PixAI v4.0 Preview:参照画像・音声生成・シネマティックカメラ対応。アニメ向けi2vモデルの新世代へ
ネイティブ音声生成、シネマティックなカメラ制御、一貫性の高い参照システムを備えた、PixAI 初の動画モデル。同じプロンプト・同じ条件で行う3ラウンド比較を通して、従来5モデルとの違いをチェック。
— PIXAI V4.0 PREVIEW 機能ハイライト —
まず、v4.0 Preview が実務でどういう意味を持つのかをお話しします。ベンチに座っている OC 画像が 1 枚あるとします。彼女にジャンプして空中で回り、魔法カードの決めポーズを取らせたい。これまでの PixAI 動画モデルなら、こうなります ── 中途半端に立ち上がり、カードは横へ流れ、3 秒目で眼帯が反対の目に移動。5 秒間まるごとプロンプトと格闘することになります。
v4.0 Preview は、彼女が本当にジャンプしてくれる、シリーズ初のモデルです。着地もします。眼帯はそのまま。あなたが書いたセリフは、彼女の口から指定した言語で、リップシンクが合った状態で出てきます。桜の花びらも、あなたが指定した場所から舞い落ちます。
本記事では v4.0 Preview の 4 つの核となる機能 ── キャラクター一貫性・シネマティックカメラ・スタイル継承・ネイティブ音声 ── をひとつずつ掘り下げ、現在の PixAI 動画モデル全てと同じプロンプトで 3 ラウンドの実測比較を行います。プロンプトの書き方の方を先に知りたい方は、関連ガイドからどうぞ:PixAI v4.0 Preview プロンプト完全ガイド →
PixAI の動画モデルラインナップを横断的に見たい方や、i2v の設定項目を 1 つずつ理解したい方は:PixAI 画像から動画 完全ガイド →。そうでなければ、このまま読み進めてください。
2 つのモデル、同じ機能セット
Preview と Lite Preview。
v4.0 Preview シリーズには 2 つのバージョンがあります。
v4.0 Preview は最上位モデルです。映像のキメ細かさ、モーションの繊細さ、音声の自然さ ── すべてシリーズ最高水準。ポートフォリオの代表作、リリース用のキャラクター PV、カメラワーク自体が見せ場になるシーン ── 本気で出す作品はこちらで。生成時間は長め、クレジット消費も多めですが、結果の差が出ます。
v4.0 Lite Preview(以下 Lite)は日常運用向けです。アーキテクチャ・参照入力・音声生成、すべて Preview と同じ。より速く、より低コストで、クリエイターが毎日作るタイプのコンテンツ ── ムードループ、シンプルなキャラ動画、セリフ付きシーン、ガチャ風カード ── にはこれで十分。多くの場合、Lite が正解です。
ガチャ風アニメーションキャラクターカード
▸ プロンプト全文を見る
Transform this static character art from @image1 into a gacha-style animated character card, following the same camera motion and pacing style as @video1. CAMERA MOTION (mirroring the path of @video1): [0-1.2s] Open on a close-up of her left hand holding the small red-stringed charm pouch (omamori) at her waist. [1.2-2.5s] The camera slowly drifts upward along her body — past her green striped yukata, settling onto her face. [2.5-3.5s] At her face, the camera gently lingers — her purple eye meeting the viewer softly. [3.5-4.2s] The camera slowly pulls back to reveal the full composition — her standing beneath the temple roof eaves. [4.2-5s] CARD REVEAL CLIMAX — multiple goldfish swim into view from the edges joining the dream, soft bloom intensifies around the frame.
