2026-11-18 · Kenji Tanaka · Commercial AI Director · 8 min read
30秒のAIブランド動画や解説ムービーを途中で破綻させずに1本で出力するには、テキストプロンプトだけで全てを指示するのではなく、Wan 3.0 の Omni-Reference ワークスペース に「開始フレーム画像」「モーション参照動画」「音声クリップ」「最大100MBの企画書(PDF/PPTX/DOCX)」を役割ごとに分けて投入し、5秒単位のタイムコード([00s–05s]〜[20s–30s]) でカメラ軌道を指定するのが最も確実な制作フローです。
長尺のAI動画を作ろうとした際、10秒を過ぎたあたりで人物の顔が変わったり、カメラが急に不自然なズームを始めたりしてクレジットを無駄にした経験はないでしょうか。本稿では、Artificial Analysis の最新リーダーボードで世界第1位(1,174 Elo)を獲得した Wan 3.0 の実測データ、コピペして使えるマルチショット用プロンプト、正直な弱点(Where it falls short)、そして720pと1080pのクレジット計算式を詳しく解説します。
なぜ一般的なAI動画は10秒を超えると崩れるのか?
従来の動画生成モデルは、最初の数秒の潜在表現(Latent)しか保持できず、後半のカットになるほど「最初の商品パッケージの形」や「ナレーションの間合い」を忘れてしまいます。特に以下の3つのミスが重なると、長尺動画は一気にAI特有のプラスチック感(AI Slop)を帯びます。
- 1つの文章に30秒分の出来事を詰め込む:秒数指定なしで長文を書くと、最初の5秒に全ての動作が圧縮され、残り25秒が意味のないスローモーションになります。
- 参照アセットの役割が曖昧:キャラクターの顔写真と背景の参考写真を区別せずに渡すと、照明の色温度が混ざってしまいます。
- 企画書やスライドの構成を手作業で要約しきれない:製品仕様書やプレゼン資料(PPTX/PDF)の要点をプロンプトに書き写す段階で、重要な数値やカット割りが抜け落ちます。
2026年最新のAI動画リーダーボードでWan 3.0はどう評価されているか?
公開ベンチマークである Artificial Analysis Text-to-Video Leaderboard(AA-Video-T2V v2.1、8,089件のブラインド人間評価サンプル)において、Alibabaの Wan 3.0 は 1,174 Elo(±13)で世界総合第1位 を記録しており、第2位の Runway Gen-5(1,169 Elo)、第3位の Google Veo 3.1(1,165 Elo、$24.00/分)、第4位の Dreamina Seedance 2.5(1,156 Elo)を上回っています。

Source: Artificial Analysis Text-to-Video Leaderboard (AA-Video-T2V v2.1)
| 比較項目 / 指標 | Wan 3.0 (wan30.io スタジオ) |
Kling 4.0 | Seedance 2.5 |
|---|---|---|---|
| AA-Video-T2V v2.1 順位 | 世界第1位(1,174 Elo) |
単独v4.0スコア未集計(v3.0基準 1,000 Elo) |
世界第4位(1,156 Elo)(I2Vでは1位 1,161 Elo) |
| 最大ネイティブ生成尺 |
最大30秒(2秒〜30秒、最大6カット構成) |
最大30秒(最大10キーフレーム制御) | 最大30秒(Draft / Flash / Full) |
| マルチモーダル参照上限 | 画像10枚 + 動画5本 + 音声5本 + 100MB文書 | 最大15個のOmni Reference + 10キーフレーム | 開始フレーム固定 + Motion Control + Lip Sync |
| オフィス文書からの直接生成 |
対応(PDF / DOCX / PPTX / XLSX 等、最大100MB) |
非対応 | 非対応 |
| スタジオ消費クレジット |
720p: 5 credits/秒 · 1080p: 15 credits/秒
|
720p: 10 credits/秒 · 1080p: 15 credits/秒 |
480p Draft: 5 credits/秒 · 1080p: 20 credits/秒 |
実践ステップ:Omni-Referenceで4種の素材から30秒動画を組むには?
