「テキストを打つだけで映画みたいな映像ができる」——ほんの1〜2年前は冗談みたいに聞こえた話が、2026年の今はもう日常です。

指が6本ある不気味な人物や物理法則を無視した映像が話題になっていた時代を経て、今では4K・数十秒・セリフと効果音まで同時生成、というレベルまで来ました。ただ、便利になった分だけ、使い方を間違えたときの影響も大きくなっています。今回は「AI動画」というテーマを、明るい側面と、正直に触れておきたい暗い側面の両方から書いてみます。

この1年で主役が入れ替わった

少し前まで「AI動画」といえばOpenAIのSoraが代名詞のような存在でした。ところがSoraは2026年3月にサービス終了が発表され、消費者向けアプリは4月、APIも9月に停止という急展開に。運営チームからは「動画生成モデルは非常に高コストで、このままでは持続できない」という趣旨のコメントも出ていて、AI動画の裏側にある計算コストの重さが垣間見えました。

代わって主役に躍り出たのが、GoogleのVeo、Runwayの新モデル、ByteDanceのSeedance、そしてKuaishouのKlingといった顔ぶれです。特にVeoはGeminiアプリとの統合や音声同時生成の完成度から「総合力No.1」と評されることが多く、Klingは最大2分という長尺生成が強みとされています。1分あたりの生成コストもこの1年で大きく下がっていて、「誰でも気軽に映像を作れる」状況が加速しています。プロのクリエイターの間では、1つのツールに依存せず複数を併用するのがもう当たり前になっているようで、この移り変わりの速さそのものが、今のAI動画業界を象徴している気がします。

クラウドだけじゃない、自分のパソコンで動かす「ローカルAI動画」

ここまで紹介したVeoやKlingは、いずれもクラウド上のサービスにアクセスして生成する形式でした。でも実はもう一つ、自分のパソコンにモデルを丸ごとダウンロードして、ネットに繋がずローカルで動画を生成する世界があります。月額課金なし、生成回数の上限なし、サービス終了に振り回されることもない——この1年で、ここも驚くほど成熟してきました。

ローカルAI界隈の入り口としてまず名前が挙がるのが「Stable Diffusion」です。もともとは画像生成モデルとして一気に知名度を上げた存在ですが、そこから派生した「Stable Video Diffusion（SVD）」が、オープンソースの動画生成モデルの草分け的な存在になりました。今ではSVD以外にも、LTX Videoなど軽量・高速をうたうモデルが次々登場していて、ローカル動画生成のすそ野はかなり広がっています。

これらのモデルを実際に動かす「操作盤」として事実上の標準になっているのが「ComfyUI」というオープンソースのソフトです。ノードと呼ばれる箱を線でつないで処理の流れを組み立てる、電子回路の配線図のような見た目のインターフェースで、最初はとっつきにくく感じるかもしれません。ただ、新しい生成モデルが発表されると真っ先にComfyUI対応版が出てくるくらい、今のローカルAI環境の中心的な存在になっています。

Alibabaの「Wan」シリーズ——オープンソース動画AIの本命

ローカル動画生成の話題で、ここ1年で存在感を一気に増したのが中国Alibaba発の「Wan」シリーズです。開発元はAlibaba CloudのTongyi Wanxiangチームで、テキストや画像から動画を生成する基本モデルに加えて、キャラクターの動きと表情、置き換えを一つにまとめた「Wan2.2-Animate」のような専門モデルも展開しています。

Wanシリーズの面白いところは、世代によって「性格」がはっきり分かれていることです。Wan2.1・2.2はApache 2.0ライセンスで公開されたオープンウェイトモデルで、モデルファイルを自分のパソコンにダウンロードして商用利用まで可能な、まさにローカル勢の主力です。一方、2025年後半以降に登場したWan2.5・2.6・2.7、さらに2026年8月に公開ベータが始まったWan3.0は、音声同期や最長30秒の長尺生成、文書からの動画生成といった機能を備えつつも、基本的にAPIやWeb UI経由での提供にとどまっており、記事執筆時点ではオープンウェイト版はまだ出ていません（Wan2.7は将来的な公開が予定として語られているようですが、時期は流動的です）。なので「自分のPCで動かしたい」なら、今のところ現実的な選択肢はWan2.1・2.2系ということになります。

