この記事の対象読者

動画生成AIに興味があるが、全体像を掴みきれていない方
「結局いつ何が出たのか」を正確に把握したい方
研究論文・OSS・商用SaaSの関係性を整理したい方

この記事で得られること

2014年〜2026年までの動画生成AI全史を時系列で把握できる
研究論文 / OSS / 商用SaaSの3レイヤーが、どう影響し合ってきたかが分かる
DiTアーキテクチャがなぜ「分水嶺」になったかを理解できる

この記事で扱わないこと

各モデルの詳細な技術解説（別記事で扱います）
画像生成AI（Stable Diffusion、Midjourney等）の歴史（動画に関連する部分のみ言及）
料金プランや使い方のガイド

1. 前史 ─ 動画生成の「種」が蒔かれた時代（2014〜2021年）

動画生成AIは、ある日突然生まれたわけではない。画像生成・敵対的生成ネットワーク（GAN）・拡散モデル・Transformerアーキテクチャという複数の技術的潮流が合流した結果だ。

日付	イベント	カテゴリ	重要度
2014年6月	GAN（Generative Adversarial Network）論文発表（Ian Goodfellow他）	研究	★★★★★
2015年6月	DeepDream 公開（Google） ─ ニューラルネットワークによる「夢のような」画像変換の原型	研究	★★★
2017年6月	Transformer 論文 "Attention Is All You Need" 発表（Google）─ 後のDiTアーキテクチャの基礎	研究	★★★★★
2020年6月	DDPM（Denoising Diffusion Probabilistic Models）論文発表 ─ 拡散モデルの実用化の礎	研究	★★★★★
2020年12月	DVD-GAN（Google）─ GANベースの動画生成の初期研究	研究	★★★
2021年1月	DALL-E（OpenAI）発表 ─ テキストから画像を生成、動画生成への道を切り開いた	研究	★★★★
2021年11月	Malevich（ruDALL-E XL）公開 ─ Kandinskyシリーズの前身	OSS	★★
2021年12月	Latent Diffusion Models 論文発表（CompVis Group + Runway Research） ─ Stable Diffusionの原型であり、潜在空間での拡散という革命的アプローチ	研究	★★★★★

この時期のポイント：動画生成AIはまだ「研究段階」。一般ユーザーが触れるツールは存在しなかった。しかしGAN→拡散モデル→Transformerという技術的基盤がこの期間に確立された。

2. 夜明け ─ 最初の動画生成モデルたち（2022年）

2022年は「テキストから動画を作る」という概念が論文から実装に移り始めた年だ。

日付	イベント	カテゴリ	重要度
2022年5月	CogVideo（清華大学）GitHub公開 ─ 94億パラメータ、世界初の大規模Text-to-Videoモデルと言われる	OSS/研究	★★★★★
2022年6月	Kandinsky 1.0 リリース（Sberbank AI / ai-forever）─ ロシア発の画像生成モデルシリーズ開始	OSS	★★
2022年8月22日	Stable Diffusion 公開（Stability AI / CompVis / Runway）─ 画像生成の民主化。動画生成OSSの母体になる	OSS	★★★★★
2022年9月29日	Make-A-Video（Meta）発表 ─ テキストから短い動画クリップを生成。ただし一般公開はされず	研究	★★★★
2022年10月5日	Imagen Video（Google Brain）発表 ─ 3D U-Netベースの高品質Text-to-Video	研究	★★★★
2022年10月	Phenaki（Google Brain）発表 ─ 複数のプロンプトから長時間の一貫した動画生成が可能	研究	★★★
2022年11月	Kandinsky 2.0 リリース ─ 初の拡散モデルベースへ移行	OSS	★★
2022年	KAIBER ローンチ ─ 音楽に同期したAI動画生成プラットフォーム。Stable Diffusion等のOSSを基盤に構築	SaaS	★★★
2022年12月11日	Runway Gen-1 研究発表（論文公開）─ 動画→動画の生成AI。後に2023年2月に一般公開	研究	★★★★
2022年12月19日	DiT（Diffusion Transformer）論文 arXivに投稿（William Peebles & Saining Xie、UC Berkeley / NYU）─ 拡散モデルのバックボーンをU-NetからTransformerに置換。後のSora、Kling、HunyuanVideoすべてのアーキテクチャ的祖先	研究	★★★★★

