Grok Imagine API 動画生成 支援ツール 発売！ 動画の作成過程を公開します！②

（サンプル動画の生成条件）

・生成モード：Reference To Video モード

・動画長さ：10秒

・参照（使用）画像枚数：3枚

・縦横比：2:3

・解像度：480p

ステップ2. 動画のシナリオを作る。

まずは、動画の長さを決め（最長15秒まで対応）、10秒で撮れる映像シーンのシナリオを作ります。

シナリオ・スクリプト部分は、AIのチャットボットで作成しました（使用AI：シナリオ：ChatGPT Pro版、スクリプト：Grok-Premium版）。

（Grok-Premium版は、Xのアカウントの認証用で課金しているユーザー向けのバージョンで、無料版より多少利用範囲が広いです。）

2-1. ラフなシナリオ案をAIに作らせる。

（今回生成に使用した元になる基本画像。当店AIモデル「Cymbidium（シンビジウム）」を使用）

この画像をAIに参照させ、以下のようなやり取りをします。

2-2. キーフレーム（参照画像）の作成（参照画像の生成1）。

3パターン紹介してくれたうち、1つを選び、続けてAIとのやり取りを続けます。

ポイントとなるのは、キーフレームの時刻を厳格に指定しないことです。

今回生成に使用する生成モード「Reference To Video」は、モードの特性上、スクリプトで厳密な時刻を指定しても指示に従わず、プロンプトの描写と参照画像のイメージを一致させて動画を生成しているように思われました。

そのため、キーフレームは使用枚数だけをAIに知らせ、キーフレームの画像生成のタイミングとシーンの構図はAIに任せることにしました。

2-3. キーフレーム（参照画像）の作成（参照画像の生成2）。

AIに作ってもらった素材を組み立てます。

---

---

内容は、

10秒の動画のシナリオ+3枚のキーフレームの生成スクリプト+補足文

...となります。

このスクリプトを画像生成AIを使って3枚のキーフレームを作ります。

一般のチャットボットでは、このスクリプトで生成すると、生成サイズを指定していても生成サイズはチャットボットの能力に依存し、生成されるサイズは小さくなります。

前掲の「基本画像」を参照させ、先程のプロンプトをペーストして生成された結果が以下の画像です。

（ChatGPT・Proプランで作成。サイズは1774×867pix）

この画像をCanvaなどで切り出して使うことも可能ですが、1枚ずつの画像が参照画像（1774×867pix）より小さくなっており、画像が粗くなっています。

そのため、今回は、当店のGrok-imagineの画像生成ツールを使って、APIを使用して作成しました。

このツールでAPIで画像を生成すると、2kまで生成できるので、プロンプトで指定したサイズに近いサイズで生成できます。

（上記ツールで作成。モデル：grok-imagine-image-2.0 サイズは2912×1456pix）

ちなみに、GPT-image-2.0 APIでは、4Kまで対応しており、プロンプトの指示通りのサイズで出力できます。

（上記ツールで作成。モデル：GPT-image-2.0 サイズは3072×1536pix）

それぞれを1枚ずつCanvaで切り出した結果が以下のとおりです。

（ChatGPT、1774×867pix、800％）

（grok-imagine-image-2.0 API、2912×1456pix、800％）

（GPT-image-2.0 API、3072×1536pix、800％）

（基本画像、1024×1536pix、800％）

3つの画像を比べると、ChatGPTの画像は明らかに細部がぼやけていて、画像生成に使えるかどうか疑問が残りました。

grok-imagine-image-2.0、GPT-image-2.0で生成すると基本画像並みのサイズで生成できるので、細部まで細かく生成できています。

生成された3枚の画像が「キーフレーム」になるため、画質にはこだわったほうが良いと思われます。

今回はgrok-imagine-image-2.0で生成した3枚を用いることにしました。

（お知らせ⭐️GPT-image-2.0 API で画像生成できるツールを近日リリース予定です！）

それでは、この3枚を用いて、動画生成のための最終的なプロンプトを作成します。

（次のコラムへ）

＜考察＞ ChatGPTの生成画像ではうまくいかないのか？

今回の生成は、人物の再現度を確保するため、解像度の高い画像をキーフレームに使用しました。

ただし、grok-imagine-video-1.5 の Reference To Videoモードの場合、参照画像はあくまで「参照」で、どの程度キーフレームが使用されているか不明なところがあります。

今回は、掲載した3枚（grok-imagine-image-2.0で作成）の画像を用いましたが、1枚画像（基本画像）を追加し、4枚で生成することで、表情の詳細は基本画像が参照され、動作については他の3枚が参照され、粗いキーフレームであっても高解像度のキーフレームの動画とそれほど変わらない品質の動画を生成できる可能性はあるかもしれません。

次回テスト生成で検証してみたいと思います。

参考：キーフレームの人物一致度（AWS Amazon Rekognition にて測定）

● マスターモデルとの一致度

・基本画像：99.53%

●生成AI別（キーフレーム1、2、3の順）

・ChatGPT・Proプラン：99.09%、98.82%、99.77%

・grok-imagine-image-2.0 API：98.18%、97.20%、95.08%

・GPT-image-2.0 API：93.15%、99.86%、99.79%