AIによって、作ることはほぼ無限になりました。文章も、画像も、いまや動画・音声・キャラクターまで、個人が数分で量産できます。
問題は、供給が爆発した分だけツールも爆発したことです。Seedance、Kling、Veo、Runway、Sora、ComfyUI、Live2D、VOICEVOX、ElevenLabs、HeyGen……名前は聞くけれど、「結局どれが何を担うのか」「無料でどこまでいけるのか」「商用に使っていいのか」「日本から使えるのか」が、まとまって書かれた場所がない。
この記事はその地図です。6つのカテゴリ・主要ツールを、できること / 料金 / 商用可否 / 日本利用 / ローカル完結の軸で一望できるようにしました。個人でショート動画・解説・キャラコンテンツを作る人を想定しています。情報は2026年7月時点で、要点は一次ソースで裏取りしています。
まず押さえる5つの横断ポイント
細かい表に入る前に、全体を貫く判断軸を5つ。ここだけでも意思決定の8割は決まります。
1. Sora はもう土台にしない。 OpenAI の Sora 2 / Sora 2 Pro は、Web・アプリ版が2026年4月26日に終了済み。開発者向け API も2026年9月24日に完全シャットダウン予定です（現時点では稼働中だが、新規に運用を組むべきではない）。既存の生成フローが Sora に依存しているなら、Veo・Seedance・Kling へ移行しておくのが安全です。
2. AI動画の主力は、いま中国系。 Seedance（ByteDance）、Kling（快手）、Hailuo（MiniMax）、Vidu、Wan（Alibaba）は「日本から使える・安い・音声込み・日本語リップシンク対応」が揃っています。Google Veo や Runway は品質の要所に効きますが高め。中国系を主力に、西側を仕上げに使う二段構えがコスパの正解です。
3. 画像は「ローカル＋クラウド」の二刀流が標準。 キャラの立ち絵や大量バリエーションはローカル（ComfyUI ＋ SDXL系）が強く、キャラの表情差分・別シーン展開は Nano Banana や FLUX Kontext のような編集モデルが速くて安い。「一貫キャラのためにLoRAを学習する」時代からは移りつつあります。
4. 日本語ナレーションは、ほぼゼロ円で内製できる。 キャラの喋りは VOICEVOX、落ち着いた語りは AivisSpeech（Style-Bert-VITS2ベースのローカルTTS）。この2つでほとんど賄えます。海外展開・声の個性・BGM・吹き替えが要るときだけ ElevenLabs / OpenAI TTS / Suno に課金する、が費用対効果の高い切り分けです。
5. 「無料DL可」は「商用可」ではない。 ここが一番事故が起きます。特に画像モデルは要注意で、NoobAI XL は生成物を含めて商用禁止、FLUX.1 dev は非商用（商用には別途ライセンス購入が必要）。使う前にモデルページのライセンス欄を必ず読む。詳しくは後半で。
CH1. AI動画生成モデル
テキストや画像から動画を作る基盤。縦型ショートの連続カット、商品の実物風カット、i2v（元絵を動かす）の中心です。2026年はネイティブ音声＋日本語リップシンクを持つモデルが主流に。
| ツール | できること | 料金（概算） | メモ |
|---|---|---|---|
| Seedance 2.0（ByteDance） | T2V・I2V・マルチショット。音声＋リップシンク同時生成 | 1080p/5秒 ≈ $0.7 前後 | 画像→動画の品質が高く連続カットが得意。日本は CapCut / Dreamina 経由で利用可。米国では非提供 |
| Kling 3.0（快手） | T2V・I2V・編集を統一。ネイティブ4K・60fps。日本語リップシンク | 無料枠あり〜月額制／API 秒課金 | 動画生成アリーナで首位クラス。物理・人体の整合が強い |
| Veo 3.1（Google） | T2V・I2V、音声同時生成、プロンプト追従が最強 | Fast ≈ $0.15/秒〜 | 総合品質トップ級。ただし不可視のSynthID透かしが全出力に付き除去不可 |
| Runway Gen-4.5 ＋ Act-Two | 単一参照でキャラ一貫、カメラ制御、顔モーション転写（v2v） | クレジット制／API | 編集ワークフローが充実。スタイル変換・演出向き |
| Hailuo 02（MiniMax） | I2V中心。指示追従と動きが安定 | 512P $0.017/秒〜 | 超低コスト。量産ドラフト用 |