DiT論文はarXiv投稿が2022年12月19日、ICCV 2023でOral採択が2023年。この論文の登場が、後に「動画生成AI戦争」の火種となるDiffusion Transformerアーキテクチャを確立した。Sora、Kling、HunyuanVideo、Stable Diffusion 3 ─ 現在の主要モデルのほぼ全てがDiTの子孫である。

3. 商用化の幕開け ─ 一般ユーザーが触れる時代へ（2023年）

2023年は動画生成AIが「研究の世界」から「誰でも使えるツール」へと飛び出した年だ。

日付	イベント	カテゴリ	重要度
2023年2月	Runway Gen-1 一般公開 ─ 世界初の商用動画生成AIの一つ。動画→動画変換が主機能	SaaS	★★★★★
2023年3月	DiT論文 ICCV 2023に採択（Oral Presentation）─ アカデミアからも最高評価	研究	★★★★
2023年3月11日	Runway Gen-2 研究発表 ─ テキスト/画像/動画→動画のマルチモーダル生成	研究	★★★★
2023年3月20日	Runway Gen-2 公式発表 ─ Gen-1の数週間後に発表。テキストだけから動画生成が可能に	SaaS	★★★★★
2023年3月22日	NUWA-XL（Microsoft）発表 ─ 拡散モデルベースの長時間高品質動画生成	研究	★★★
2023年初頭	ModelScope Text2Video（Alibaba）公開 ─ 2秒程度の短いクリップ生成。人気のOSSベースラインに	OSS	★★★
2023年4月	Kandinsky 2.1 リリース ─ テキスト-画像の整合性が大幅に向上	OSS	★★
2023年6月3日	Zeroscope 公開 ─ ModelScopeベースのOSS Text-to-Video、品質改善版	OSS	★★★
2023年6月	Runway Gen-2 一般利用開始（Web版） ─ テキスト→4秒動画の生成が誰でも可能に	SaaS	★★★★
2023年6月28日	Pika Labs Discordで公開 ─ 手軽なText-to-Video生成で急速にユーザー獲得	SaaS	★★★★
2023年7月10日	AnimateDiff 公開 ─ Stable Diffusionモデルにモーション機能を追加するプラグイン的アプローチ	OSS	★★★★
2023年9月27日	Show-1（NUS ShowLab）公開 ─ GPU効率を改善した動画生成	OSS/研究	★★
2023年11月	Pika 1.0 正式発表 ─ Discord発の動画生成ツールが本格的なプロダクトに	SaaS	★★★★
2023年11月21日	Stable Video Diffusion（SVD）公開（Stability AI）─ Stable Diffusionファミリー初の動画生成モデル。画像→14〜25フレームの動画を生成。初の本格的OSSビデオ生成モデル	OSS	★★★★★
2023年11月27日	MagicAnimate 公開 ─ 静止画からのモーション転送	OSS/研究	★★★
2023年12月	Runway 「General World Models」構想発表 ─ 動画生成を「世界シミュレーション」へと位置づける	研究	★★★

2023年の構図：Runway（商用先行）vs Stability AI（OSS先行）vs 中国勢（研究蓄積）。この3つの軸が、2024年以降の爆発的競争の伏線になる。

