Text-to-Videoとは？主要ツールの秒数・画質を比較｜商用利用は一律ではない

OpenAI Sora、Kling AI、Google Veoなど、文章を入力するだけで動画ができあがるツールの名前を見かけたことがあるかもしれません。

こうした仕組みは「Text-to-Video」または「テキスト動画生成」と呼ばれています。名前だけを見ると、何でも作れる魔法の道具のように思えます。

この記事では、Text-to-Videoが何を指す言葉なのか、実際にどんな動画がどれくらいの長さ・画質で作れるのか、商用利用で気をつけることを、主要ベンダーの公式資料の記述から整理します。

Text-to-Videoとは、文章から動画を生成する仕組み

Text-to-Videoは、生成AIの一種で、文章による指示（プロンプト）を入力すると、その内容に沿った動画を出力する仕組みを指します。

本記事で確認した範囲では、業界横断の単一の公式定義は確認できませんでした。

特定の1社の説明を一般定義として扱わず、複数社の公式資料に共通する入出力の形として、Text-to-Videoをここでは定義します。

OpenAI・Google DeepMind・Kling AI・MiniMaxの資料に共通するのは、文章の指示を入力し、動画を出力するという流れです。具体的な秒数・画質・追加でできることは、製品によって大きく異なります。次の見出しで、製品名を付けて比べます。

実際に何ができるか：主要ツールの入力と出力を比べる

OpenAIのSora（API経由のsora-2・sora-2-pro）は、16秒または20秒の動画を生成できます。延長機能を使うと1回につき最大20秒を追加でき、1本の動画で合計最大120秒まで伸ばせます。

Soraでは画像を渡すこともでき、その画像は生成される動画の最初のフレームとして使われます。マルチモーダルAIと呼ばれる、複数の種類の入力を扱えるツールの一例です。

Google DeepMindのVeoは、テキストからの生成と画像からの生成の両方に対応し、動画にあわせて効果音やセリフなどの音声も同時に生成できます。出力は1080pまたは4Kに対応しています。

Kling AIは、テキストプロンプトまたは画像から、最大15秒の連続した動画を生成できます。書き出しは1080pに対応し、Pro版では4Kでの書き出しも可能です。

MiniMaxの動画生成モデルでは、MiniMax H3は4〜15秒・768Pまたは2K出力、MiniMax H3 Maxは5〜15秒・480Pまたは768P出力です。

秒数や解像度の数字は、この記事の執筆時点（2026年9月13日確認）のものです。各社ともモデルの更新は頻繁なので、実際に使う際は各社の最新の公式情報を確認してください。

向く用途と向かない用途

本記事で確認した製品例では、Kling AIは最大15秒、OpenAIのSoraは延長機能を使うと合計最大120秒の動画を生成できます。

これらの製品例からの実務上の目安として、SNSに流す短い素材、広告の一部に使うイメージカット、企画段階のストーリーボードの叩き台といった用途を検討できます。

同じ製品例からの実務上の目安として、長時間のナレーション付き本編動画をまるごと作る用途は、別の手段と組み合わせる前提で考えると安全です。

Google DeepMindは、Veoについて、自然で一貫した音声、特にセリフの短いやり取りの生成は現在も改善中の領域だと説明しています。

この留保はVeoに関するものです。Veoを使う長尺の会話シーンが中心の動画は、別の手段と組み合わせる前提で考えると安全です。

商用利用は一律ではない

権利まわりの話は、ツールによって扱いが大きく異なる部分です。ここでは確認できた一次情報の範囲に限定して書きます。

Adobeは、Adobe Firefly Video Modelで生成した動画について、ライセンス済みのコンテンツで学習しているとしています。

Adobe Stockや公共ドメインの素材が学習に使われており、商用利用に安全であるよう設計されていると説明しています。

一方でAdobe自身が、Firefly上で使える「パートナーモデル」については、商用利用の可否がモデルごとに異なるとも明記しています。同じFireflyというサービスの中でも、モデルによって扱いが分かれるということです。

