Supershipの名畑です。7月26日まで開催されていたアフタヌーン40周年展は、自分はアフタヌーンと共に生きてきたのだなと思ってしまうほど、濃密な作品群が紡いできた歴史に圧倒されました。

はじめに

株式会社AIdeaLabが2026年7月13日、アニメ表現に特化した動画生成AIモデルAnimeGenを商用利用可能な形で無償公開しました。

アニメ表現に特化した動画生成AIモデルの公開は、国内企業として日本初の取り組みとなります。

略

学習データの収集および利用については、日本国内の著作権法および関連法令に基づき、適切に実施しております。AIdeaLabは、クリエイターとAIが共存できる、透明性の高いAI開発に引き続き取り組んでまいります。

参考：アニメ特化動画生成AIモデル『AnimeGen』を公開 | 株式会社AIdeaLabのプレスリリース

AIdeaLab社のモデルについては、過去記事「日本発の動画生成AI基盤モデル「AIdeaLab VideoJP」で動画を生成してみた」でAIdeaLab VideoJPを試しました。

上記記事の続編という感じで、今回はこのAnimeGenを実際に試して、アニメ調の動画を生成してみます。

AnimeGenとは

Alibaba社が公開する動画生成AIモデル「Wan2.2」をベースに、アニメ表現に特化したファインチューニングを行うことで開発しました。これにより、アニメ特有の作画タッチや動きの表現を、高い品質で生成できるようになっています。

参考：アニメ特化動画生成AIモデル『AnimeGen』を公開 | 株式会社AIdeaLabのプレスリリース

Hugging Faceのモデルカードには以下のようにあります。

AnimeGen T2V is a text-to-video generation model specialized for Japanese anime-style video generation.

参考：aidealab/AnimeGen-T2V - Hugging Face

Hugging Face上で公開されているモデルは、Text-to-Video用のAnimeGen-T2Vと、Image-to-Video用のAnimeGen-I2Vの2種類です。ライセンスはいずれもApache-2.0です。

また、AnimeGenの開発はGENIACプロジェクトにおいて進められたものです。

経済産業省とNEDOは、生成AIの持続的な開発力を高め、社会実装を加速するため、Generative AI Accelerator Challenge「GENIAC」を立ち上げました。

参考：GENIAC （METI/経済産業省）

公式がHugging Face Spaces(ZeroGPU)で試せるデモを3種類公開してくれていますので、今回はこちらを使います。

Text-to-VideoとImage-to-Videoに加えて、Frame Interpolation（フレーム補間）が用意されています。

Text-to-Videoで動画を生成してみる

AnimeGen-T2VのSpaceにアクセスします。

プロンプトは日本アニメの定番である、以下としました。

A Japanese high school girl with a slice of bread in her mouth is running through a residential neighborhood.

日本語訳すると「口に食パンをくわえた日本の女子高生が住宅街を走っている」ですね。
過去記事「「食パンをくわえて走る女子高生」のイラストをSketch to imageでAI生成してみた」でも用いた、日本アニメなどにおける定番中の定番です。

Negative Promptも指定できるのですが、これはデフォルトのまま以下の通りとしました。

3d, cg, photo, stop, wait

landscape(横長)とportrait(縦長)も選べるのですが、今回はlandscapeとします。

絵柄の好みとかは置いておくとしまして、プロンプト通りであり、3秒という短さではあるものの崩れなく一貫しているのが印象的ですね。

Image-to-Videoで画像を動かしてみる

AnimeGen-I2VのSpaceでは、手持ちの画像を元に動画を生成できます。

まず、静止画を用意します。

静止画は以下のプロンプトでNano Banana Pro（Gemini 3 Pro Image）を用いて生成しました。

A Japanese high school girl is running through a residential neighborhood with a slice of bread in her mouth. The art style follows current trends in Japanese animation.

日本語訳すると「口に食パンをくわえた日本の女子高生が住宅街を走っている。画風は日本のアニメーションの流行しているものとする。」ですね。

生成された画像は以下でした。

これが今の流行りなのかと言われると異論を唱えたい感はありますが、静止画は今回の本筋ではないのでこのまま進めましょう。

では、Text-to-Videoのときとまったく同じプロンプトで生成してみます。

生成された動画は以下です。

滑らかさに欠ける感はありますが、やはり崩れのなさが素晴らしいですね。

Frame Interpolationでフレーム補間をしてみる

では、最後です。

AnimeGen-Frame-InterpolationのSpaceでは、「First image」と「Last image」の2枚を入力すると、その間を埋めた動画が生成されます。
中割りですね。

First imageは先ほどのものを使うとして、Last imageで用いる新たな画像を用意します。

Nano Banana Proで先ほどの静止画に対して以下のプロンプトを伝え、新たな画像を生成しました。

Please turn the surrounding buildings into apartment buildings.

日本語訳すると「周囲の建物をマンションにしてください。」です。

生成された画像は以下です。

簡単に背景変更画像が生成されるのって、本当、感覚が麻痺してしまっていますが、進化がすごすぎる。

2つの画像を入力として指定して、やはりText-to-Videoのときとまったく同じプロンプトで生成してみます。

生成された動画は以下です。

1度しか生成していないのでこの結果だけで判断できるものではありませんが、3秒しかないので背景の変更だと難しかったですかね。
もっと入力を考えた方が良さそうです。

最後に

派手さはありませんが、生成物の崩れの少なさは、用途によっては長所になりうる要素かなと感じます。
AIdeaLab社の制作物については、今後も注目していきたい。

宣伝

SupershipのQiita Organizationを合わせてご覧いただけますと嬉しいです。他のメンバーの記事も多数あります。

Supershipではプロダクト開発やサービス開発に関わる方を絶賛募集しております。
興味がある方はSupership株式会社採用サイトよりご確認ください。