4. 大爆発 ─ Soraショックと群雄割拠（2024年）

2024年は動画生成AIにとっての「カンブリア大爆発」だった。Soraの衝撃的なデモがすべてを変え、世界中のAIラボが本気で動画生成に参入した。

前半（1月〜6月）

日付	イベント	カテゴリ	重要度
2024年1月15日	PixVerse 公開 ─ 使いやすさで人気を獲得するクリエイタープラットフォーム	SaaS	★★★
2024年1月23日	Lumiere（Google）発表 ─ 時間的一貫性に優れた拡散ベースの動画生成	研究	★★★★
2024年2月13日	Boximator（ByteDance）発表 ─ バウンディングボックスによるモーション制御プラグイン	研究	★★★
2024年2月15日	Sora（OpenAI）発表 ─ 最大60秒のフォトリアリスティック動画をテキストから生成。DiTアーキテクチャ採用。デモ映像の衝撃で世界中が騒然。ただし一般公開はされず	研究/デモ	★★★★★
2024年5月14日	Veo（Google DeepMind）Google I/O 2024で発表 ─ 1080p、1分超の動画生成。Soraへの対抗馬	SaaS	★★★★★
2024年5月	CogVideo の系譜 → Text-to-Videoの基盤として継続的に研究発展	研究	★★★
2024年6月6日	Kling（可灵）（快手 / Kuaishou）公式サイト公開・テスト開始 ─ DiTアーキテクチャ、最大2分・1080p・30fps。中国発のSora対抗馬として一躍注目	SaaS	★★★★★
2024年6月12日	Dream Machine（Luma Labs）一般公開 ─ テキスト/画像→5秒動画。Transformerベースで物理的に正確な動画生成	SaaS	★★★★
2024年6月17日	Runway Gen-3 Alpha 発表 ─ 忠実度・一貫性・モーションがGen-2から大幅向上。10秒クリップ生成	SaaS	★★★★★

後半（7月〜12月）

日付	イベント	カテゴリ	重要度
2024年7月31日	Vidu（生数科技 / Shengshu Technology × 清華大学）公開 ─ 中国のAI動画生成スタートアップ	SaaS	★★★
2024年8月6日	CogVideoX 公開 ─ CogVideoの後継OSS、6秒クリップ生成	OSS	★★★★
2024年9月1日	Hailuo AI / video-01（MiniMax）公開 ─ プロンプト追従性と柔軟性で評価される中国発SaaS	SaaS	★★★★
2024年9月11日	Adobe Firefly Video 発表（ウェイトリスト） ─ 著作権クリアな学習データを売りにした商用利用特化モデル	SaaS	★★★
2024年10月4日	Movie Gen（Meta）発表 ─ 編集・顔統合・Text-to-Video	研究	★★★★
2024年10月10日	Pyramid Flow 公開 ─ Flow Matchingを用いたオートレグレッシブ手法のOSS	OSS	★★★
2024年10月	Mochi 1（Genmo AI）公開 ─ OSS動画生成モデル	OSS	★★★
2024年10月	Haiper 公開 ─ ロンドン発のAI動画生成プラットフォーム	SaaS	★★★
2024年11月22日	LTX-Video（Lightricks）公開 ─ 滑らかな24FPS動画を生成するOSSモデル	OSS	★★★★
2024年12月3日	HunyuanVideo（Tencent）公開 ─ 130億パラメータ、当時最大のOSS動画生成モデル。DiTアーキテクチャの「Dual-Stream to Single-Stream」設計。Apache 2.0ライセンスではないがコミュニティライセンスで公開	OSS	★★★★★
2024年12月9日	Sora Turbo（OpenAI）一般公開 ─ 2月のデモから約10ヶ月。ChatGPT Plus/Proユーザー向け。最大1080p・20秒。ただし期待値との落差も指摘される	SaaS	★★★★★
2024年12月16日	Veo 2（Google DeepMind）公開 ─ VideoFX経由。4K解像度対応、物理シミュレーションの理解が向上	SaaS	★★★★★
2024年12月19日	Kling 1.6 リリース ─ Image-to-Video品質が旧バージョン比195%向上と発表	SaaS	★★★★

2024年は動画生成AIの「iPhone登場」的な年だった。年初のSora発表が雷管となり、Google（Veo）、快手（Kling）、Luma（Dream Machine）、MiniMax（Hailuo）、Tencent（HunyuanVideo）が一気に参入。年末にはSoraが一般公開されたものの、その頃には競合が追いつき、「Sora一強」という構図にはならなかった。