両モデルとも v4.0 の全機能をサポートします ── 最大 6 枚の参照画像、3 本の参照動画、3 本の参照音声、多言語音声、シネマティックカメラ制御。違いは映像の仕上がりにあって、できることに差はありません。
参照アップロードフローの簡単な案内。
— PIXAI チームの基本ルール —Lite で構想、Lite で反復、Preview で仕上げ。
私たちチームの制作も、ほとんどが Lite から始まります。プロンプトが固まったところで、最後だけ Preview で 1 回回す。なぜこのルールがあるのか ── 後段の実測で見えてきます。実は、あるラウンドでは Lite が Preview に勝ちました。その結果が、モデル選びの考え方そのものを変えるはずです。
この先のショーケースはほとんど Preview を使っています ── Lite ではできないからではなく(どちらも可能です)、v4.0 シリーズの実力を一番分かりやすく伝えるには、仕上がりが最も整うバージョンを見てもらうのが手っ取り早いからです。
v4.0 Preview は実際に何ができるのか
4 つの核となる機能。それぞれ比較例とショーケース映像つきで。
キャラクター一貫性
あなたの OC を、どのカットでも、どのシーンでも”同じ存在”として描く。
これまでの動画モデルは、参照画像をほぼ「1 フレーム目そのもの」として扱っていました。キャラのポーズ、背景の小物 ── すべて 0 秒目で固定。元絵で座っているキャラに「走らせて」と指示すると、半分だけ立ち上がって 2 歩走り、椅子に引き戻される ── 5 秒間ずっとプロンプトと綱引きすることになります。
v4.0 Preview は、画像の読み方そのものが違います。参照画像を意味レベルのリファレンスとして扱う ── キャラクターのアイデンティティ(髪型、瞳の色、八重歯、眼帯、衣装シルエット)と、元絵がたまたま捉えていた瞬間のポーズを切り離します。1 枚の参照、無限のバリエーション。激しい場面転換でも、衣装替えでも、マルチショットの構成でも、自分の 2 人目のキャラと同じフレームに入っても ── 彼女は彼女のまま認識し続けられます。以前なら数十回の再生成で初めて手に入れていた一貫性が、1 回目から出てきます。
1 人のキャラ、3 つの世界 ── オープンワールド探索風アニメ
▸ プロンプトを見る
Use @Image1 as the main character. Create an open-world exploration game style animation. Show a translucent pink game UI on the screen with directional pad, attack button, and jump button — the character walks and explores the world. 0–5s: Game world references the background of @Image1. A gust of wind sweeps cherry blossom petals across the screen. Character walks slowly through the environment. When she touches a floating ribbon, an item-reward popup appears on the UI. 6–10s: After continued walking, the game scene transitions from @Image1 to @Image2. As she walks, a strong gust blows photographs across the scene one by one. She can pick them up as they pass. 11–15s: After continued walking, the game scene transitions to @Image3. The environment is now filled with giant yellow tulips. Bubbles from @Image3 drift gently through the entire scene.
2 人のキャラクター、同じフレーム、それぞれのアイデンティティを保持
▸ プロンプトを見る
Scene opens in darkness. A flicker of deep purple light shimmers on the left side of the frame. The Devil enters from the left, gradually materializing through a swirl of deep violet mist and drifting violet embers. Her small black horns catch the indigo glow. Her eyes open with a playful gleam; the corner of her mouth slowly curls into a mischievous smile. She tilts her head slightly, sticks her tongue out a bit, raises one hand lazily. Black flames curl upward behind her silhouette. A moment of silence. Then, a warm soft light blooms on the right side. The Angel descends gently from the right, riding a soft cascade of rose-gold light and drifting white feathers. A faint halo materializes above her head. Her eyes open softly, warm and unhurried. She smiles quietly, raises her hands, and forms a heart shape at her chest. Now both are in the frame. Their gazes meet across the void. The space between them — deep purple on the left, soft pink on the right — begins to shimmer and merge into a shared pink-purple gradient mist. Dreamy cinematic atmosphere, soft volumetric light, smooth animation, anime style, stable camera, no hard cuts.
