この2週間、GeminiOmniの動画ツールに没頭してきましたが、そこで驚いたことを書き留めておきたいと思います。当初は、Sora 2がやはり打ち負かすべきモデルだと思っていました。/tools/text-to-videoをリリースする頃には、静かにデフォルトをGoogleのVeo 3.1 Fastに切り替えていました。その理由は品質ではなく、会計上の理由からです。
これは構築メモであって、ベンチマークスイートではありません。どのように判断したか、計算の内訳はどうだったか、同じ道を辿りたい場合のトレードオフについて説明します。
90秒でわかるまとめ
ざっと見ている方向けに：
- Veo 3.1 Fastは、生成動画1秒あたり0.15ドルで、秒単位で課金され、Googleの価格ページで公開されています。
- Sora 2は、ChatGPT Pro（月額200ドル）または月額20ドルのChatGPT Plusアドオン（月間生成上限あり）でのみ利用可能です。財務モデルに組み込める、正直な秒単位の価格は存在しません。
- 独立系ビジネスにとって、2つ目の点は1つ目よりも重要です。自分のインプットコストが「月額200ドルを今月生成したクリップ数で割ったもの」では、ユーザーに対して動画1本あたりの価格を保証できません。
- 品質面では、Sora 2はフォトリアリスティックな顔や複雑なカメラワークで依然として優れています。Veo 3.1 Fastは同期ネイティブオーディオで勝利し、それ以外の独立系映像制作（プロダクトデモ、ソーシャルメディアのフック、ライフスタイルBロール）では十分な品質です。
実際の比較方法
GeminiOmniユーザーが入力するであろうタイプのプロンプトを30個用意しました。約3分の1はプロダクトデモ風（「手がエスプレッソを透明なガラス製マグカップに注ぐ、スローモーション、キッチンの照明」）、3分の1はソーシャルメディアのフック風（「誰かがInstagramの投稿をダブルタップするスマホ画面への3秒間のズームイン」）、残りの3分の1はライフスタイルBロール風（「ベルリンのバルコニーを通す朝の光、風に揺れるツタ」）でした。
各プロンプトを以下で生成しました：
- Veo 3.1 Fast（Gemini Developer API経由、$0.15/秒）
- Veo 3.1 Standard（同API経由、$0.40/秒）
- Sora 2（ChatGPT Proアカウント経由、生成時間のみ。公平なクリップ単価はなし）
それぞれを、被写体の忠実度、動きの妥当性、音声品質（該当する場合）、プロンプト順守の4つの軸で、非公開の1～5段階で評価しました。
プロンプトごとのスコアはn=30ではばらつきが大きいため公開しませんし、ベンチマークとして扱ってほしくありません。ここで共有するのは、そのパターンです：
- Veo 3.1 Fastは音声でSora 2に完全勝利しました。毎回です。同期した足音、水の音、アンビエントな室内の響き — Veoのネイティブオーディオはキラー機能であり、Soraはそれをまったく備えていません。
- Sora 2は顔と唇の動きでVeo 3.1 Fastを上回り、特にタイトなクローズアップで顕著でした。ユースケースが人がカメラに向かって直接話す場合、その差は現実のものです。
- Veo 3.1 Standardは顔と唇のギャップの約半分を埋めましたが、コストは2.7倍です。Proプランではトグルとして残しますが、デフォルトにはしません。
APIループ内でのコスト状況は以下の通りでした：
- Veo 3.1 Fastでの8秒クリップ：$1.20
- Veo 3.1 Standardでの8秒クリップ：$3.20
- Sora 2での8秒クリップ：正直なところ、お伝えできません。その月に30クリップ生成して、一律200ドル支払いました。
秒単位の価格設定が思っている以上に重要な理由
独立系ビジネスにとって、透明性のある1コールあたりの価格設定が重要な理由を、2段落で説明します。
月額19ドルで100クリップの上限がある「Pro」プランを提供したい場合、クリップごとのユニットエコノミクスを知る必要があります。Veo 3.1 Fastが$0.15/秒で平均出力6秒の場合、クリップあたりのコストは約$0.90です。上限に達するヘビーユーザーは私に90ドルのコストがかかり、残り71ドルがその他すべてをカバーするマージンとなり、これは成立します。この数字は退屈ですが、価格ページに正確に記載されています。
同じビジネスをSoraで運営しようとすると、インプットコストは、その月のOpenAIの非公開クォータがどうなるかに依存するステップ関数になります。クォータが変われば、ユニットエコノミクスが一瞬でひっくり返る可能性があります。そんなリスクを負うことはできません。どの独立系企業も無理です。