OpenAIのSora、Google DeepMindのVeo、Kling AI、MiniMaxそれぞれの商用利用の条件については、本記事では一次資料を確認していません。

断定はせず、実際に利用する前には各社の最新の利用規約を確認する必要があります。

仕様が変わる速さの例：OpenAI Sora 2はAPIごと終了する

この分野は、モデルの入れ替わりだけでなく、サービス自体の終了も起こりうるほど動きが速い分野です。

OpenAIの公式ドキュメントによると、Videos APIとsora-2・sora-2-proは、2026年3月24日に非推奨が告知され、2026年9月24日にAPIから削除されると明記されています。

この記事を確認した2026年9月13日の時点では、削除まで11日という状況です。読者がこの記事を読む時点では、すでに削除が完了しているか、あるいは状況が変わっている可能性があります。

公式ドキュメントには、移行先として推奨される後継モデルの記載はありません。Sora発表時の記事で紹介した内容も、この終了によって前提が変わっています。

なお、Soraの一般消費者向けアプリ（sora.com・スマートフォンアプリ）自体は、複数の報道が伝えるところによると、これに先立つ2026年4月26日にすでに終了しています。

こちらは本記事執筆時点で一次資料の直接確認ができておらず、複数の報道の一致による情報として扱います。

どのツールを選ぶかは比較記事で

Text-to-Videoツールの仕様やサービスの継続状況は変化が速く、どれが一番かという判断は執筆時点の情報がすぐ古くなります。

用途別のツール選びはAI動画生成ツール比較にまとめています。無料で試せる範囲もあわせて確認できます。

特定のモデル同士を比べたい場合は、Seedance 2.0とKling 3.0の比較記事も参考にしてください。

よくある質問

Text-to-Videoで長い動画をまるごと作れますか

本記事で確認した製品例では、Kling AIは最大15秒、OpenAIのSoraは延長機能を使うと合計最大120秒です。

これらの例からの実務上の目安として、長時間のナレーション付き本編を1本で作るより、短い素材を作る用途を検討しやすいでしょう。

Google DeepMindのVeoについては、自然で一貫した音声、特に短いセリフの生成は改善中の領域とされています。

商用利用はできますか

ツールによります。Adobeは自社のFireflyモデルについて商用利用に安全であるよう設計されていると説明する一方、パートナーモデルは扱いが異なるとしています。

他社の条件は本記事では確認していないため、利用前に各社の最新の利用規約を必ず確認してください。

まとめ

Text-to-Videoは、文章の指示を入力すると動画を出力する仕組みです。本記事で確認した範囲では、業界横断の単一の公式定義は確認できず、複数社の資料に共通する入出力の形としてここでは説明しました。

本記事で確認した製品例では、OpenAIのSoraは延長機能を使うと合計最大120秒、Kling AIは最大15秒、MiniMax H3は4〜15秒、MiniMax H3 Maxは5〜15秒です。

これらの製品例からの実務上の目安として、短いSNS素材や企画段階の叩き台を検討できます。

Google DeepMindはVeoの自然な音声の生成が改善中の領域だと説明しています。長時間のナレーション付き本編は、これらの製品例を前提に別の手段と組み合わせる前提で考えると安全です。

商用利用も一律ではありません。Adobeのように商用利用に安全と説明するモデルもあれば、確認が必要なツールもあります。

ツール選びや動画制作の企画についてご相談がある場合はお問い合わせはこちらからご相談ください。

この記事の出典

• Video generation with Sora（OpenAI API Documentation、2026-09-13確認）
• Deprecations（OpenAI API Documentation、2026-09-13確認）
• Veo（Google DeepMind公式サイト、2026-09-13確認）
• AI Video Generator from Text and Images（Kling AI公式サイト、2026-09-13確認）
• Video Generation（MiniMax API Documentation、2026-09-13確認）
• AI Video Generator | Adobe Firefly（Adobe公式サイト、2026-09-13確認）