マルチキャラ・マルチショット構成でも、カット間でアイデンティティが揺らがない。
シネマティックカメラ & コミックパネル演出
「動画」ではなく「シーン」を演出する。
v4.0 Preview はシネマティックな撮影用語を、装飾ではなく演出指示として読みます。push in(寄り)、pull back(引き)、orbit(周回)、tilt(あおり)、rack focus(フォーカス送り)、slow drift(緩いドリフト) ── どれもモデルが理解して実行できる、精度の高い指示です。マルチショット構成でもカット間でキャラクターのアイデンティティが保たれるので、15 秒の動画にオープニングのクローズアップ、リアクションのミディアム、ラストの引き ── 途中で別人にならずに 3 つ全部入れられます。
v4.0 はコミックパネルモードにも対応 ── 画面の中に 4〜6 個のパネルが並ぶ動くマンガページ、各コマがそれぞれ独立して動き、コマ間の転換は SFX でキュー出し。PixAI シリーズで初めて、出力が「AI 動画っぽい」ではなく「マンガの 1 シーンが動き出した」風に見えるモデルです。
v4.0 Preview のカメラ指示が、実際の映像でどう見えるか。
テンポの速いマルチショット構成、シーンが次々と切り替わる流れ。
ちび Mio とバンドの春のロードトリップ ── コンセプト短編。
アニメ参照からのスタイル継承
好きな映像の”空気感”だけを借りて、自分のキャラに着せる。
v4.0 Preview に参考にしたい映像を渡してください ── 短編アニメのオープニング、MV の 1 セクション、好みの映画のワンシーンなんでも。モデルがそのショット構成・カメラワーク・テンポ・空気の濃度を分析して、その撮影言語をあなたのシーン・あなたのキャラクターに適用します。
引き継がれるのは構造と空気感です ── カットの間でカメラがどう動くか、各ビートの間の取り方、色彩とライティングのトーン、編集のエネルギー密度。残るのはあなたのアートスタイル。あなたのアニメキャラが、参照映像のような実写ルックでレンダリングされることはありません。柔らかいパステル調のイラストが、勝手にダークなノワール調に化けることもない。v4.0 Preview は参照映像を監督のビジョンボードとして読むのであって、スタイルフィルターとして読みません。
▸ プロンプトを見る
Transform this static character art from @image1 into a gacha-style animated character card, following the same camera motion and pacing style as @video1.
▸ プロンプトを見る
Use @Image1 as the main character. Reference the framing, motion, and overall style of @Video1, but replace the actions with the following: Make a finger-heart gesture and wink, eat a piece of cake with a blissful satisfied expression, wear headphones and sway her head gently left and right to the music. Match the rhythm and atmosphere of @Audio1.
ジャンルをまたぐスタイル継承:格闘ゲームの一人称視点 + 雑誌スプレッド。
ネイティブ音声 & サウンド
無音のクリップではなく、ひとつのシーン。
ここが、v4.0 とそれ以前のすべてのモデルを分ける最も明確な境界線です。v4.0 以前のモデルが渡すのは無音のクリップでした。v4.0 が渡すのは、音のあるシーンです。
音声生成は日本語・英語をはじめ複数言語にネイティブ対応。実際の言語でセリフを書き込めば、v4.0 Preview が口の動きと同期した音声を出力します ── 猫娘の「にゃ」っぽい語尾、ギャルゲー風の吐息混じりのささやき、Vlog 調の明るい笑い声まで再現可能です。BGM、環境音、効果音は同じトラック上で扱われる ── 告白シーンの裏で鳴る鼓動、悲劇シーンの裏の雨音と雷、感情のピークでちょうど高まる暖色 BGM。出てくるのは、AI 動画がこの 2 年欠いていたもの ── 5〜15 秒で「完成品」として感じられる映像です。
ラブシーンからアイドルステージまで、説得力のある声の演技。
同一プロンプト、6 モデル実測
— 3 ラウンド、6 モデル、同じベース画像
新しいモデルが優れていると主張するのは簡単で、それを証明するのは難しい。だから一番シンプルで誠実な方法を選びました ── 同じプロンプト、同じベース画像で、PixAI 現行の動画モデル全てに 1 回ずつ生成させました。
想定していたのは v4.0 Preview がきれいに 1 位に来る順位表でした。実際に出てきた結果は、それより役に立つものでした。
この実測で比べているもの
3 つのシナリオを通して、5 つの観点を同時にチェックしています:
重視するポイントは人それぞれ違うはずです ── 仕上がりがモーションより大事な方も、その逆もいる。レビューはご自身の優先順位で読んでください。
さりげない一瞬
── 差が一番小さいラウンド