気になるパソコンのスペックですが、Wan2.2-Animateクラスを本格的に動かすならVRAM 24GB以上のGPU（RTX 3090・4090など）が現実的な目安とされています。FP8量子化やGGUF形式、処理の一部をCPU側に逃がす「オフロード」といった工夫を組み合わせれば、VRAM 16GBクラスでも動作例はあるようですが、その場合は解像度やフレーム数を落とすなどの調整が必要になります。逆に言えば、数年前は業務用のクラウドGPUでしかできなかった水準の動画生成が、今はゲーミングPC1台で完結する時代になった、ということでもあります。

ローカル環境ならではの注意点も一つ。クラウドサービスは基本的に運営会社側でコンテンツフィルターをかけていますが、自分のパソコンで動かすオープンウェイトモデルにはそうした制限がかかっていません。裏を返せば、何を生成するかの責任がすべて使う本人に委ねられるということです。次の章で触れる同意のない性的合成コンテンツのような問題は、ローカル環境だからといって免除されるわけではなく、むしろ歯止めが少ない分、使う側の自覚がより一層問われる領域だと思います。

便利さの裏側：詐欺と偽情報への悪用

ここからは、あまり明るくない話です。AI動画の精度が上がったことで、当然ながら悪用のハードルも下がりました。分かりやすいのが詐欺への転用です。実在の企業幹部そっくりの映像や音声を使って送金を指示する、家族を名乗る偽の映像で連絡してくる——こうした手口はすでに国内外で実例が出ています。政治家や著名人が言ってもいないことを話しているように見せる偽動画が、選挙や世論に影響を与えかねないという懸念も、各国で真剣に議論されるテーマになりました。

怖いのは、こうした映像が「明らかに合成っぽい」段階をとっくに超えてしまっていることです。数年前なら見破れた不自然さが、今の生成モデルではほとんど分からなくなっている。だからこそ「動画だから本当だろう」という前提そのものを、一度疑ってかかる必要がある時代になったんだと思います。

もう一つの深刻な問題：同意のない性的合成コンテンツ

触れないわけにはいかないのが、実在の人物の顔を無断で性的な画像・動画に合成する「性的ディープフェイク」の問題です。日本国内でも、モデルの方が自身の被害を公の場で語り、法整備の遅れを訴えるケースが報じられました。作られる側にとっては人格を深く傷つけられる、れっきとした被害です。

厄介なのは、日本には2026年時点でこの問題を直接取り締まる専用の法律がまだ存在しないことです。名誉毀損罪や肖像権侵害、性的姿態撮影等処罰法など既存の法律を組み合わせて対応しているのが実情で、「作成しただけ・持っているだけ」では罰則が及ばない空白地帯が残っています。政府も2025年に対策の工程表を示し、与党内にも専門のプロジェクトチームが発足するなど議論は進んでいますが、法整備はこれからという段階です。海外に目を向けると、韓国は所持・閲覧まで刑事罰の対象にする改正法をすでに成立させていますし、アメリカでも同意のない性的画像の公開を連邦犯罪とする法律ができています。技術の広がるスピードに、ルール作りが追いついていない、というのが今の正直な状況だと思います。

もちろん、成人同士の合意のもとで作られるフィクション表現と、実在の本人の同意なく顔を合成する行為はまったく別の話です。後者は表現の自由の話ではなく、実在する個人への人格侵害であり、対象が未成年であれば児童ポルノ法の対象にもなり得る、明確な違法行為です。この違いを曖昧にしないことが、この技術と付き合っていく上でとても大事だと感じています。

技術そのものは中立、使う側の姿勢が問われる

ここまで悪い話ばかり並べましたが、AI動画生成の技術自体に罪はありません。旅行の思い出をショート動画にまとめたり、ブログのアイキャッチ代わりの映像を作ったり、使い方次第で表現の幅は確実に広がっています。ただ、これだけ簡単に「本物そっくりの映像」が作れるようになった以上、作る側にも見る側にも、これまで以上のリテラシーが必要になっているのは間違いありません。

ブログやSNSで発信する立場としては、「面白ければ何でもいい」ではなく、実在の人物を扱う際の一線をきちんと意識すること。そして受け手としても、「動画だから信じられる」という古い感覚をアップデートしていくこと。AI動画の世界がこれからも便利になっていくからこそ、その両輪が今まで以上に大事になってくると思います。