5. 成熟と淘汰 ─ 音声統合と世界モデルへ（2025年）

2025年は「動画を作る」から「世界をシミュレーションする」への転換が始まった年だ。

日付	イベント	カテゴリ	重要度
2025年2月3日	OmniHuman-1（ByteDance）発表 ─ リアルなリップシンクと人体モーション特化	研究	★★★
2025年2月4日	VideoJAM（Meta）発表 ─ 動画生成におけるモーションリアリズム改善フレームワーク	研究	★★★
2025年2月22日	Wan 2.1（Alibaba / 通義実験室）公開 ─ Apache 2.0ライセンスの完全OSS動画生成モデル。LoRAファインチューニング対応で高いカスタマイズ性	OSS	★★★★★
2025年3月31日	Runway Gen-4 発表 ─ モーション柔軟性とリファレンス画像統合が向上	SaaS	★★★★
2025年4月15日	Kling 2.0 発表（北京イベント）─ Multimodal Visual Language（MVL）フレームワーク導入	SaaS	★★★★
2025年5月	Kling 2.1 リリース ─ 品質モード選択機能追加	SaaS	★★★
2025年5月20日	Veo 3（Google DeepMind）リリース ─ 動画と同時に音声（台詞・効果音・環境音）を生成する初の主要モデル。「音声付き動画生成」時代の幕開け	SaaS	★★★★★
2025年6月12日	Seedance 1.0（ByteDance）公開 ─ Veo 3対抗の低コスト動画生成	SaaS	★★★★
2025年7月	LTX-Video アップデート ─ 最大60秒のクリップ生成に対応	OSS	★★★
2025年7月8日	Marey（Moonvalley & Asteria Film）公開 ─ ライセンス済みデータのみで学習した点が特徴	SaaS	★★★
2025年9月30日	Sora 2（OpenAI）発表 ─ iOSアプリ同時リリース。物理シミュレーション精度の大幅向上、「Characters」機能で自分自身を動画に登場させることが可能に。ソーシャル機能搭載	SaaS	★★★★★
2025年10月	LTX-2（Lightricks）リリース ─ 音声生成機能を内蔵	OSS	★★★★
2025年10月15日	Veo 3.1（Google DeepMind）公開 ─ 4K動画 + ネイティブ音声同期。物語コントロールとリアリズムが向上	SaaS	★★★★
2025年12月1日	Kling O1 リリース ─ 統合マルチモーダル動画モデル	SaaS	★★★★
2025年12月3日	Kling 2.6 リリース ─ 映像と音声の同時生成に対応。サイレント映像→後から音声追加のワークフローを根本から刷新	SaaS	★★★★★
2025年12月	Runway Gen-4.5（コードネーム "David"）発表 ─ 複雑な物理・リアルな人体動作・因果関係の理解。Video Arenaリーダーボードで高評価	SaaS	★★★★★

6. 現在地 ─ 2026年の風景

日付	イベント	カテゴリ	重要度
2026年1月31日	Kling 3.0（快手）グローバルリリース ─ Video 3.0 / Video 3.0 Omni / Image 3.0 / Image 3.0 Omni。最大15秒動画、多言語音声生成、マルチショットストーリーボード機能	SaaS	★★★★★
2026年2月	Seedance 2.0（ByteDance）公開 ─ 15秒生成、リアリスティック生成で高評価。ただしMPAから著作権問題で批判も	SaaS	★★★★
2026年2月	MiniMax-M2.5 リリース（MiniMax）─ Hailuoの基盤となるLLMファミリーの最新版	基盤モデル	★★★
2026年3月	Wan 2.7（Alibaba）公開 ─ First/Last Frame制御、最大5本の参照動画入力、最大15秒生成、自然言語ベースの動画編集	OSS	★★★★★
2026年3月31日	Veo 3.1 Lite（Google DeepMind）公開 ─ Veoファミリー最安、720pで$0.05/秒	SaaS	★★★
2026年4月	Veo 4（Google DeepMind）リリース ─ ストーリーボード機能、10〜30秒動画生成	SaaS	★★★★★
2026年4月（現在）	Hailuo 2.3（MiniMax）公開 ─ 物理動作・スタイライゼーション・キャラクター微表情が向上。グローバルコスパ記録更新と発表	SaaS	★★★★