どんなクリエイターでも、普通の作業日に試しそうな種類の生成。窓辺に寄りかかるキャラクター、ゆっくりとカメラのほうへ振り向き、小さな微笑み、背景で葉が 1 枚はらりと舞い落ちる。5 秒間。6 つのモデルすべてに同じベース画像。
▸ プロンプト
画面の中のキャラクターが窓枠にやさしく寄りかかり、側方をふんわり見つめてから、ゆっくりカメラのほうへ顔を向けて、八重歯が光を受ける小さな茶目っ気のある微笑みを見せる。窓の向こうで葉が 1 枚はらりと舞い落ちる。カメラはゆっくり彼女の顔へ寄っていく。映像全体で、元絵のキャラクター外観と暖色の自然な窓光を保つ。アニメイラスト調、やわらかなスローモーション。
v4.0 Preview。仕上がりは一目で一番。瞳のキャッチライト、絵画的な髪の質感、本物の窓光まで。唯一の難点 ── 指示にない手のジェスチャーを 1 つ勝手に足してしまった。
v4.0 Lite Preview。プロンプト通り、余計な動作なし、葉も自然に落ちる。仕上がりは Preview に半歩劣るが、クレジット消費は半分以下。今回最大の発見 ── このラウンドでは Lite が Preview をプロンプト忠実度で上回った。
v3.2。中途半端な立ち位置。線をシャープに描きすぎて、元絵の柔らかな空気感を壊した。3 ラウンド通して、Lite より優先する理由を見つけられなかった。
v3.0 High Consistency。全モデル中、参照画像への忠実度は最高。代償は、ほとんど動かず、ほぼ口だけ静かに動かしていたこと。
v3.0 Flash。Lite と同クレジット帯としては予想以上の健闘。これくらいシンプルなプロンプトなら、日常用途の選択肢として十分あり。
v2.7 High Dynamics。圧倒的に速い。ただしクリップ途中で眼帯が指示なしに外れた。
— ラウンド 1 の結論 —日常のシンプルなアニメーションに v4.0 Preview は要りません。Lite で十分。
ステージマジック演技
ラウンド 1 は入門編。ラウンド 2 から「それっぽい」が崩れ始める。
▸ プロンプト(連続 5 秒のステージマジック演技)
Anime jester catgirl from @image1 performs a continuous 5-second stage magic act in one unbroken shot. The camera follows her performance. Opening: She stands center stage in an opening pose, eyes closed, gathering focus quietly. After a beat she slowly opens her purple eyes, locks eyes with the camera, and grins playfully with her fang visible. Build: She raises both arms gracefully — the small bear plushie charm on her outfit clearly visible — then sharply throws her arms wide. A tornado of playing cards bursts from her hands, gold coins scatter, red and blue balloons drift up. Climax: She leaps for a mid-air spin, plaid skirt and red cape flaring dramatically, the card array continuing to fan outward in slow motion as the camera arcs around her. Resolution: She lands lightly, cards and coins still suspended around her, head turns to camera, finger raised playfully to her lips, final mysterious smile with fang showing. Throughout: Full character identity preserved — white hair with pink highlights, white heart ahoge, one purple eye exposed and a black leather eyepatch with a red heart charm on the other (consistent same eye), fang, cat ears, cat tail, red and black harlequin outfit with white lace collar, harlequin stockings. Anime illustration style matching the original art, dramatic stage lighting, deep red and gold palette, continuous single-shot camera energy in the style of Satoshi Kon's flowing sequences.