| Vidu（ShengShu） | Reference-to-Video。3〜7枚の参照でキャラ一貫、最大16秒 | 秒 $0.03〜 | 同一キャラ量産の本命・最安 |
| Luma / Pika | 1080p・HDR／9:16縦型・変形演出 | 月額＋従量 | Lumaは映像美、Pikaは演出とショート比率 |
| Sora 2 / Pro（OpenAI） | 高品質だが撤退中 | — | ⚠️アプリ終了済・API 2026/9/24終了。新規採用しない |
| オープン系: Wan 2.5 / LTX / HunyuanVideo / CogVideoX | ローカルで音声込み生成（Wan/LTX）、長文忠実（CogVideoX） | GPUのみ（生成課金ゼロ） | 透かしなし・限界費用ゼロ。ComfyUI上で運用 |
用途別の当て方: 総合品質なら Veo 3.1 ／ 画像→動画なら Seedance ／ 一貫キャラ量産なら Vidu ／ 大量ドラフトなら Hailuo ／ 課金ゼロで内製するなら Wan 2.5（ローカル）。
CH2. 3D・リアルタイムエンジン
3Dキャラを動かし、映画的なカメラワークで映像を出す土台。個人には「年商○○未満は無料/indie」の枠が効きます。
| ツール | できること | 料金 | メモ |
|---|---|---|---|
| Unreal Engine 5.6 ＋ MetaHuman | 高精細デジタルヒューマン。音声・Webカメラから表情アニメ。映画的カメラ・リアルタイムレンダ | 年商 $100万未満は無料 | 高品質映像の切り札。学習コストは高い |
| Unity 6（Timeline / URP） | VRMアバターを読み込みカメラアニメ→OBS出力。軽量な3D VTuber | 年商 $20万未満は無料 | 配信寄り。動画用途はURPで十分 |
| Blender | モデリング・アニメ・レンダ・2Dアニメ(Grease Pencil)・動画編集(VSE) | 完全無料・商用可 | 万能の無料基盤。まず持っておく1本 |
CH3. 2D・VTuber・キャラを動かす
一枚のイラストを喋らせ・動かす領域。VTuber風ショートの本命です。
| ツール | できること | 料金 | メモ |
|---|---|---|---|
| Live2D Cubism | レイヤー分けした一枚絵にボーン・物理でVTuberリグ | FREE版／PRO 月$15。年商1000万円未満はindie枠 | 2D VTuberの業界標準 |
| Adobe Character Animator | Webカメラ＋マイクでリアルタイムに動かす。自動リップシンク | Starter無料／Pro=CC契約 | 台本を読みながら即興で喋らせる解説動画に |
| VTube Studio | Live2Dモデルをトラッキング収録しOBSへ | 無料 | 2D収録の最人気・最軽量。初心者はまずこれ |
| VSeeFace / Warudo | VRM(3D)を顔・手トラッキングで動かす | 無料 | 3D VTuberの収録・シーン制作 |
| VRoid Studio | VRM形式の3Dキャラを作成 | 無料 | 3Dキャラ作成の入口 |
| Spine | ボーンベースの2Dスケルタルアニメ | $379買い切り | ゲーム風エフェクト向け。VTuber目的ならLive2D優先 |
CH4. 音声・音楽・ナレーション
ナレーション、キャラ喋り、BGM、効果音、整音まで。日本語ナレーションは無料ローカルでほぼ完結します。
| ツール | できること | 料金 | メモ |
|---|---|---|---|
| VOICEVOX | ローカル日本語TTS（ずんだもん等）。APIで自動化可 | 無料 | キャラ喋りの定番。クレジット表記で商用・収益化可（キャラごとの個別規約は要確認） |
| AivisSpeech | 高品質な日本語ローカルTTS（Style-Bert-VITS2ベース）。感情・声色制御 | ソフト無料 | ローカルTTS最高品質帯。落ち着いた語りナレーションの主力候補 |
| Style-Bert-VITS2 | 自分の声を学習して独自TTSモデル化 | 無料OSS | 固有のナレーター声を持ちたいなら本命 |
| ElevenLabs v3 | TTS・音声クローン・多言語吹替・SFX・音楽を統合 | $5〜（商用付） | 表現力と声の個性が最上位。無料は商用不可 |