7. アーキテクチャの系譜図

動画生成AIの技術的系譜を整理すると、大きく3つの時代に分けられる。

DiT（Diffusion Transformer）の登場が、動画生成AIの「パラダイムシフト」だったことが分かる。2024年以降の主要モデルのほぼすべてがDiTアーキテクチャ、またはその派生を採用している。

8. 勢力図の変遷

プレイヤー分類（2026年4月現在）

米国テック大手: OpenAI（Sora）、Google DeepMind（Veo）、Meta（Movie Gen）
米国スタートアップ: Runway、Luma Labs、Pika Labs
中国テック大手: 快手（Kling）、Tencent（HunyuanVideo）、Alibaba（Wan）
中国スタートアップ: MiniMax（Hailuo）、生数科技（Vidu）
OSSコミュニティ: Stability AI（SVD）、Lightricks（LTX-Video）、各種研究機関

時代ごとのリーダー

時期	リーダー	特徴
2023年前半	Runway Gen-2	商用化の先駆者、一人勝ち
2023年後半	Runway + Pika	2強体制、SVDがOSS側で台頭
2024年前半	Sora（デモ段階）	衝撃だが触れない。Kling・Lumaが台頭
2024年後半	群雄割拠	Kling・Hailuo・Runway Gen-3・Sora一般公開・Veo2
2025年	Veo 3 + Kling 2.x	音声統合が新基準に。Sora 2は社会機能で差別化
2026年	Kling 3.0 + Veo 4 + Wan 2.7	商用SaaSとOSSの二極化が加速

9. OSS vs クローズドの変遷

動画生成AIの歴史は、常にOSSと商用の間の緊張関係の中にあった。

時期	OSS	クローズド	備考
2022年	CogVideo	Make-A-Video, Imagen Video	OSSが先行したが品質では劣後
2023年	SVD, AnimateDiff	Runway Gen-2, Pika	商用サービスが品質リード
2024年	CogVideoX, HunyuanVideo, LTX-Video	Sora, Veo, Kling	OSSが急速にキャッチアップ
2025年	Wan 2.1（Apache 2.0）, LTX-2	Veo 3, Sora 2, Kling 2.x	Wan 2.1が完全OSSの決定版に
2026年	Wan 2.7	Kling 3.0, Veo 4	品質差は縮小。カスタマイズ性でOSSが有利

まとめ

振り返ると、動画生成AIの歴史は4つの「転換点」で語れる。

2022年12月 ─ DiT論文の登場: U-Net一辺倒だった拡散モデルの世界にTransformerが持ち込まれた。これがなければSoraもKlingも存在しない
2024年2月15日 ─ Sora発表: 「動画はAIで作れる」という認識を世界中に植え付けた。デモ映像のインパクトは画像生成AIのDALL-E 2発表を超えていた
2024年12月 ─ OSS大爆発: HunyuanVideo（130億パラメータ）とLTX-Videoの公開で、OSSでも商用品質の動画生成が可能になった
2025年5月 ─ Veo 3の音声統合: 動画と音声を同時生成する新パラダイムが始まった。以降、音声なしの動画生成は「不完全」とみなされるようになった

そして2026年4月現在、まだこの技術は加速の最中にある。1年前に「すごい」と思っていた4秒のぎこちない動画は、今では15秒のシネマティック映像 + 同期音声に進化している。正直、1年後に何が起きているか想像もつかない...草

この年表は2026年4月13日時点の情報に基づいています。この分野は変化が極めて速いため、公開後すぐに情報が古くなる可能性があります。最新情報は各サービス・プロジェクトの公式サイトで確認してください。

参考文献

DiT論文: "Scalable Diffusion Models with Transformers" (Peebles & Xie, 2022) - arXiv:2212.09748

Sora技術レポート (OpenAI, 2024/02)

HunyuanVideo論文 (Tencent, 2024/12) - arXiv:2412.03603

Stable Video Diffusion (Stability AI, 2023/11)

Kling AI 公式

Veo (Google DeepMind)

Wan (Alibaba)

筆者X