v4.0 Preview。ビートを全部仕上げた。瞳の見せ、手からあふれるカード、ジャンプ、空中スピン、最後の「しー」のポーズまで。回転中も眼帯は同じ目に留まっている。激しい動きの中でもキャラクターのアイデンティティを保った。最も激しい数フレームでスタイルが元絵の絵画調から少し離れた ── 妥当なトレードオフ。
v4.0 Lite Preview。かろうじてパスしたが、難所をぼかしている。一番難しいビート(ジャンプ・空中スピン)は柔らかく処理されるかスキップされた。あのスピンを見てほしい ── 半分回ったところでカメラが残りを覆い隠してしまう。
v3.2。逆方向のトレードを取った。動作シーケンスは最後まで通したが、途中でキャラクターが別人に変わった。最初のフレームと最後のフレームでは別人に見える。
v3.0 High Consistency。戦う相手を間違えた。絵柄の保存は完璧だが、ほとんど座ったまま。要求された動作の実行を拒否した。
v3.0 Flash。崩壊。眼帯が反対の目に移動し、衣装も変わり、体の一部が物理的にあり得ない角度に歪んだ。
v2.7 High Dynamics。モーション自体は悪くないが、一貫性が崩壊。眼帯は消え、テディチャームも途中で消え、カードの配列が壊れたアニメーションのように 3 回ループした。
— ラウンド 2 の結論 —モデル間の差は固定じゃない ── プロンプトの野心と一緒に広がる。
「頭を振る」だけなら通用したモデルが、ステージマジックでは破綻する。旧モデルの崩れ方はそれぞれ違って ── どれもがプレッシャー下で AI 動画モデルがどう振る舞うかを教えてくれる。
2 人のキャラクターのインタラクション
動画生成で最も難しい前提のひとつは「アイデンティティが保たれること」です。キャラクターが 1 人だけなら、5 秒の間に髪型・衣装・眼帯がそのまま残ってくれることを期待します。でも2 人が同じフレームにいるとき、求められるのは 2 つの別々のアイデンティティを同時に保つこと ── 片方のキャラクターの特徴がもう一方に染みわたらないように。
▸ プロンプト
カメラがキャラクターの腰元からゆっくり上方へティルトしていく。空中には花びらが舞い、やわらかな風が彼女たちの髪と衣を軽く揺らす。左側のキャラクターが、もう 1 人の頬を優しく撫で、続けてクローズアップのカットへ。次のシーンで、2 人のキャラクターが同時にゆっくり目を細めて閉じる。
v4.0 Preview。プロンプト忠実に実行。シネマティックなティルトとクリーンなクローズアップの切り替えまでこなした。唯一の小さな瑕疵 ── 片方のキャラクターの眉下に途中で小さな包帯のようなものが現れた。元絵の細かな誤読と思われる。
v4.0 Lite Preview。実行は堅実。ただしカメラのティルトはやや急ぎ足で、クローズアップへの繋ぎが Preview ほどスムーズではない。
v3.2。カット間の本当の意味でのトランジションがなく、カメラワークもぎこちない。絵柄もかなり崩れた。
v3.0 High Consistency。最後の同期した瞼閉じが深く不自然。カメラの動きはほとんどなし。唯一の強みは元絵の絵柄忠実度。
v3.0 Flash。絵柄はそこそこ保ったが、キャラクターが奇妙に静止して見える ── 視線が生きていない、凍りついている感じ。カメラは「ティルトしてからクローズアップ」を実行せず、ただ前進だけしている。
v2.7 High Dynamics。モーションは悪くないが、片方のキャラクターの眼帯が途中で外れ、前後で絵柄も目に見えて変化した ── ほぼ同じキャラクターの 2 つのバージョンに見える。
— ラウンド 3 の結論 —2 キャラシーンは「最難関」ではなかった ── ラウンド 1 で見えた基礎的な弱点を、より大きく見せただけだった。
「2 人が同じフレームに」いるシナリオが、ラウンド 2 の複雑なシングルキャラ動作よりも旧モデルを破壊するだろうと予想していたが、そうではなかった。Preview が差をつけたのは、カメラティルトとクローズアップ切り替えの仕上げ ──「カメラが映画のように上にティルトする」その一言を、Preview だけが理解した。
この実測がモデル選びに教えてくれること
モデル間の差は固定値じゃない、「プロンプトの野心度の関数」だ。
試行錯誤は安く、仕上げは丁寧に。
下書きは Lite か v2.7 で。そのシーンの野心がそのコストを正当化できるときだけ、Preview で仕上げる。
よくある質問
v4.0 Preview と v4.0 Lite Preview、どちらを使えばいいですか?