| OpenAI TTS（gpt-4o-mini-tts） | 喋り方を指示できる低遅延TTS | ≈$0.015/分（最安帯） | 多言語・最安クラウド |
| Suno v5 | 歌詞＋ジャンルで歌モノ／BGM生成 | Pro $10（商用権付） | ボーカル品質・速度で首位。無料は商用不可 |
| Stable Audio | 非ボーカルのSE・劇伴・アンビエント | $12〜/月 | ライセンスが最も明快 |
| Adobe Podcast Enhance → Auphonic | AI整音（ノイズ・残響除去）→ ラウドネス正規化 | 無料枠あり | マイク録音を配信品質へ仕上げる定番フロー |
| Applio / RVC（ボイスチェンジャー） | 声を別の声色へ変換、リアルタイム可 | 無料OSS | 自分の声のクローンは安全。他人の無断クローンはNG |
用途別の当て方: キャラ喋り＝VOICEVOX ／ 落ち着いた語り＝AivisSpeech ／ 表現力の要＝ElevenLabs ／ 最安クラウド＝OpenAI TTS ／ BGM＝Suno ／ 整音＝Adobe Enhance→Auphonic。
ちなみに、この記事を書いているのも「AIを使い倒して、個人でアプリを作っている小さなスタジオ」です。ここで挙げた音声・画像・動画のパイプラインは、実際に自分たちのアプリ紹介動画やSNSショートを内製するために組んだものが土台になっています。
CH5. AI画像生成・ローカルパイプライン
動画の素材（キャラ立ち絵、背景、サムネ、i2v用の元画像）を作る領域。冒頭のポイント3の通り、ローカル＋クラウドの二刀流が標準です。
| ツール | できること | ライセンス／料金 | メモ |
|---|---|---|---|
| ComfyUI | ノードベースの中核。画像も動画(i2v)も全対応、API化も可 | 無料OSS | 「エンジン」として裏に置き、フォーム/プリセットで触るのが正解 |
| SwarmUI / Forge / Krita AI | ComfyUIの簡易UI・ラッパー | 無料 | 「生成ボタンを押したい人」向け。Krita AIはKontext編集を統合 |
| Illustrious / Animagine / Pony（SDXL系） | アニメ立ち絵の主戦場。LoRA/ControlNetで制御 | 無料。生成画像の商用利用は可 | ただしモデル自体を有料サービスとしてホストするのは制限あり |
| NoobAI XL | Illustrious基盤のアニメモデル | ⚠️生成物を含め商用禁止 | 収益動画の素材には使わない |
| FLUX.1 schnell | 高品質t2i、Apache 2.0 | 無料・商用可 | ライセンスがクリーンなFLUX。商用ならこちら |
| FLUX.1 dev | 最高品質t2i | ⚠️非商用（商用は有料ライセンス要） | 商用に使うなら schnell か有料版 |
| FLUX.1 Kontext | 自然言語で画像を編集。顔を保ったまま別シーンへ | ローカル/クラウド | キャラ一貫性の主力手法 |
| Nano Banana 2 / Pro（Google Gemini） | 参照画像でキャラ一貫（学習不要）、最大4K、会話型編集 | 従量 | キャラ一貫性の"魔法"。1キャラ数十円 vs LoRA学習数千〜数万円 |
| Seedream 4.0（ByteDance） | 4K画像生成＋編集、参照一貫性、最安帯 | ≈$0.03/枚 | i2vの元絵・サムネ・キャラ設定画に最適 |
| Midjourney v7 / v8.1 | ムードボード・写実、一貫性(Omni Reference) | $10〜/月 | サムネ・元絵向け。ローカル制御性はゼロ |
| Wan 2.2（i2vローカル） | ComfyUI内でi2v。GGUF量子化で12GB GPUでも可 | 無料 | ドラフト量産・限界費用ゼロ。仕上げは外部APIへ渡す二段構え |
CH6. トーキングアバター・3D生成・モーション
台本→喋る動画、画像→3Dモデル、単眼カメラのモーションキャプチャ。解説動画や多言語展開、3D素材の下ごしらえを一気に短縮します。
| ツール | できること | 料金 | メモ |
|---|---|---|---|
| HeyGen | 台本→喋る動画。175言語吹替、手ぶり・微表情 | 無料枠→$29/月〜 | 総合トップ。多言語解説の万能選択 |
