Vidu AI APIガイド：Image-to-VideoおよびReference Video向け

Vidu AI APIを使用すると、1回のリクエストで静止画を動画クリップに変換できます。また、Reference Videoモードでは、既存のクリップから動きを抽出し、静止画に適用することが可能です。本チュートリアルでは、TokenLabの統合APIを通じてこれらの機能を活用する方法を解説します。ペイロードの構造、パラメータの調整、および実用的な実装チェックリストについて説明します。

主なポイント

• ViduのImage‑to‑Videoエンドポイントは静止画からリアルな動きを生成します。Reference Videoモードは、参照動画の正確な動きのパターンをターゲット画像のコンテンツにコピーします。
• TokenLabは、Viduをはじめ、Seedance、Veo 3、Kling、Hailuo、PixVerse V6といった他の動画モデルを単一の一貫したAPIで提供します。そのため、統合コードを変更することなく、品質、速度、コストを比較できます。
• motion_intensity、num_frames、reference_videoなどのパラメータは、出力のスタイル、長さ、忠実度を直接制御します。これらの調整は、生成のレイテンシと結果の品質に影響します。
• 価格やモデルの利用状況は頻繁に変更されます。常にTokenLabモデルディレクトリおよび価格比較ページ（いずれも2026年7月7日時点）で最新の詳細を確認してください。

ViduのImage‑to‑VideoおよびReference Videoモードの理解

ViduのImage‑to‑Videoパイプラインは、静止画を入力の最初のフレームとして扱い、動画データから学習したモーション事前分布を使用して残りのフレームを埋めます。モデルはシーンのセマンティクスと整合性のあるオプティカルフローと外観の変化を予測し、短い動画クリップ（通常はnum_framesと選択した解像度に応じて2〜10秒）を出力します。

Reference Videoモード（モーション転送や動画ガイド付き生成とも呼ばれます）は、追加のreference_videoパラメータを受け入れます。モデルは参照クリップからモーションベクトルを抽出し、それを静止画のコンテンツに適用します。例えば、ある動画のダンサーの動きをポートレート写真に転送したり、製品紹介のカメラパンを別の製品画像にマッピングしたりできます。どちらのモードもTokenLabの同じAPIエンドポイントを共有しており、唯一の違いはリクエストにreference_videoフィールドが含まれているかどうかです。

プロンプトから動きを生成するText‑to‑Videoモデルとは異なり、Viduの画像条件付きアプローチでは、開始フレームを正確に制御でき、Reference Videoを使用すれば正確な動きの振り付けも可能です。これにより、静止画のコンセプトアートのアニメーション化、製品写真への二次的な動きの追加、単一の参照からのキャラクターアニメーションテストの作成などに適しています。モデルは実際の最初のフレームを使用するため、生成されたクリップは入力の視覚的アイデンティティに固定され、プロンプトのみのパイプラインで一般的な形状の崩れ（shape‑drift）の問題を回避できます。

TokenLabアカウントとAPIキーの設定

TokenLabを通じてViduを使用するには、アクティブなアカウントとAPIキーが必要です。

1. tokenlab.shでサインアップします。
2. ダッシュボードに移動し、「API Keys」からAPIキーを生成します。
3. キーは安全に保管してください。すべてのリクエストでBearerトークンとして送信されます。

TokenLabの統合APIを使用すると、ペイロードのmodelフィールドを変更するだけで動画モデルを切り替えることができます。Viduはviduという名前で識別されます。SeedanceやVeo 3などのモデル用に作成済みの統合コードは、構造を変更することなくViduでも動作します。

TokenLabを使用した最初のVidu APIリクエスト

基本的なImage‑to‑Videoリクエストでは、静止画のURLと一連の生成パラメータを送信します。以下はcurlを使用した例です。

curl -X POST "https://api.tokenlab.sh/v1/video/generate" \
  -H "Authorization: Bearer $TOKENLAB_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "vidu",
    "image_url": "https://example.com/portrait.jpg",
    "motion_intensity": 0.7,
    "num_frames": 120,
    "resolution": "1080p"
  }'

Reference Videoモードの場合は、短いモーションクリップを指すreference_videoパラメータを追加します。

{
  "model": "vidu",
  "image_url": "https://example.com/portrait.jpg",
  "reference_video": "https://example.com/dance_reference.mp4",
  "motion_intensity": 0.8,
  "num_frames": 120
}

APIはvideo_urlを含むJSONオブジェクトを返します。生成が完了するまでこのURLをポーリングできます。TokenLabはポーリングを回避するためのWebhookコールバックもサポートしており、本番環境のワークロードにはこちらが推奨されます。

品質と速度のためのパラメータ調整

Viduエンドポイントは、動きのリアリズム、出力時間、処理時間に影響を与えるいくつかのパラメータを受け入れます。以下の表は、最も重要なパラメータをまとめたものです。

パラメータ	型	説明	標準範囲
motion_intensity	float	動きの振幅を制御します。値を小さくすると繊細な動きになり、大きくすると劇的なアクションになります。	0.0 – 1.0
num_frames	int	生成するフレーム数。出力時間は num_frames / fps です（デフォルトのfpsは24）。値を大きくすると生成時間が増加します。	48 – 240
resolution	string	出力解像度。サポートされている値は 720p と 1080p です。解像度が高いほどコストと時間がかかります。	720p, 1080p
reference_video	string	モーション転送用の参照動画のURL。省略した場合、モデルは自律的に動きを生成します。	URL
style_strength	float	入力画像の視覚スタイルと参照動画の動きのどちらを優先するか。1.0で画像スタイルを維持し、値を下げると参照動画のスタイルがわずかに反映されます。	0.0 – 1.0