仕上がりが本当に問われる最終納品物なら Preview。日常作業、プロンプト調整、シンプルな動作なら Lite ── より速く、より低コスト、多くの場合は結果も十分。私たちの基本ルール ── Lite で下書き、Preview で仕上げ。プロンプト書き方の全体像は PixAI v4.0 Preview プロンプト完全ガイドでどうぞ。
参照画像は何枚までアップロードできますか?
1 回の生成につき最大 6 枚。実務的には、よく選ばれた 2〜3 枚のほうが 6 枚を同時に入れるより安定した結果になることが多いです ── 枚数が多いとモデルの注意が分散する。多ければよい、とは限りません。
参照画像・参照動画・参照音声は同時に使えますか?
はい ── というよりむしろ、それが一番強力なワークフローです。参照画像でキャラクターを固定し、参照動画でカメラスタイルとテンポを決め、参照音声で声や雰囲気を形作る。3 つを組み合わせれば、特定のアニメスタイルを自分のキャラクターに、自分が指定した音声方向で適用できます。
v4.0 Preview の動画は最大何秒ですか?
1 回の生成につき最大 15 秒。参照動画のアップロードも同じ制限です ── 複数の参照動画を使う場合、合計時間が 15 秒以内である必要があります。
マルチリファレンスモードとキーフレームモードは併用できますか?
いいえ、両者は排他です。マルチリファレンスは複数の意味レベルの参照(キャラクター、シーン、スタイル)を添付するためのモード。キーフレームは動画の開始フレームと終了フレームを指定するためのモード。ワークフローに合うほうを選んでください。
複雑な動作の途中でキャラクターが別人になるのはなぜですか?
プロンプト内にキャラクターの容姿の説明を書きすぎると、参照画像による固定効果と干渉します。キャラクター情報は参照画像に任せて、プロンプトは「何を起こしたいか」に集中させたほうが安定します。詳しくは関連ガイドで解説しています:PixAI v4.0 Preview プロンプト完全ガイド →
v4.0 Preview は商用利用できますか?
はい ── PixAI で生成したコンテンツは標準の利用規約に従って商用利用が可能です。最新の詳細は利用規約をご確認ください。
あわせて読みたい
▸ I2V 完全ガイドPixAI 画像から動画 完全ガイド ── モデル比較とプロンプトの書き方PixAI 全動画モデルの横断比較、i2v 各設定項目の意味、用途別のモデル選定ガイド ── これ 1 本でラインナップ全体が見渡せます。
▸ MIO.2 入門Mio.2 入門 ── あなたが想像すれば、Mio が描くv4.0 Preview のプリプロダクションを AI エージェントで回したい方には、Mio.2 が一番のパートナーです。コンセプト、台本、絵コンテ、プロンプトまで、1 つの会話で完結。
▸ EDIT PRO ガイドPixAI Edit Pro ── 複雑な編集のための AI 画像エディタマルチパネル漫画を動くマンガページにしたいとき ── Edit Pro でレイアウトを組み、v4.0 Preview で動かす。2 つを繋いだ実戦ワークフロー。
▸ REFERENCE PRO ガイドPixAI Reference Pro ガイド ── 自然言語で複数画像を編集するv4.0 Preview に入れる参照画像はどう作るか? Reference Pro なら自然言語で参照画像を仕上げて、そのまま動画生成に渡せます ── ワークフロー上流のキーピース。
▸ TSUBAKI.2 完全解説Tsubaki.2 ── PixAI 最新フラッグシップ画像モデル完全解析v4.0 Preview に入れる参照画像のほとんどは Tsubaki.2 で作っています。自然言語プロンプト(日本語含む)を直接サポート ── このワークフローの上流で欠かせないモデルです。
