプロンプトでも生成するたびに違う動画になります。商品、キャラクター、構図を手元のものに合わせたいときは、画像から始めてください。画像から動画は、その画像を最初のフレームとして使います。画像生成AIで静止画を作ってから動かす、という流れもよく使われます。
動きに合う、いちばん短い秒数を選びましょう。5秒なら動き1つ、10秒なら時間を区切った2〜3の動き、20〜30秒はKling 4.0かWan 3.0での長いワンテイクに向いています。料金をいちばん大きく左右するのは解像度です。高い解像度で作り直すと、下書きの拡大ではなく別のテイクになるので、720pでの下書きは言い回しを試すときだけにしてください。アスペクト比は生成の前に決めます。YouTubeやWebサイトなら横動画の16:9、スマホなら縦動画の9:16、フィードなら1:1、映画のような横長の画面ならKling 4.0、Seedance 2.5、MiniMax H3の21:9です。
動画ごとに、モデル、秒数、解像度、音声によって決まるクレジットの料金があり、生成する前に表示されます。クレジットは1回ごとに購入するパックで、有効期限はありません。月額プランがないので、解約の手間もありません。失敗、タイムアウト、拒否になった動画のクレジットは、自動で残高に戻ります。
どのサンプルにも、使ったプロンプト、モデル、設定と、現在のzzo.aiでの料金を表示しています。プロンプトの多くは公開されているテストやガイドから引用し、それぞれのカードに出典を書いているので、元の結果と比べられます。一部のサンプルは、同じモデル、プロンプト、設定で各開発元のアプリを使って作っており、その旨を表示しています。どの動画も編集はしておらず、プロンプトの一部どおりにならなかった場合はカードにそう書いています。zzo.aiは各モデルの開発元の公式サイトではありません。複数のモデルをまとめて使える独立したサイトです。
よくある問題と、その原因、変えるべきところ。
原因： Kling 4.0は初期設定でマルチショットになり、Wan 3.0は「カットなし」と指示しても途中で切り替わったというテスト結果があります。
対処： プロンプトを「One continuous shot, no cuts」で始め、動きを1か所にまとめます。それでも切り替わるなら、もう一度生成するか、Seedance 2.5を試してください。
原因： モデルは無音の部分を自分で選んだ音楽で埋めます。第三者のテストでは、Kling 4.0とWan 3.0はSeedance 2.5より音量が大きめでした。
対処： 欲しい音を書き、最後に「No background music」と添えます。音量は編集ソフトで下げるか、Seedance 2.5とWan 3.0なら音声をオフにできます。
原因： 画面の中の文字は、動画モデルにとってまだ難しい部分です。ByteDanceもアリババ（Alibaba）も自社の資料でそう書いています。
対処： 文字は短くして引用符で囲むか、タイトルは編集ソフトで入れます。Kling 4.0は、このページのサンプルの看板と字幕を正しく書きました。
原因： 速く大きな動きは、どのモデルにとってもいちばん難しい部分です。ByteDanceのガイドは、ゆっくりした連続的な動きを勧めています。
対処： 動きを遅くするか、1つずつ書きます。格闘、スポーツ、ダンスでは、第三者のテストでKling 4.0がいちばん良い結果でした。
原因： 動画の最後に置いたセリフは、言い終わる時間が残っていません。
対処： セリフを冒頭に移すか、短くするか、長めの秒数を選びます。
原因： モデル自身のフィルターか当サイトのポリシーチェックがプロンプトや結果をブロックしたか、モデルがタイムアウトしました。Seedance 2.5では、ブランド名、フィルムの銘柄、映画監督の名前でも拒否されることがあります。
対処： クレジットは消費されず、自動で戻ります。実在の人物やブランドの名前を使わずに書き直してください。禁止事項は利用ポリシー（Acceptable Use Policy）にあります。
2026年10月30日更新
