Alibaba Wan 2.7：思考モードがAI動画生成をどう変えるか

思考モードとは

ほとんどの動画生成モデルはシングルパスで処理を行います。プロンプトを入力するとモデルがノイズをピクセルに拡散し、生成結果が出力されます。単純なシーンではこの方式で十分ですが、複数の被写体、特定の空間関係、複雑なアクションを含むプロンプトでは精度が大幅に低下します。

Wan 2.7は中間ステップを追加しました。ピクセルの生成を開始する前に、モデルは以下の処理を行います。

1. プロンプトを解析し、意味的な構成要素（被写体、アクション、環境、照明）に分解する
2. 構図を計画し、各要素の配置とインタラクション方法を決定する
3. 出力を生成し、この計画を構造的なガイドとして使用する

これは「思考の連鎖（Chain-of-Thought）」推論が大規模言語モデルを改善した方法と類似しています。モデルに行動前の思考を強制することで、出力品質が劇的に向上します。特に複雑なプロンプトで顕著な効果が見られます。

Wan 2.7の完全なモデルスイート

Wan 2.7は単一のモデルではなく、異なる生成ワークフローをカバーする4つのモデルで構成されるスイートです。

テキストから動画モデルは4月3日からTogether AIで利用可能です。残りの3つのモデルは今後数週間で順次公開されます。

技術的詳細：アーキテクチャの解析

Alibabaはまだ完全な論文を公開していませんが、APIドキュメントと初期のベンチマークからいくつかの技術的詳細が明らかになっています。

長文テキストのレンダリング能力は特に注目に値します。従来のモデルは動画フレーム内に判読可能なテキストを生成することが困難でした。Wan 2.7は看板、ラベル、さらには短い段落も驚くべき精度で処理できます。生成映像にテキストオーバーレイを組み込む必要があるクリエイターにとって、これは大きな前進です。

他モデルとのベンチマーク比較

今週、AI動画業界は大きく動きました。Wan 2.7のリリースと同時に、OpenAIがSoraの終了を確認し、GoogleはVeo 3.1の価格を大幅に引き下げました。

1秒あたり$0.10という価格設定により、Wan 2.7は競争力のある中価格帯に位置しています。Googleの低価格Liteオプションの2倍、Kling 3.0と同程度（プラットフォームにより変動）で、Runwayよりも大幅に安価です。

Wan 2.7を使うべき場面

初期テストとモデルの強みに基づき、Wan 2.7が最も効果を発揮するシナリオを紹介します。

より単純な単一被写体のシーンで音声も必要な場合は、Kling 3.0やVeo 3.1の方が適している可能性があります。思考モードの計画オーバーヘッドは、プロンプトが複雑な場合にこそ真価を発揮します。

業界への影響

Wan 2.7の思考モードは、生成モデルの動作方法におけるより広範な変化を示唆しています。将来のモデルは、ノイズから力任せに出力を生成するのではなく、生成の各側面に明示的な計画段階を組み込むようになるでしょう。

このパターンは他の分野でもすでに見られます。コード生成モデルは記述前に計画を立て、画像モデルはレイアウト条件付けを使用し、そして今、動画モデルも「創作前に考える」ことを学んでいます。

競争圧力は確かに高まっています。Soraの撤退、Googleの値下げ、そしてWan 2.7やKling 3.0といった中国発モデルの品質向上により、クリエイターはかつてないほど多くの選択肢を手にしています。柔軟性を保つ理由もこれまで以上に大きくなっています。

各モデルの具体的なベンチマークでの比較については、Runway Gen-4.5のパフォーマンス分析をご覧ください。また、Seedance 2.0の展開がCapCutエコシステムをどのように変革しているかについても、先月詳しく取り上げています。