H3 Max、Wan 3.0、GPT Image 2.5：ひとつの水たまりで、5つの動画モデルを比べてみました

動画モデルをローンチ時の発表文だけで比べても、あまり意味がありません。どれも「最もリアル」で「クラス最高」だからです。そこで、もっとシンプルに試しました。ひとつのプロンプトを用意し、ChatPlus上の5つの動画モデルすべてに投げて、生成にかかった時間と返ってきた結果を見比べました。

プロンプト：「雨上がりの秋の通り、ゴールデンアワー。黄色いレインコートを着た若い女性が水たまりに飛び込み、水しぶきが上がり、カエデの葉が彼女のまわりを舞っている。彼女は笑って『Autumn is here!』と言う。手持ちカメラ、自然な街の音。」

5つのうち2つは、ChatPlusに新しく加わったモデルです。H3 MaxとWan 3.0です。さらに標準の画像モデルも更新され、これまでGPT Image 2が使われていたところでGPT Image 2.5が動くようになりました。順番に見ていき、最後にどんな場面でどれを選ぶべきかをまとめます。

H3 Max：コーヒーが冷める前にクリップができる

まず、このモデルを試す価値があると一発でわかる数字から。11秒。 ボタンを押してから、音声付きの5秒クリップが完成し、ファイルのダウンロードまで終わるのにかかった時間です。キュー待ちも含んでいます。生成そのものはGPU上で数秒しかかかっていません。同じプロンプトに対し、ほかのモデルは1分弱から4分近くかかりました。

この速さはどこから来るのでしょうか。ベースになっているのは、中国のMiniMaxが公開したオープンウェイトの動画モデル、MiniMax H3です。生成モデル実行プラットフォーム大手のひとつであるfalのチームが、これをポストトレーニングし、自社サーバー向けに作り直しました。その成果として、8月末にH3 Maxを公開しています。falの計測では、スループットはオリジナルのH3と比べておよそ35倍に向上しました。また、どのモデルが作ったクリップかを見せずに2本を比較してもらうブラインドテストでは、H3 Maxが十数の競合モデルを上回りました。

速いだけではありません。H3 Maxは常に音声も生成します。街のざわめき、足音、笑い声、短いセリフまで入ります。今回のテストでは、女性が水たまりに飛び込み、葉が周囲で回り、プロンプトで指定したセリフもはっきり聞こえました。音声のオン・オフ切り替えはありませんし、そもそも不要です。音声に追加コストはかかりません。

H3 Max、リクエストからファイル完成まで11秒。最後のセリフを聞くには音声をオンにしてください。

一方で、率直に言って限界もあります。解像度は768pで、Full HDには届きません。ストーリー、リール、下書きには十分ですが、大画面向きではありません。また、動きの速い複雑なシーンでは、高価なモデルに比べるとH3 Maxはややシンプルです。細部は少し柔らかく、水の挙動も控えめです。

そのぶん価格が魅力です。1秒あたり40メディアクレジットなので、5秒クリップは200クレジット。ChatPlusで最も安い動画です。おすすめの使い方は、ひとつのプロンプトで5〜10パターン試し、うまくいくアイデアを見つけること。そのうえで必要なら、仕上げ版をより高価なモデルに回します。

Wan 3.0：スマホで撮ったように見える動画

WanはAlibabaの動画モデルファミリーです。第3世代は2026年8月初旬にベータ版となり、8月24日に一般利用できるようになりました。Alibabaが力を入れたのは人物表現です。さまざまな顔立ちを自然に見せること、表情のリアルさ、そして多くのAIモデルにありがちなプラスチックっぽさのない動きです。

このモデルは、今日ChatPlusで使っている範囲より多くのことができます。ネイティブでは最大30秒のクリップを生成でき、入力としてテキスト、画像、音声、さらには動画にも対応します。ChatPlusでは、説明文または自分の写真から、720pで5秒、10秒、15秒のクリップを作れます。

今回のテストで、Wanは5つの中で最も日常の映像らしいクリップを作りました。広告っぽいツヤ感はありません。普通の通り、長靴、レンズに向かって飛んでくる葉。友人がスマホで撮った動画にいちばん近く見えます。まさに「手持ちカメラ」という指定どおりです。音声も、話しているセリフも入っています。

Wan 3.0、2分37秒。5本の中で最もスマホ動画らしい映像です。

待ち時間は2分半を超えました。このレベルの動画モデルとしては普通ですが、H3 Maxのあとだと、とても長く感じます。

価格面では、Wan 3.0は中間に位置します。1秒あたり50メディアクレジットで、音声を入れてもコストは変わりません。5秒クリップは250クレジットです。音声付きのKling 3 Proは420、Seedance Proは760です。画面に映る人物を自然に見せたいけれど、コストは抑えたい。そんなときはWanから始めるのがよさそうです。

ひとつのプロンプト、5つのモデル

5つすべての結果をまとめると次のとおりです。時間はリクエストから完成ファイルまで、価格はその長さの音声付きクリップのものです。

Veo 3.1 from Googleは、最も映画的なショットを出してきました。太陽がレンズにまっすぐ差し込み、縁石沿いには赤い葉がじゅうたんのように広がり、大きな水しぶきが上がる。まるでCMのワンシーンです。Veoの音も今回の中で最もよく、単にノイズを上から重ねたというより、きちんとミックスされたサウンドトラックになっています。一方で、ChatPlusでは1秒あたりのコストが最も高いモデルでもあります。下書きにはVeo 3.1 Fastがあります。より速く、ずっと安価です。