用途によります。ブラインドの一対比較の投票で作られるArtificial Analysisのテキストから動画のランキングでは、Wan 3.0が1位で、MiniMax H3とSeedance 2.5がすぐ後に続きます（順位と確認した日付はこのページの上部にあります）。Kling 4.0はまだランキングに載っていませんが、第三者のテストでは速いアクションと長いワンテイクで最も強いという評価でした。
仕上がりのきれいな広告やセリフのある動画ならSeedance 2.5、プロンプトに忠実で長い動画を抑えた料金で作るならWan 3.0、人物どうしのアクションや画面内の文字ならKling 4.0、手早く安く下書きを作るならMiniMax H3（H3 Max Turbo）から始めるのがおすすめです。
モデル、秒数、解像度、音声の有無によって変わります。このページの表に各モデルの5秒と10秒の料金があり、生成画面では始める前に正確な料金が表示されます。支払いは1本ごとにクレジットで行い、サブスクはありません。
Kling 4.0とWan 3.0は1テイクで最長30秒、Seedance 2.5とMiniMax H3は最長15秒です。それより長い作品は、ショットごとに1本ずつ作り、編集ソフトでつなげてください。
はい。ここにあるモデルはどれも、映像と同時に音声を生成します。聞こえる音やセリフをプロンプトに書いてください。Seedance 2.5とWan 3.0は音声をオフにでき、Kling 4.0とMiniMax H3は常に音声付きです。
プロンプトは、zzo.aiでは翻訳せず入力したまま各モデルに送ります。日本語のプロンプトでどこまで意図どおりになるかは、まだ十分に確かめていません。このページのサンプルはすべて英語のプロンプトで作っており、思ったとおりにならないときは英語で書くと安定する場合があります。セリフの言語は「says in English」のようにプロンプトで指定します。
はい。生成画面で9:16を選んでください。4つのモデルすべてがテキストから動画で9:16に対応しており、各モデルが選べるアスペクト比は表にまとめています。
うまくいく場合もあります。Kling 4.0はこのページのサンプルの看板と字幕を正しく書き、MiniMaxはH3が文字を正確に描けるとしています。Seedance 2.5とWan 3.0は、画面内の文字のつづりを間違えることがよくあります。正確に読ませたい文字は、編集ソフトで入れてください。
モデルによっては、自分でカットを入れます（特にKling 4.0とWan 3.0）。1テイクにしたいときはプロンプトを「One continuous shot, no cuts」で始め、カメラを動かしたくないときは「static shot」のように1つだけ指定してください。
文章に合わせて素材や文字を並べるスライド型のツールとは違い、ここでは人物、背景、カメラの動き、音まで、映像そのものを一から生成します。そのため同じプロンプトでも、生成するたびに違う動画になります。
たいていは1〜5分です。1080pの長い動画では10分以上かかることもあります。完成した動画は履歴に残り、そこからダウンロードできます。
モデルの失敗、タイムアウト、プロンプトの拒否、当サイトのポリシーチェックによるブロックのどれであっても、その動画のクレジットは自動で残高に戻ります。支払うのは、受け取った動画の分だけです。
有名人は作れません。それ以外の人も、本人の同意がなければ作れません。プロンプトで説明した架空の人物なら問題ありません。アニメ風の動画を作る場合も、既存の作品のキャラクターではなくオリジナルのキャラクターを説明してください。禁止事項は利用ポリシーにあります。
はい。生成した動画は、広告やクライアントワークを含めてご自身で利用できます。当サイトの利用規約に従い、他者のブランド、キャラクター、肖像をまねていないことが条件です。
いいえ。zzo.aiで販売しているのは、必要なときに必要な分だけ購入するクレジットパックだけで、自動更新も解約手続きもありません。クレジットに有効期限はなく、すべてのモデルで、サイトでもAPIでも使えます。
アイデアから始めるならテキストから動画を使います。見た目、商品、キャラクターを手元の画像に合わせる必要があるなら画像から動画を使います。動画はその画像から始まります。
