AIテキスト動画生成アリーナ リーダーボード 2026

完全なリーダーボード — 31モデル

以下の表は、2026年1月29日時点でのアリーナの完全な状態を表しています。各モデルのリンクから、公式ドキュメントまたはAPIエンドポイントに直接アクセスして、自分でテストすることができます。

頂点での際どい戦い

視点を変えて説明しましょう。2ポイント。それが今、Veo 3.1 AudioとSora 2 Proを隔てている全てです。数ヶ月前にこのリーダーボードの追跡を始めたとき、Googleには十分な余裕がありました。そのクッションはなくなりました。トップ7のモデル — Googleから4つ、OpenAIから2つ、xAIから1つ — はすべて33ポイントの範囲内にひしめき合っています。競争の激しいAIベンチマークにおいて、それは任意のプロンプトに対してコイントスのようなものです。

Veo 3.1が王座を維持している理由は、もはや生の視覚的な忠実度ではありません。それは同期されたオーディオ生成です。私が街のシーンを生成すると、足音は舗装の種類と一致します。雨音はカメラの距離によって変化します。車のエンジンは加速と同期して回転数を上げます。これは後処理で重ねられたオーディオではありません。ビデオと同じフォワードパスで生成されます。人間の審査員が2つのクリップを並べて見たとき、一致するサウンドがある方が単によりリアルに感じるため、その単一の機能がVeoを1位に保っています。

しかし、Sora 2 ProはVeoが重視していない分野で勝利しています。私は物理演算を重視したプロンプトを実行してきました — テーブルから落とされる水、変化する風の中の旗、ドアノブに引っかかる布 — そしてSoraは一貫して物理的により正確な結果を生み出します。水は正しい質量で跳ねます。布は破れる前に伸びます。ガラスの破片は信憑性のある運動量で散らばります。もしあなたのショットが、観客が物理法則を信じることに依存しているなら、Soraがその答えです。Veoは美しさを作り、Soraは信憑性を作ります。

7位のSora 2は依然として主力のバリアントです — Proよりも少し洗練されていませんが、生成が速く、ほとんどの制作作業には十分以上の能力があります。私はまだOpenAIのビデオタスクの70%に標準のSora 2を使用しています。なぜなら、品質対速度の比率が優れているからです。

Grokファクター

これは誰も予想していなかったストーリーです。Grok Imagine Videoがデビューし、4位に着地しました — Googleの2つのVeo 3.1バリアントとそのVeo 3モデルの間に割って入りました。xAIからの第一世代のビデオ製品としては、これは並外れています。登場以来、私は広範囲にテストしてきましたが、私を驚かせたのは、それが映画的な構図をどれほどうまく処理するかということです。フレーミングの選択は、1年以上イテレーションを行っているモデルから得られるものよりも優れていることがよくあります。

720pの解像度が現在の制限です。Klingが1080pターボモードを推進し、Veoがネイティブの高解像度でレンダリングする世界では、720pは意図的なトレードオフのように感じられます — xAIはおそらく、生のピクセル数よりも時間的な一貫性と動きの品質を優先しました。賢明な動きです。私はフレームの途切れがある1080pクリップよりも、シャープで滑らかな720pクリップを見たいです。ここで重要なのは軌道です。もしxAIがこの動きの品質を維持しながら解像度をスケーリングできれば、彼らは2026年半ばまでにトップ2を争うことになるでしょう。

混雑した中間層 — リアルな選択肢が存在する場所

ほとんどのクリエイターは、すべてのクリップに対してトップティアのAPIコールに予算を費やすことはありません。制作作業の現実は、ビデオニーズの80%は絶対的に最高のモデルを必要としていないということです — それらは適切なモデルを必要としています。そして8位から22位の間には、特化した能力の驚くべき密度があります。

8位のAlibabaのWan 2.5は、次のクラスターをリードしています。私は、芸術的で抽象的なプロンプト — 西洋のモデルがあまりにも文字通りに解釈しがちな、詩的で比喩的な描写 — において、これが非常に強力であることに気づきました。「群衆の中に溶けていく孤独」と書くと、Wan 2.5は単に他の人々の近くに一人で立っている人をレンダリングするのではなく、実際に視覚的に喚起させる何かを生成します。

BytedanceのSeedance v1.5 Pro（9位）は、複雑なカメラワークのための私の頼れる存在になりました。軌道ショット、スロードリー、クレーンから手持ちへの移行 — Seedanceは、Veoを除く他のどのモデルよりも、マルチセグメントのカメラの振り付けをうまく処理します。古いSeedance v1 Pro（18位）とSeedance v1 Lite（25位）は、より単純なプロンプトに対して依然として有効であり、コストも大幅に低くなっています。

KlingAIは現在、ランキングに4つのモデルを投入しています（12位から14位、さらに22位）。その拡散は彼らの戦略について何かを物語っています。1つのフラッグシップではなく、ラインナップを構築しているのです。14位のKling O1 Proは新しく、魅力的です — これは思考の連鎖（chain-of-thought）推論を動画生成に適用し、レンダリングする前にあなたが実際に何を望んでいるかを理解するためにより多くの計算時間を費やします。初期の結果は、これが複雑なマルチ要素シーンでのプロンプト順守を劇的に改善することを示唆しています。12位のKling 2.5 Turbo 1080pはスピード狂です — ターボ速度でのネイティブ1080pは、他で最終的なレンダリングを行う前にコンセプトを反復するのに理想的です。

