AI映像生成料金が下がれば、制作費もその分減るのでしょうか

生成料金が下がれば、映像制作で何が変わるのでしょうか

AIで短い映像を作ってみるのにかかるコストが急速に下がっています。Googleは2025年9月、Veo 3のAPI生成料金を1秒あたり0.75ドルから0.40ドルに、Veo 3 Fastは0.40ドルから0.15ドルに引き下げました。それぞれ約47%、63%の値下げです。Google開発者ブログ

ここで比較したのは同じモデルの生成料金です。この数字を映像制作会社の見積もりとそのまま比較するのは困ります。制作会社の見積もりには企画、撮影、編集、修正対応など複数の作業が含まれますが、秒あたりのAPI料金はモデルが映像を生成するコストにすぎないからです。

例えば、1秒あたり0.15ドルを適用すると、8秒のクリップ1回分の生成料金は1.20ドルです。同じ長さで5回生成すれば6ドルかかることになります。これは単価を当てはめた計算例であり、5回以内に望む結果が得られるという意味ではありません。使える場面を選び、他の場面とつなぎ、製品名や字幕を正確に入れる作業も残っています。

だからといって、価格引き下げの意味が小さいわけではありません。撮影前にアイデアを映像で確認したり、複数の演出案を比較したりする際に試す余裕が生まれます。ただし、作業予算を立てるときは生成料金に加えて、繰り返し試す回数と編集にかかる時間も見込んでおくべきです。月額のサブスクリプション料金を利用可能なクレジットで割った価格とAPI料金についても、同じ条件かどうかを確認する必要があります。

Seedance 2.0は複数の参照資料をまとめて受け取ります

ByteDanceが2026年2月12日に発表したSeedance 2.0は、テキスト、画像、映像、オーディオをまとめて入力として受け取り、映像と音声を生成するモデルです。公式発表では、15秒の長さで複数の場面から構成される映像と、ステレオ音声出力について説明されています。

制作過程で注目すべき機能は、参照資料それぞれの役割を指定できる点です。人物の外見は画像から、カメラワークは映像から、音の特性はオーディオから参照するよう指示する、といった具合です。生成した映像の特定部分を修正したり、長さを伸ばしたりする機能も紹介されています。Seedance 2.0公式発表

私はこうした機能を見るとき、見事なデモ1本よりも、修正作業がどれだけ楽になるかに関心が向きます。同じ人物が次の場面でも維持されるか、要求した部分だけを変えられるか、作り直すときにどれだけ待たなければならないかが、実際の作業時間に影響するからです。

モデルを選ぶときも、作りたい場面を基準に比較したほうがよいでしょう。製品の形状や文字が正確でなければならない広告、人が長く話す映像、動きの多い場面では、求められる条件が異なります。一番安い1回の生成よりも、使える結果を得るまでにかかったコストが重要です。

写真だけを入力したのに、聞き覚えのある声が出てきたなら

リリース前のテストでは、別の問題が先に明らかになりました。TechNodeの2月10日の報道によると、中国の映像制作者パン・ティエンホン氏は、自分の顔写真を入力したところ、自分によく似た声が出てくる結果を得たといいます。別途音声サンプルを提供していなかったことから、論争になりました。

この事例だけで、モデルが顔の造作から声を導き出したと断定することはできません。報道されたのは特定人物のテスト結果であって、誰の写真からでも実際の声を再現できるという検証結果ではないからです。それでも、本人が提供していない声に似た結果が出たのであれば、どのような資料をもとに生成されたのか、そして本人がそれを制御できるのかが問題になります。

同じ記事では、Jimengが実在人物の写真・映像を参照する機能を制限し、本人の顔と音声を確認する手続きを導入したと伝えています。正式発表から3日で起きた事件ではなく、公開前のテスト段階で明らかになった論争です。TechNode報道

2月12日のByteDanceの公式発表にも、実在人物を参照して映像を作る際には本人確認、または事前の適法な許諾が必要だと記されています。機能として可能であることと、その人物の顔・声を自由に使ってよいことは別問題です。公式発表の人物参照案内

Oswarldの視点

GTM戦略を策定する中で見てきた変化があります。クラウドやウェブサイト制作のように、技術にアクセスするコストが下がると、その技術を使えるという事実だけでは差別化が難しくなります。AI映像でも同じ変化が進んでいると見ています。

映像を作れる人が増えるほど、何をどんな視点で見せるかが重要になります。誰にどんな製品を説明しようとしているのか、その人が何に困っているのか、映像を見て何を理解すべきなのかが、先に決まっていなければなりません。ツールが安くなっても、この判断まで代わりにしてくれるわけではありません。

データを扱う立場としては、コストを計算する方法も気になります。生成料金が下がったという知らせと、制作にかかった総コストが減ったという結果は区別しなければなりません。望む結果を得るまでに何度も生成し、長い時間修正したのであれば、秒あたりの料金だけで削減効果を説明するのは難しいでしょう。

顔と声を使う映像では、確認すべきことも増えます。本人の許諾を得ているか、実際の発言だと誤解される余地がないか、問題が生じたときに修正したり取り下げたりできるかを、制作過程に組み込む必要があります。私の見立てでは、生成にかかるコストが減る分だけ、結果を検証し責任を負う作業の比重は大きくなるでしょう。

映像制作ツールが広く普及していく変化そのものは歓迎すべきことです。ただし、顧客に説明すべき価値は、生成した映像の本数よりも、その映像で伝えた内容と完成度にあるべきだと思います。

---

参考資料

• Google、Veo 3・Veo 3 Fast価格引き下げ発表、2025.09.08
• ByteDance Seed、Seedance 2.0公式発表、2026.02.12
• TechNode、人物参照機能の制限と音声再現論争の報道、2026.02.10

筆者アン・グァンソプ（安光涉）は世宗大学校経営学科教授であり、INLEVEL9のリードコンサルタントである。大学では経営データ管理、ビジネスアナリティクスなど統計およびデータ分析を教える一方、現場ではGTM戦略とAI戦略コンサルティングを率い、技術とビジネスの接点を設計している。AI対話システムの記憶アーキテクチャ（HEMA）研究で学術論文を発表したほか、毎日グローバルなAI論文をキュレーションするDaily Arxivプロジェクトを運営している。高麗大学校技術経営専門大学院修士課程とKMBAを修了した。著書に『考えることを委ねる人々：ホモ・ブレインレス』がある。

著者 アン・グァンソプ（Oswarld） は世宗大学校 兼任教授、INLEVEL9 戦略コンサルタントです。経歴、研究、著書、最近の活動は著者紹介で更新しています。 最近の活動 · 2026年7月：HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。