本稿は 画像・動画・音声生成 AI のサブカテゴリ ハブです。テキストや画像から新しいメディアを生成する AI サービス・モデルをまとめます。

子ページから個別サービスを選択してください。

本ページの子ページ

• Stable Diffusion — オープンソースの画像生成モデル
• Midjourney — SaaS 型のアート品質画像生成

※ 今後、DALL·E / Sora / Veo / Runway / ElevenLabs / Suno / FLUX 等を順次拡充予定。

生成 AI のメディア領域マップ

領域	代表サービス・モデル	主な用途
画像生成	Stable Diffusion、Midjourney、DALL·E、Adobe Firefly、Imagen、FLUX	イラスト・コンセプトアート・写真風画像
動画生成	Sora、Runway Gen-3、Veo、Kling、Luma Dream Machine	テキスト / 画像 → 短尺動画
音声合成 (TTS)	ElevenLabs、OpenAI Voice、Google TTS、Azure Speech	ナレーション・キャラクター音声
音声認識 (STT)	Whisper、Deepgram、AssemblyAI、Google STT	文字起こし・字幕生成
音楽生成	Suno、Udio、Riffusion	歌詞 → 楽曲、BGM 生成
3D / モーション	Luma AI、Tripo、CSM、Meshy	テキスト → 3D モデル
画像編集 / アップスケール	Adobe Firefly Generative Fill、Topaz、Magnific	部分修正・高解像度化
アバター / リップシンク	HeyGen、Synthesia、D-ID	動画アバター・多言語ダビング

生成モデルの主要技術

技術	概要
Diffusion Model	ノイズ除去を学習。画像・動画生成の現在の主流
Latent Diffusion	潜在空間で拡散することで計算量を削減。Stable Diffusion の基礎
Transformer	テキスト → メディアの条件付け、近年は画像/動画でも採用
VAE	潜在空間と元データの変換器
GAN	2 つのネットワークが競うことで生成。旧世代の主流
ControlNet / IP-Adapter	構図・画風の制御を後付け
LoRA / Textual Inversion	軽量ファインチューニングで特定スタイルを追加
Flow Matching	新しい拡散系学習アプローチ（FLUX 等）

画像生成サービスの比較

項目	Stable Diffusion	Midjourney	DALL·E	Adobe Firefly
提供形態	OSS / ローカル / API	SaaS (Discord/Web)	SaaS (ChatGPT 経由)	SaaS
カスタマイズ	非常に高い (LoRA等)	低い	低い	低い
商用利用	モデル次第で可	有料プランで可	OpenAI 利用規約に従う	商用配慮の学習データ
料金	無料 (GPU 自前) or 従量	月額	ChatGPT プラン	Adobe プラン
画風	多様 (派生モデル多数)	アート寄り・統一感あり	指示忠実度高	商用安全 + Adobe 統合

動画生成の現状

• Sora（OpenAI）— 高品質長尺。ChatGPT Plus / Pro で提供
• Veo（Google DeepMind）— Gemini 経由・Workspace 統合
• Runway Gen-3 — 映像制作向け。編集ツール統合
• Kling（Kuaishou）— 高品質モデル
• Luma Dream Machine — テキスト・画像 → 動画
• 2025〜2026 年は長尺・物理整合性が急速に向上中

音声・音楽の主要サービス

• ElevenLabs — 自然な合成音声・声のクローン。多言語対応
• OpenAI Voice — ChatGPT 内蔵の音声会話
• Whisper — OpenAI の OSS 文字起こしモデル（ローカル実行可）
• Suno / Udio — 歌詞・ジャンル指定で楽曲生成
• NotebookLM — Google。資料からポッドキャスト風音声を生成

業務利用での共通注意点

• 著作権・肖像権: 実在人物・既存キャラクターを意図的に再現すると権利侵害になりうる
• 学習データの法的議論: 各国で訴訟・規制が進行中。商用利用ではリスク評価を
• 商用利用条件: モデル/サービスごとのライセンス・規約を必ず確認
• 透かし / 出所表示: EU AI Act など、生成物の表示義務が広がる
• 違法・有害コンテンツ: 児童画像、ディープフェイク悪用、フェイクニュース等は厳禁
• 機密情報: 顔写真・社内資料を無料サービスに入れない
• ストレージ規約: 多くの SaaS は生成物がサーバ側に保存される（公開設定確認）
• セキュリティ: 外部から拾った .ckpt モデルは任意コード実行のリスクあり。safetensors 形式を選ぶ

関連

• 親カテゴリ: AIサービス
• 関連カテゴリ: 汎用チャットAI（DALL·E は ChatGPT 経由）
• 背景技術: AI 人工知能 / ディープラーニング