フル尺度の生成を行う前に、短いクリップ（48〜60フレーム）でこれらのパラメータをテストすることで、時間とコストを節約できます。TokenLabの価格ページでは、解像度やフレーム数によって異なる生成ごとのリアルタイムコストを確認できます。モデルディレクトリには、ViduがホストされているReplicateやfalなどの公式プロバイダーも記載されています。各社の最新料金については、Replicateの価格およびfalの価格（2026年7月7日時点）を確認してください。

実用的な実装チェックリスト

本番環境に移行する前に、以下のチェックリストを使用して統合が準備完了であることを確認してください。

• APIキーのスコープが適切か – キーには動画生成に必要な以上の権限が付与されていないこと。
• 入力画像の検証 – 画像URLが公開されており、少なくとも512×512ピクセル以上であること。モデルは、鮮明で照明の良い顔やオブジェクトで最もよく機能します。
• 参照動画の準備 – モーション転送を使用する場合、参照クリップは短く（2〜5秒）、適切にクロップされており、シーンカットのない単一の連続した動きであること。
• パラメータ調整の完了 – motion_intensityとnum_framesがサンプルでテスト済みであり、選択したバランスがレイテンシの予算と視覚品質のしきい値を満たしていること。
• ポーリングまたはWebhookの設定 – クライアントがvideo_urlのステータスをポーリングするか、完了Webhookをリッスンしてメインスレッドのブロッキングを回避していること。
• エラーハンドリングの実装 – 5xxエラー時に適切にリトライし、デバッグのために4xxレスポンスをログに記録していること。
• コスト監視の有効化 – TokenLabダッシュボードで支出制限が設定されており、コストの変動に合わせて価格比較ページを定期的に参照していること。
• モデルのフォールバックの検討 – Viduが一時的に利用できない場合に備え、SeedanceやVeo 3への切り替えがTokenLabのmodelフィールドの変更だけで済むように設計されていること。

これらの手順に従うことで、動画モデルの供給状況が変化してもパイプラインの信頼性を維持できます。

Viduと他の動画モデルの比較

TokenLabの統合APIを使用すると、統合コードを書き直すことなく、Viduを他の動画生成モデルと比較できます。執筆時点（2026年7月7日）での主な代替モデルは、Seedance、Veo 3、Kling、Hailuo、PixVerse V6であり、すべて同じエンドポイントで利用可能です。それぞれに異なる強みがあります：

• Seedance – 高フレームレートで流れるようなキャラクターアニメーションに優れており、ダンスやアクションシーンで好まれます。
• Veo 3 – シネマティックなカメラワークとシーン構成を生成し、製品動画や短編映画に適しています。
• Kling – リアルな人間の動きとリップシンクに最適化されており、トークアバターに有用です。
• Hailuo – スタイリッシュなアニメーション効果に重点を置いており、モーショングラフィックスに適しています。
• PixVerse V6 – ソーシャルメディア用の大量のクリップ生成において、速度と品質のバランスが取れています。

これらのモデルの詳細な分析、比較出力サンプル、ユースケースの推奨事項については、2026年のベストAI動画モデルAPIに関する記事をご覧ください。コストに基づいてプロバイダーをルーティングする必要がある開発者向けには、OpenRouter比較ガイドで、TokenLabがどのようにマルチプロバイダーアクセスを抽象化し、支出を最小限に抑えるかを解説しています。

よくある質問（FAQ）

1. Viduは画像と一緒にテキストプロンプトをサポートしていますか？
   Viduは主に画像条件付きモデルであり、画像が最初のフレームとして機能し、モーション事前分布が動きを決定します。一部のプロバイダーではスタイルを調整するためのオプションのテキストヒントを許可する場合がありますが、TokenLab経由のAPIでは現在promptフィールドを受け付けていません。出力を調整する最良の方法は、motion_intensity、num_framesを調整し、重要な点として適切な参照動画を使用することです。

2. 通常の生成にはどのくらいの時間がかかりますか？
   生成のレイテンシは、num_frames、解像度、プロバイダーの負荷に依存します。720p（48フレーム）の2秒のクリップは、TokenLab上で通常15〜30秒で完了します。5秒の1080pクリップ（120フレーム）は60〜90秒かかる場合があります。時間的制約のあるアプリケーションにはWebhookの利用を推奨します。

3. ローカルにホストされた画像や動画を使用できますか？
   TokenLabでは、image_urlとreference_videoに公開アクセス可能なURLが必要です。ファイルをクラウドストレージバケット（例：署名付きURLを使用したAmazon S3）にアップロードするか、一時的なホスティングサービスを使用してください。Viduの基盤となるプロバイダー（Replicate、fal）も、アセット取得のためにURLを必要とします。

TokenLabでViduを始める

Vidu AI APIは、Image‑to‑Videoおよびモーション転送プロジェクトにすぐ利用可能です。TokenLabアカウントにサインアップし、APIキーを取得して、最初のテストリクエストを送信してください。TokenLabモデルディレクトリでViduを選択して他の動画生成モデルと比較するか、価格比較ページでコストを最適化しましょう。単一のAPIで、統合の切り替えなしにすべての動画モデルラインナップにアクセスできます。