これはSoraの品質を非難するものではありません。ビジネスモデルを非難しているのです。OpenAIはSoraを定額制のChatGPTサブスクリプションを通じて消費者に販売しています。GoogleはVeoを従量課金制のAPIを通じて開発者に販売しています。前者のモデルはChatGPTユーザーには素晴らしいですが、下流の開発者には使い物になりません。後者はその逆です。
オーディオの件は本物です
Veo 3.1の同期オーディオについて、私は過小評価していたので、1セクション割いて説明したいと思います。
Veo 3.1で「人が木の床を歩き、朝の光が差し込み、横向きのビュー」を生成すると、画像と足音が1つのモデルパスで得られます。位相が合っています。ステレオです。見える空間に合わせた正しい室内残響があります。これはギミック（「AI効果音」）だと思っていましたし、半分くらいは明らかに間違っているだろうと予想していました。
しかし、明らかに間違っているわけではありません。正しすぎて、生成されたものだということを忘れてしまいそうです。足音は、見える足の着地と同じフレームに乗っています。部屋の残響は、見かけの部屋の大きさに応じて変化します。アンビエントサウンドはシーンに一致します（カフェの映像にはカフェのざわめき、屋外の映像には風の音）。
ソーシャルメディア向けの独立系動画制作において、これはポストプロダクションのオーディオ工程を完全に排除します。ストックオーディオライブラリを探す必要も、Bロールのためにサウンドデザイナーに支払う必要も、別途同期パスを実行する必要もありません。モデルがやってのけ、出荷できる品質です。
同期オーディオを持たないすべての「AI動画」ツールは、同じ価格でそれを持つツールと競合することになります。持たないツールには問題があります。
その上に構築したもの
/tools/text-to-videoのデフォルトルートは、現在Veo 3.1 Fastです。Proプランでは、クローズアップの顔により高い忠実度が必要なユーザーのために、Veo 3.1 Standardへのトグルを用意しています。Freeティアの生成数にはサーバーサイドで小さな上限（月5本、720p、透かし入り）を設けました。$0.15/秒では、Freeユーザーが妥当な割合でコンバージョンしないと計算が合わないからです。
同じようなものを構築する場合に備えて、いくつかの意見を含んだ実装上の選択を共有します：
- ユーザーのプロンプトと、アップスケールされモデル名がスタンプされたレスポンスは、Proアカウントでは30日間サーバーに保持し、Freeアカウントでは即座に破棄します。プロンプトを保存することはプライバシー上のリスクが高く、節約に見合いません。
- 生成されたすべてのクリップの下部にモデル名をレンダリングします — 文字通り小さな「Veo 3.1 Fast」バッジです。人々は自分が何にお金を払ったかを知る権利があります。
- クレジットの自動更新は行いません。400クレジットのパックを購入して12ヶ月以内に使用しなかった場合、期限切れとなります。こっそり財布からお金を抜き取るような会社になるくらいなら、29ドルの売上を逃したほうがマシです。
I/Oで注目すべきこと
来週のGoogle I/O 2026では、2つのことに注目してください。どちらも私のデフォルトを変える可能性があります：
Gemini Omni。 新しい動画モデルがGeminiアプリのUIを通じてリークしています — 「Create with Gemini Omni: meet our new video model, remix your videos, edit directly in chat」といった文字列が5月5日に表面化しました。GoogleがVeoと同じAPI経済性を持つOmniクラスの動画モデルをリリースすれば、独立系のデフォルトは再び変わります。それがリリースされたら、その日のうちに記事にします。
Sora 2 API。 OpenAIは従量課金制のSora APIを示唆しています。それが透明性のある秒単価で$0.30未満でリリースされれば、顔の品質ギャップがおそらく勝利します。エンタープライズセールスやクォータの謎の背後にゲートされたものであれば、独立系開発者は無視すべきです。価格ページを見るまでは、従量課金制APIを信じません。
関連記事
- Veo 3.1での画像から動画へ — キャラクター一貫性のためのリファレンスフレーム
- テキストから動画AI — 現在のデフォルト + Proトグル
- GeminiOmniの価格設定 — $19 / $79を選んだ理由
— Lena
