Stable Video Diffusion XTとCogVideoX-5B｜一枚の写真を動かすか文章から作るか
確定した一枚の画像から短い動きを作るならSVD XT、文章で場面と動作を組み立てるならCogVideoX-5Bを検討します。SVD XTはテキストで直接制御できるモデルとして扱いません。
公式の公開ウェイトと推論資料を2026年10月19日に確認しました。モデルを実行した画質・速度・費用の測定結果ではありません。
入力写真があるかどうかで出発点を変える
SVD XTはstabilityai/stable-video-diffusion-img2vid-xt、CogVideoXはzai-org/CogVideoX-5bを対象にします。SVDの14フレーム版、XTの別改訂版、CogVideoX-5B-I2Vと混ぜません。
二つは同じ入力を取り合うモデルではありません。写真の構図を出発点にするか、英語の文章を出発点にするかが最初の判断です。文字やロゴを正確に動かせるという結論は、入力写真があることだけからは導けません。
写真条件と文字による制御を分ける
| 判断軸 | Stable Video Diffusion XT | CogVideoX-5B |
|---|---|---|
| 入力 | 静止画を条件にするI2V。 | 英語テキストを入力するT2V。 |
| 出力の基準 | 576×1024で25フレームを生成する学習仕様。 | 720×480、6秒、8fpsというモデルカード。 |
| 文字での制御 | モデルカードはテキスト制御非対応を明記。 | 226トークンの英語入力を案内。 |
| 検品の重点 | 動きが出るか、顔や文字が崩れないか。 | 指示した被写体・動作順・構図になっているか。 |
| 準備するもの | 条件画像、切り出しと入力サイズ、推論設定。 | 最終英語文、重み・seed・推論設定。 |
短い出力を編集へ渡す
SVD XTでは元画像を保存し、どの切り出しで渡したかを記録します。モデルカードには動きが小さい場合や顔・文字の制限があるため、写真を渡せばそのまま商品動画になると考えず、使えるフレーム範囲を検品します。
CogVideoXでは動かしたい対象とカメラを英語で明示します。完成写真の忠実な保持が必要なら、このT2V比較のまま進めず、別のI2Vモデルを選ぶ判断が必要です。両方とも、編集で足した字幕や音声は生成モデルの能力と分けて扱います。
商品背景を短いループ素材へする
仮に、商品を置く前の背景写真が一枚あり、数秒のループ素材が必要だとします。SVDでは写真を条件として動きを試す計画、CogVideoXでは背景の雰囲気とカメラ移動を文章で再設計する計画になります。写真と同一構図が必須なら、後者はその要件を満たす保証がありません。実際の生成はしていません。
25フレームを何秒で再生するかは書き出しfpsに依存します。ループ化、補間、拡大を行う場合は編集工程として記録し、生成した元フレームと分けて納品します。公開ウェイトの取得費だけで比較せず、画像の準備、GPU稼働、使えない出力の再試行も費用へ含めます。
出典・確認範囲
確認日は2026年10月19日です。正式な配布名、入力、推論構成を確認し、実測していない画質・速度の順位は付けていません。重みとコードの利用条件はそれぞれの配布元で確認します。本記事の例は仮の制作計画です。
- Stability AI｜SVD XT model card — 画像条件、25フレーム・576×1024、テキスト制御非対応、顔・文字等の制限。
- Z.ai｜CogVideoX-5B model card — 英語入力、226トークン、720×480・6秒・8fps、最適化条件、モデルライセンス。
- Z.ai｜CogVideo公式リポジトリ — 5B、5B-I2V、1.5の区別と推論手順。