オープンソース動画生成が本格化
Meituanは2025年9月にMITライセンスの下でLongcat Videoをリリースし、136億パラメータのDense Transformerアーキテクチャをオープンソースの動画生成分野にもたらしました。このモデルは最大961フレームを生成し、テキストから動画、画像から動画の両方のワークフローをサポートし、480pまたは720p解像度で出力します。
Longcat Videoが以前のオープンソースモデルと異なる点は、拡張シーケンス全体での時間的一貫性です。ほとんどの動画モデルは、数秒を超えると一貫した被写体の外観と論理的な動きの進行を維持するのに苦労します。Longcat VideoはDense Transformerアーキテクチャを通じてこれに対処していますが、信頼性の高い結果を得るには、慎重なプロンプトエンジニアリングが依然として必要です。Longcat Videoは、テキスト推論用の5600億パラメータの言語モデルであるLongcat-Flashとは別のものであることに注意してください。
効果的なプロンプト構造
Longcat Videoは詳細で構造化されたプロンプトに応答します。最小限の説明は最小限の結果を生み出します。プロンプトには5つの要素が必要です：
- シーン説明：視覚要素、設定、雰囲気
- 動きの方向：オブジェクトやキャラクターがフレーム内でどのように動くか
- 映像要素：カメラの動き、照明、視点
- スタイル参照：視覚的美学（フォトリアリスティック、アニメ、ドキュメンタリー）
- 技術的修飾子：解像度と品質の指標
2つのプロンプトを比較してください：
弱い：「道を走る車」
強い：「日没時に曲がりくねった海岸道路を走る洗練された赤いスポーツカー。カメラは車両の横を追いかけ、磨かれた表面に反射する金色の太陽を捉えます。シーンはホイールのクローズアップディテールから、下の劇的な海岸線を明らかにするワイドな空撮へと移行します。映画的な照明、フォトリアリスティック、4K品質。」
2番目のプロンプトは、モデルに具体的な視覚目標と動きの振り付けを与えます。
ネガティブプロンプトの重要性
Longcat Videoは不要な要素をフィルタリングするネガティブプロンプトを受け入れます。デフォルトのネガティブプロンプトには以下が含まれます：
「明るいトーン、露出オーバー、静的、ぼやけた詳細、字幕、スタイル、作品、絵画、画像、静止、全体的にグレー、最悪の品質、低品質、JPEG圧縮残留、醜い、不完全、余分な指、描画が下手な手、描画が下手な顔、変形、醜形、不格好な手足、融合した指、静止画、乱雑な背景」
ユースケースに応じて特定の除外を追加してください：「カメラの揺れ」、「色の歪み」、「急なシーン変更」で出力品質を向上させます。
テキストから動画のテクニック
時間的シーケンス
動画生成には順次思考が必要です。時間マーカーでプロンプトを構成します：
「蝶がさなぎから出てきて、ゆっくりと鮮やかな羽を広げます。最初、羽は湿って縮んで見えます。その後、体液が静脈を通って流れるにつれて徐々に広がります。最後に、蝶は日当たりの良い庭に向けて最初の飛行を始める前に一瞬休みます。」
この順次構造は、最小限の動きを持つ静的なシーンではなく、一貫した物語の進行に向けてモデルを導きます。
モーション語彙
特定のモーション用語を使用します：
- 動詞：浮かぶ、加速する、溶ける、出現する、旋回する
- 副詞：滑らかに、徐々に、急速に、リズミカルに、穏やかに
- トランジション：〜に変化する、〜にフェードする、ズームアウトして明らかにする
例：「肥沃な土に植えられた小さな種が徐々に発芽し、繊細な緑の芽がゆっくりと土から出てきて、着実に日光に向かって成長します。」
画像から動画の戦略
ソース画像の選択
すべての画像がうまく動画に変換されるわけではありません。効果的なソース画像には以下があります：
- 明確な焦点：アニメーション化できる明確な被写体
- 奥行きの手がかり：前景、中景、背景を示唆する視覚情報
- 方向性要素：動きを示唆するコンポーネント（曲がりくねった道、流れる水）
- 動的ポテンシャル：自然に動きを示唆する被写体（雲、木、布）
補完的プロンプト
プロンプトは画像の内容を拡張すべきであり、矛盾すべきではありません。山の風景画像の場合：
「壮大な山の風景が生き生きとし、雲がゆっくりと山頂を横切って漂います。そよ風が前景の松の木を軽く揺らし、遠くのワシが谷を横切って舞います。午後の光は徐々に金色の夕焼けのトーンに変わり、地形にますます長い影を落とします。」