15位のLuma AIのRay 3は、私が何度も戻ってくる静かな達成者です。他のモデルが映画的なリアリズムを追い求めているのに対し、Ray 3は独特の美的品質を持っています — 少し夢のようで、ほとんど手描きのように感じるゴージャスな照明の推移があります。フォトリアリスティックではなく、高尚な感じが必要なムードピースやブランドワークにとって、これは比類のないものです。

MiniMaxのHailuoラインナップ（16位、17位、19位）は、このリーダーボードのイテレーションエンジンであり続けています。私がドラフトを作成しているとき — 方向性を選択する前にコンセプトの20のバリエーションをテストするとき — Hailuoのスピードとコスト構造はそれを明白な選択にします。Hailuo 02 Proと標準バージョンの間の品質の差は予想よりも狭く、標準ティアは制作のプレビジュアライゼーションに本当に役立ちます。

21位のTencentのHunyuan Video 1.5は、私が最も注意深く見守るダークホースです。Tencentの研究発表は、彼らが時間的一貫性 — より長い生成クリップ全体でキャラクターの外観とシーンの論理を維持する能力 — に多額の投資をしていることを示唆しています。それはビデオAIにおける最も困難な未解決の問題であり、それを最初に解決した者が、一夜にしてこれらのランキングを塗り替えるでしょう。

オープンソースの躍進

このリーダーボードの下半分で何か重要なことが起こっています。Kandinsky 5.0 Pro（20位）とKandinsky 5.0 Lite（26位）は、開発に数百万ドルかかったプロプライエタリなシステムと競合する完全なオープンソースモデルです。Proバリアントは20位に位置し、Tencentを上回り、古いKlingモデルを上回り、Veo 2を上回っています。それは声明です。

Lightricksの27位のLTX-2 19Bはリーダーボードの新顔であり、オープンソースビデオのもう一つの分岐を表しています：ダウンロードして微調整し、独自のインフラストラクチャにデプロイできるモデルです。190億パラメータでそれは小さくありませんが、ハイエンドの消費者向けハードウェアで動作します。サードパーティのAPIにフレームを送信せずに独自の映像を処理する必要があるスタジオにとって、これは利便性ではなく、要件です。

AlibabaのWan v2.2（24位）は両方の世界を橋渡しします — Hugging Face上のオープンウェイトで、Alibabaのクラウドインフラストラクチャに支えられています。Genmo AIのMochi v1（31位）がオープンソースのエントリーを締めくくります。今日ではランキングの最下位に位置していますが、効率的なアーキテクチャに関するGenmoの研究は、将来のイテレーションで配当を生む可能性があります。

次に来るもの

私は最初のRunwayのデモ以来、AI動画生成を追跡してきましたが、これほど激しい競争圧力を見たことはありません。研究トレンド、APIロードマップ、そしてこれらのモデルに取り組んでいるチームから聞いていることに基づいて、今後6ヶ月間で私が予想することは次のとおりです：

オーディオは当たり前になるでしょう。 現在、同期されたオーディオ生成はVeoの重要な差別化要因です。2026年第3四半期までに、Sora、Grok、および少なくとも2つの中国のモデルが同等のオーディオ機能を提供すると予想しています。それが起こると、リーダーボードは劇的に再編成されます — Veoの現在の優位性は、誰もがそれに匹敵できるようになった瞬間に蒸発します。

解像度は重要ではなくなります。 ネイティブ4K生成が技術的に可能であるが、ほとんどのアプリケーションにとって知覚的に不要であるポイントに近づいています。次の戦場は時間的一貫性です — モデルは、キャラクターの顔が変形せず、物理法則が一貫しており、照明がランダムに変化しない、30秒間の連続した一貫性のあるビデオを生成できますか？ そこが、TencentのHunyuan研究とKlingのO1推論アプローチが純粋な視覚的品質を飛び越えることができる場所です。

API価格戦争が始まろうとしています。 現在、Veo 3.1やSora 2 Proのようなプレミアムモデルにはプレミアム価格が設定されています。しかし、MiniMaxが価格の数分の一で真に競争力のある品質を提供し、KandinskyやLTX-2のようなオープンソースモデルが自己ホスト型デプロイメントのための限界費用ゼロを提供しているため、トップティアのプロバイダーは価格を圧縮せざるを得ません。それはすべてのクリエイターにとって良いことです。

xAIは720pに留まりません。 解像度のハンディキャップを持ったGrokの4位デビューは、おそらくこのリーダーボード全体で最も多くを語るデータポイントです。彼らはモデルアーキテクチャが機能することを証明しました。解像度のスケーリングはエンジニアリングの問題であり、研究の問題ではありません。Grokが夏までに1080pビデオを提供していなければ驚きです。

ユースケース別のおすすめ