| Hedra（Character-3） | 静止画→喋るキャラ。SNS向けの自然さ、140言語 | 無料〜$75/月 | 継続キャラの一貫運用に |
| Captions（Mirage Avatar X） | 縦型ショート一括生成、自動字幕、AIツイン | 無料〜$29.99/月 | 縦型ショート特化 |
| D-ID | 顔写真1枚を喋らせる | $5.99/月〜 | 最安運用 |
| Meshy / Tripo / Rodin / Luma | 画像・テキスト→3Dモデル、実物スキャン | フリー枠＋サブスク | Meshy=総合、Tripo=速い無料、Rodin=品質、Luma=スキャン。Blenderで仕上げ前提 |
| Rokoko Vision / Move.ai | Webカメラのマーカーレスモーキャプ | Rokokoは単眼無料 | まずRokokoで試し、品質が要る場面でMove.ai |
用途別クイックガイド
「これを作りたい」から逆引きするなら、この表が最短です。
| やりたいこと | まずこれ | 補強・代替 |
|---|---|---|
| 縦型ショートのキャラ動画 | VOICEVOX ＋ Live2D/VTube Studio ＋ Wan 2.2(i2v) | 語りは AivisSpeech、仕上げカットは Seedance |
| 一貫した同じキャラを量産 | Illustrious＋LoRA → Nano Banana 2 → Vidu | 立ち絵→表情差分→動画の3段 |
| 顔出しなしの解説動画 | HeyGen / Captions（台本→喋るアバター） | そのまま多言語ショートへ展開 |
| 商品比較・実物風カット | Seedance のマルチショット | ナレーションは AivisSpeech |
| BGM・効果音 | Suno（歌/BGM）／ Stable Audio（SE） | 無い音だけAI生成、あとは無料素材 |
| とにかく無料・ローカルで完結 | ComfyUI ＋ Illustrious/FLUX schnell ＋ Wan 2.2 ＋ VOICEVOX | GPUはRTX 4090級（16〜24GB）＋RAM 32GBが快適 |
ライセンスの落とし穴（ここだけは読んで）
無料で強力なモデルほど、商用条件に落とし穴があります。収益コンテンツを作る前に必ず確認を。
- NoobAI XL — モデル・派生・生成物のすべてが商用禁止。無料で高品質ですが、収益動画の素材には使えません。
- FLUX.1 dev — 非商用。商用には Black Forest Labs の有料ライセンスが必要。商用で使うなら FLUX.1 schnell（Apache 2.0） を選ぶ。
- Illustrious / Animagine / Pony 系 — 生成した画像の商用利用は可。ただしライセンス（Fair AI Public License系）は「モデル自体を有料の推論サービスとしてホストすること」を別途制限します。「画像を売る」はOK、「そのモデルで課金APIを立てる」は別問題。
- Veo 3.1 — 出力に不可視のSynthID透かしが常に入り、圧縮・クロップでも消えません。透かしを避けたい案件では Seedance / Kling / オープン系を。
- VOICEVOX — クレジット表記（例: 「VOICEVOX:ずんだもん」）で商用可ですが、キャラクターごとに個別規約があるため、使うキャラの規約は個別に確認を。
原則はひとつ。「無料でダウンロードできる」と「商用に使える」は別物。モデルページのライセンス欄を毎回読む習慣を。
この記事を書いている人
Particles and Waves は、AIを使い倒して個人でアプリを作っている小さなスタジオです。ここで紹介した音声・画像・動画のワークフローは、実際に自分たちのアプリを世界に届けるために組んできたものです。同じように「作る側」の人に届くと嬉しいです。作っているものの一部を置いておきます。
- notaps Words — 聞き流し・書く・発音練習でボキャブラリーを増やす学習アプリ（20言語対応・広告なし）
- notaps Oshi — マイナーな推しの情報を自動でまとめる推し活アプリ
- グッズクリ — 好きな写真1枚が、光って動く推しグッズになるメーカーアプリ
情報は2026年7月時点。料金は概算で、サードパーティ集計を含みます。導入・量産前に各サービスの公式ページとライセンスを必ず確認してください。撤退が公式に確認できたのは OpenAI Sora のみです。