パラメータ設定
| パラメータ | 範囲 | 推奨設定 |
|---|---|---|
| 解像度 | 480p / 720p | テスト用に480p；最終出力には30fpsで720p |
| num_frames | 17-961 | コンセプト用に60-120；完全なシーン用に150-300；拡張シーケンス用に300+ |
| num_inference_steps | 8-50 | ドラフト用に15-20；バランスの取れた品質に30-40；最高品質に40-50 |
| guidance_scale | 1-10 | バランスの取れた結果に4-6；厳密なプロンプト遵守に7-10 |
| fps | 1-60 | 480pに15fps；720pに30fps |
出力フォーマットオプション
- X264 (.mp4)：ユニバーサル互換性
- VP9 (.webm)：ウェブ最適化
- PRORES4444 (.mov)：プロフェッショナル編集ワークフロー
- GIF (.gif)：ソーシャルメディア共有
一般的な問題と修正
静的または最小限の動き
動画が静的すぎる場合：
- プロンプトにモーション固有の言語を追加
- フレーム数を増やす
- 動的な動詞とトランジションの説明を使用
一貫性のない被写体の外観
動画全体で被写体の外観が変化する場合：
- プロンプトに「consistent」を追加
- 定義的な特徴の説明を強化
- ネガティブプロンプトで「no changing appearance」を指定
不自然な動き
動きがロボット的に感じる場合：
- オーガニックなモーション用語を使用（「flowing」、「natural」、「smooth」）
- 矛盾する動きの方向を避ける
- プロンプトに「realistic physics」を追加
API実装
基本的な統合はQueue APIで最小限のセットアップが必要です：
import { fal } from '@fal-ai/client';
const result = await fal.subscribe('fal-ai/longcat-video/text-to-video/720p', {
input: {
prompt: 'realistic filming style, a person wearing a dark helmet...',
num_frames: 300,
num_inference_steps: 30,
guidance_scale: 5,
},
onQueueUpdate: (update) => {
if (update.status === 'IN_PROGRESS') {
console.log(`Processing: ${update.logs}`);
}
},
});subscribeメソッドはリクエストのキューイングとステータス更新を自動的に処理します。生成時間はキューの深さとシステム負荷によって異なります。
デプロイメントの考慮事項
ローカルデプロイメントの場合、Longcat VideoはNVIDIA GPUシステムで約80GBのVRAMを必要とします。このハードウェア要件により、ほとんどの本番シナリオではクラウドデプロイメントが実用的な選択となります。
最適化されたクラウドプラットフォームでの実行は、インフラ管理を排除しながら最適化された生成を提供します。プラットフォームは、モデルのロード、GPU割り当て、キュー管理を含むバックエンド要件を処理します。
プロプライエタリモデルのオープンソース代替
OpenAIのSora 2が2025年に見出しを独占していますが、Longcat Videoは実行可能なオープンソースの代替手段を表しています。主な違い：生成パイプライン全体を制御できます。サブスクリプション料金なし、コンテンツ制限なし、ブラックボックス処理なし。
トレードオフはプロンプトの複雑さです。プロプライエタリモデルには、多くの場合、追加のガードレールとプロンプト最適化レイヤーが含まれています。Longcat Videoでは、すべてのパラメータを制御できます。これは、より多くの柔軟性を意味しますが、プロンプトエンジニアリングとチューニングに対するより多くの責任も意味します。
生成の透明性、モデルのカスタマイズ、またはベンダーロックインからの解放を必要とするチームにとって、Longcat Videoは完全な運用制御で本番グレードの結果を提供します。