Veo 3.1、54秒。逆光と色づかいはCMのようです。

Kling 3 Proは独自の解釈をしました。クリップ全体を通じて、カメラは彼女の足元と水しぶきだけを捉えています。セリフは聞こえましたが、顔は最後まで映りませんでした。モデルが間違えたというより、「水たまりに飛び込む」という部分を文字どおり読んだのでしょう。Klingの本当の強みは別のところ、つまり写真に動きを与える用途にあります。これについては後ほど触れます。

Kling 3 Pro、1分46秒。長靴、水しぶき、反射はありますが、顔は映りません。

Seedance Pro from ByteDanceは最も時間がかかり、そのぶん動きの扱いは最も丁寧でした。水たまりから薄い水の膜がきれいに飛び散り、葉は空中で止まったように捉えられ、カメラはワイドショットから笑う彼女の顔のクローズアップまで移動します。まるでカメラマンが横を走りながら撮っているようです。

Seedance Pro、3分54秒。ワイドショットからクローズアップまでをワンテイクで。

結論は、単一の「ベスト」なモデルはないということです。それぞれに個性があり、最適な選択は用途によって変わります。

GPT Image 2.5がGPT Image 2に代わります

続いて画像です。9月8日、OpenAIはGPT Image 2.5を2つのバージョンでリリースしました。Sunburstは精密なほうで、プロンプトにより忠実に従い、既存画像の編集にも強くなっています。Flareは、より速くシンプルなバージョンです。ChatPlusではSunburstを使っています。

GPT Image 2は、画像内テキストの扱いが非常に得意だったため、すでに標準モデルにしていました。バージョン2.5では文字がさらに整い、細かな指定を詰め込んだ長いプロンプトにもよく粘ります。同じ秋のテーマで試してみました。黄色いレインコートの女性がカフェのテーブルでココアを持ち、窓には手書き風の文字が入っている、という内容です。30秒少しで画像ができあがり、ガラスには手書きの見出しと、その下に小さな価格の行が入りました。文字崩れはひとつもありません。背景にはメニューボードまで自動で追加され、それもきれいに読めました。

GPT Image 2.5、36秒。ガラス上の2行とも、最初の生成で正しく出ました。

編集の信頼性も上がっています。写真をアップロードして変更点を伝えると、頼んだ部分を変えつつ、それ以外を描き直してしまう可能性が低くなっています。

価格は変わりません。標準品質で1枚10メディアクレジット、高品質で50メディアクレジットです。GPT Image 2を選んでいた場合も、何か操作する必要はありません。ジェネレーター側で自動的に2.5へ切り替わっています。GPT Image 2.5を試す。

まず画像、それから動画

今回のテストでいちばん面白かった結果は、偶然から生まれました。GPT Image 2.5で作ったあのカフェ画像を、Kling 3 Proに渡してアニメーション化してみたのです。ココアから湯気が立ち、ガラスには雨粒が流れ、女性が微笑む。そして窓の文字は、1フレームも歪みませんでした。動画モデルで真っ先に壊れがちなものが、たいてい文字であるにもかかわらずです。

画像はGPT Image 2.5、動きはKling 3 Pro。

これは、カバー画像、カード、SNS向けクリップを作るうえでかなり信頼できる手順になります。まずGPT Image 2.5で完璧な1枚を描く。安く、しかも文字が正しく入ります。次に、それをKling 3 ProやWan 3.0で動かす。シーン全体を文章だけで説明して、動画モデルがすべてを正しく配置してくれることを祈るより、はるかに予測しやすい方法です。

ひとつ注意があります。Seedance Proは、ByteDance側の制限により、実在人物の写真はアニメーション化できません。ポートレートや家族写真にはKling 3 Proを使ってください。最初の1秒から最後まで、顔の見分けやすさを保ってくれます。

どのモデルを選ぶべきか

要するに、用途次第です。

速く安く — アイデアの検証、ストーリー作成、プロンプトのバリエーション試し — H3 Max。1回あたりおよそ10秒、200クレジットです。

日常的で広告っぽくない、実在感のある人物 — Wan 3.0。音声込みで、中価格帯です。

自分の写真に動きをつける — Kling 3 Pro。顔、服、文字が元のショットのまま保たれます。

映画的なクリップと映画品質の音 — Veo 3.1。下書きにはVeo 3.1 Fastです。

複雑な動き — ダンス、スポーツ、水、ショットの切り替え — 待ち時間と高めのコストを許容できるならSeedance Proです。

動画ジェネレーター内でモデルはすぐ切り替えられます。たとえばH3 Maxから始めることもできます。動画と画像は同じメディアクレジットを使用し、クリップの価格は開始前に表示されます。

まとめ

ChatPlusに2つの新しい動画モデルが加わりました。H3 MaxはfalがMiniMax H3を高速化したバージョンで、音声付きクリップを約10秒で生成し、5秒で200メディアクレジット、解像度は768pです。AlibabaのWan 3.0は、実在感のある人物と自然な動きを得意とし、音声は価格に含まれ、5秒で250クレジットです。標準の画像モデルは、OpenAIのGPT Image 2.5になりました。文字と編集がよりきれいになり、価格は10クレジットと50クレジットのままです。今回の同一プロンプトテストでは、H3 Maxが最速、Veo 3.1が最も映画的、Seedance Proが動きの扱いで最も丁寧でした。