Wan 3.0 のジェネレーター画面(Omni-Reference モード)を開くと、開始・終了フレーム(Start/End Frame)に加え、最大10枚の参照画像、5本の動画、5本の音声、そして最大100MBのドキュメントを同時にアップロードできます。

Source: wan30.io Omni-Reference Video Generator Workspace
このワークフローのポイント: 最初から30秒・1080p(450 credits)で回すのではなく、まずは 5秒・720p(わずか 25 credits) でカメラの動きと質感を確認してから、本番の30秒テイクに進むことでクレジット消費を大幅に節約できます。
WAN 3.0 — 30秒・4ビート構成マルチモーダル演出プロンプト(コピペ用):
[00s–07s | Shot 1: Wide Establishing, 35mm Tripod]:
朝の柔らかな自然光が差し込む木目のデザインスタジオ。アップロードした商品画像(@ref_img1)の真鍮製エスプレッソマシンがカウンター中央に置かれている。カメラは固定、立ち上る湯気と静かな朝の環境音。
[07s–15s | Shot 2: Medium Dolly Push, 50mm]:
バリスタの手元へゆっくりと直進ドリーイン。真鍮のレバーを下げ、濃厚なクレマがカップに注がれる。抽出音とカップの微かな金属音を同期。
[15s–23s | Shot 3: Lateral Slider Pan, 85mm Macro]:
添付した製品仕様PDF(@ref_doc1)のハイライトに合わせ、真鍮ボディのヘアライン質感と圧力計の針の動きをマクロ撮影。歪みゼロ。
[23s–30s | Shot 4: Hero End-Card Lock]:
完成したエスプレッソカップをテーブル手前に配置し、終了フレーム(@end_frame)の構図へ滑らかに着地。
Wan 3.0 が苦手な領域(Where it falls short, honestly)
どれほどベンチマーク1位のモデルでも、万能ではありません。実務で使う際は以下の限界をあらかじめ把握しておく必要があります。
-
1枚の固定静止画からの厳密なI2Vアニメーション:テキストからの動画生成(T2V)では
1,174 Eloで1位ですが、既存の静止画1枚を忠実に動かす Image-to-Video(I2V)リーダーボードではSeedance 2.5(1,161 Elo)が先行しています(Wan 3.0はI2Vで1,109 Elo)。 -
ショット途中の細かい座標キーフレーム固定:30秒の途中で8箇所の中間キーフレーム画像をピン留めしたい場合は、10キーフレーム制御を備えた
Kling 4.0の方が適しています。 - 100MB文書アップロード時のページ絞り込み:50ページのPDFをそのまま投入すると要点が分散するため、動画化したい3〜5ページだけを抜き出したPDFを渡すのが鉄則です。
クレジット消費と制作コストの実測シミュレーション
wan30.io のライブワークスペースでは、生成ボタンを押す前に正確な消費クレジットが表示されます。基本レートは 720p が毎秒5クレジット(5秒で25クレジット)、1080p が毎秒15クレジット(30秒で450クレジット) です。
| 制作ステップ / 用途 | 解像度・秒数 | クレジット計算式 | 消費クレジット | コスト最適化のコツ |
|---|---|---|---|---|
| 1. 構図・ライティングのテスト |
720p · 5秒
|
5 credits/s × 5s |
25 credits | 最初の3パターンは必ず720p・5秒で検証する |
| 2. SNSショート広告(15秒) |
720p · 15秒
|
5 credits/s × 15s |
75 credits | スマホ縦型(9:16)のABテストに最適 |
| 3. 30秒ストーリーボード検証 |
720p · 30秒
|
5 credits/s × 30s |
150 credits | 1080pの1/3のコストで30秒全体の尺と音を確認 |
| 4. 本番用30秒フルHDマスター |
1080p · 30秒
|
15 credits/s × 30s |
450 credits | 承認されたプロンプトとシードにのみ投入する |
よくある質問(FAQ)
ドキュメント(PDFやPPTX)はどのモードでアップロードできますか?
wan30.io のジェネレーターで Omni-Reference ワークフローを選択すると、画像・動画・音声スロットの横にドキュメントアップロード枠(PDF / DOCX / PPTX / XLSX 等、最大100MB)が表示されます。
クレジットを無駄にしない一番のコツは何ですか?
いきなり 1080p・30秒(450 credits) を回さないことです。まず 720p・5秒(25 credits) でカメラアングルと被写体の質感を確認し、次に 720p・30秒(150 credits) で全体のテンポを固めてから、最後の1回だけ 1080p で仕上げると予算を半分以下に抑えられます。
