WanPEが動画生成の脚本精度を向上

研究の概要

近年、動画生成AIは30秒規模の長尺動画を高精度に生成する能力を持つまでに進化しているが、その品質は入力される指示文（プロンプト）の巧拙に大きく依存する。ユーザーが提供する簡潔な指示だけでは、カメラワークや照明、音響、複数ショットにまたがる展開といった映画的な演出情報が欠落しがちであり、その結果、生成される動画は単調になりやすいという課題が存在していた。

この課題を解決するために、研究チームはプロンプト強化モデル「WanPE」を開発した。このモデルは、​3970億​のパラメータを持ち、105万本の実写映像から学習データを構築している。特に注目すべきは、既存の完成映像を分析し、背後にある演出意図を逆算する「逆構築（reverse construction）」という手法を用いて、ショット単位の撮影計画を生成する点である。さらに、独自の強化学習手法「​SC-GRPO​」により、複数ショットや時間経過を通じてユーザーの本来の要望を一貫して反映させる仕組みを持つ。

評価においては、5秒から30秒までの動画を対象に、約1.1万件の人手によるペア比較評価を基にした新ベンチマーク「WanPEval」を構築した。動画生成モデル「Wan3.0」に組み込まれた結果、素のユーザー入力と比較して、5〜15秒の動画で10.66〜18.84ポイント、30秒の長尺動画では​50.86ポイント​という大幅な改善が記録された。この成果は、5〜15秒の領域では既存の商用サービスをすべて上回り、30秒領域でも競合の「Seedance 2.5」に匹敵する性能を示している。

しくみをやさしく

「WanPE」は、ユーザーが提供するプロンプトをもとに、映画的な演出を自動的に生成するAIモデルである。具体的には、まず既存の映像を分析し、その演出意図を理解する。このプロセスにより、AIはショットごとの撮影計画を立てる。その後、強化学習を通じて、ユーザーの意図をさらに深く理解し、時間の経過に沿った一貫性のある映像を生成することが可能となる。このようにして、AIは専門的な知識がなくても、質の高い映像制作を支援することができる。

ビジネスへの示唆

この成果は、動画コンテンツ制作を担う複数の業界・部門に実務的な影響を与える。特に、広告代理店のクリエイティブ制作部門や企業のマーケティング部門において、これまで専門のディレクターや脚本家が行っていたショット割りやカメラワーク設計の初期工程をAIが代替する可能性が出てきた。具体的には、次のような業務において効果が期待できる。

• ​広告制作​：CM素材の企画から初稿映像までの制作リードタイム短縮。
• ​ECサイト運営​：商品紹介動画量産時のクリエイティブ制作コスト削減。
• ​メディア・エンタメ企業​：ショート動画コンテンツの品質向上による視聴完了率・エンゲージメント率の改善。
• ​人材育成​：非専門人材でも映画的演出を含む指示が作成可能になることによる制作人員の裾野拡大。

このように、特に長尺（30秒）動画での改善幅が大きい点は、SNS向けショート動画広告やブランデッドコンテンツの内製化を検討する企業にとって重要な意味を持つ。従来は長尺になるほど演出の一貫性維持が難しく、専門スタジオへの外注が前提であったが、プロンプト強化技術の実用化が進めば、内製比率を高め、コンテンツ制作コストの構造そのものを見直す動きにつながる可能性がある。

現場での導入イメージ

仮に導入支援に入るなら、次のような4つのステップを経て、AIを活用した動画制作の効率化を目指すことができる。

1. ​棚卸し​：現在の動画制作フローを詳細に分析し、どの業務がAIによって効率化可能かを特定する。目指す到達点は、業務の現状把握とAI導入の必要性の理解である。

2. ​差し込み先の設計​：既存のツールや業務フローの中で、AIをどのように活用するかを設計する。新たなツールを増やさずに、既存の業務にAIを統合することを目指す。

3. ​小さく試す（PoC）​：小規模なプロジェクトでAIを試験的に導入し、その効果を測定する。目指す到達点は、実際の業務におけるAIの有効性を確認し、必要な調整を行うことである。

4. ​運用と横展開​：効果が確認できた後、全社的にAIを導入し、運用を開始する。目指す到達点は、AIを活用した動画制作の標準化と、業務全体の効率化である。

このようなプロセスを経て、企業は動画制作におけるAIの活用を進め、制作コストの削減や品質の向上を実現することが期待される。