MiniMax H3で動画を一本作るたびに、数分、ときには数十分待つことになる。プロンプトを少し直して作り直したくても、そのたびに負担を感じるよね。
だから、基本は20〜50ステップの生成ステップを4〜8ステップに減らしたTurbo LoRAが人気を集めているんだ。
でも、種類が多すぎて、どれがどれだか分からなくなるんだよね。
そこで今注目されているPika H3 Flex、LightX2V Turbo、Alibaba ACC、DMADのLoRAを比べてみるよ。
✦ 4つの高速化LoRA、ひと目で比較
確認できた長所と弱点、公開されている実行ステップ
どれもMiniMax H3を速く動かすLoRAだけど、うまくいく場面も、ステップを減らす方法も違うんだ。
LightX2Vの4ステップは速い
LightX2Vの強みは、4ステップと8ステップを状況に応じて使い分けられることだよ。
✦ LightX2Vの生成時間、こう縮んだ
RTX 4070 12GB、576×832、124フレーム、5.17秒の動画
日本のある制作者がRTX 4070 12GBで5.17秒の動画を作りながら測った平均時間は、基本のH3 20ステップが273秒、LightX2V 8ステップが131秒、4ステップが79秒だった。
ただ、ここでの4ステップの数値は、8ステップ用のv1.0 LoRAを生成ステップだけ4ステップに下げて動かした結果ではあるけどね。でも、同じ条件で4ステップは8ステップより約39%速く動画を生成して、基本設定と比べると生成時間が約3分の1に減った。
でも、4ステップの結果を最終的な動画に使うには、品質がもの足りない。人が立ち上がって歩く動画では、動いた場所の後ろに残像が出ることもあるし、武器を振る場面では、手と武器が揺れて見えることもあるんだ。
結局、4ステップは構図とプロンプトをすばやく試すときに使うもので、最終的な結果を出すなら8ステップが向いている。新しい4ステップ版が次々に出ているけど、結果がよくなったという意見もあれば、前のバージョンのほうがいいという意見もあるよ。
歌いながらギターを弾くテストもあって、LightX2Vは4ステップも8ステップも、音楽が重なったり乱れたりする問題が出たよ。
もっとも、Turbo LoRAを使った人たちに共通する意見が「音声性能が落ちる」だから、LightX2Vだけの特徴じゃない。でも、音声の品質がもの足りないことは多いんだ。
速さと品質の両方を狙うDMAD
LightX2VのLoRAを使ってみて「自分が作る動画には合わない」と感じた人なら、DMADを考えてみる価値はあるよ。DMADは、MiniMax H3の4ステップ生成でもDMD2より高い支持を得た高速化技術なんだ。
最近出たPika H3 Flexに使われている技術は「PDMD」で、名前が似ているよね。どちらも目標は同じだけど、速く生成できるようにモデルを訓練する方法が違うんだ。
✦ DMDとDMAD、何を手本にするか
学習のしかたの違い
従来のDMDは、元のモデルが作りそうな映像の傾向を基準にして、速いモデルの結果がどちらに偏っているかを計算し、その差を減らす方向で学習させる方式だよ。
このとき、速いモデルの結果を評価する別の補助モデルも学習し続けないといけない。その過程で計算コストが増えるし、評価モデルの判断が間違うと、学習の方向もぶれることがあるんだ。
DMADはこの過程を変えた。DMDがMiniMax H3の元モデルが作った映像だけを手本にしていたのに対して、DMADは実際の映像データセットを学習に使ったんだ。
元のH3が生成した映像と実際に撮影した映像をそれぞれ比較の対象にして、速いモデルが二つの特性を両方学ぶようにしたんだよ。おかげで、元のモデルの表現を保ちながら、実際の撮影映像に近い結果まで作れる余地が生まれた。
Pikaが使っているPDMDも比べてみよう。AIは映像を作ったあと、その結果がどれだけよくできたかを評価されて、その評価をもとに、次はどう作ればいいかを学ぶ。
でも、評価が間違っていると、直さなくていい部分まで変える方向に学習してしまうことがある。PDMDは、そういう間違った評価が学習に与える影響を減らして、変な方向に学習が偏る問題を減らす技術だよ。
それなら、実際に生成された映像ではどんな違いが出たのかな。
ある制作者がRTX 5080 16GBで、同じプロンプトとシードを使ってDMADとPDMDをそれぞれ4ステップで動かした結果があるんだ。
832×480解像度の5秒の動画では、DMADが約30.8秒、PDMDが約29.6秒かかって、720pではそれぞれ約99.8秒と98.4秒かかった。生成速度はほとんど差がないと見ていいよ。
目立った違いは色味だった。夜の通りの屋台を表現する場面で、DMADは基本のH3の映画みたいな雰囲気に近い暗い色調を保ちながら、水たまりの反射と立ちのぼる湯気、灯りの光を自然に表現したよ。
反対にPDMDは、看板と周りの色がより明るくてくっきり出たんだ。落ち着いた現実的な夜の場面を作りたいなら、DMADのほうが気に入る結果だと思う。
人を対象にした評価でも、おもしろい結果が出た。MiniMax H3をすべて4ステップで動かして比べたとき、同点を除いた選択結果で、DMADはDMD2と比べて79.1%の選択を得て、DMD2は20.9%だった。
rCMと比べると、DMADが84.6%、rCMが15.4%。項目別でもDMADが上だったよ。
✦ DMAD 4ステップ、項目別の人間評価
VideoGenEval 387プロンプト、774ペア比較、同点は除外
視覚品質はDMD2と比べてDMAD 84.2%、DMD2 15.8%で、rCMと比べるとDMAD 91.3%、rCM 8.7%だった。
音声品質は、それぞれDMAD 87.9%対DMD2 12.1%、DMAD 86.0%対rCM 14.0%だったね。
動きの品質はDMAD 60.3%対DMD2 39.7%、DMAD 73.8%対rCM 26.2%で、プロンプトへの従い方はDMAD 54.3%対DMD2 45.7%、DMAD 61.1%対rCM 38.9%だった。
もちろん、実際のプロンプトにどれだけ従うかは別の問題だよ。さっきの夜の屋台のテストでは「猫が立ち上がってストレッチをするように」と頼んだのに、720pの結果では、座っていた猫がむしろ伏せる姿になった。
背景には、頼んでいない店の主人まで登場した。こういう問題はPDMDの結果でも見られたよ。色味や画面全体の完成度がよくても、細かい動きや背景の構成がいつもプロンプトどおりに出るわけじゃない。
10月29日には、DMADの8ステップ版も追加された。これは、既存の4ステップLoRAを8回動かすように変えただけじゃなくて、最初から8ステップ生成に合わせて別に学習したモデルなんだ。
開発チームは、このバージョンが4ステップより映像と音声の品質がはっきり向上したと説明している。だから、すばやい繰り返し生成には4ステップ、品質を重視する作業には8ステップを選べばいいだろうね。
結局、DMADの魅力は、4ステップでも映像の色味と視覚的な完成度、音声品質で高い評価を得たことだよ。速い動きや複雑な行動を正確に表現したいなら、8ステップを使えばいい。
Pikaは動きが少ない映像に強い
PDMD技術をもとにしたPika H3 Flexは、いちばん最近注目されていて、人物の顔や肌、手に持った製品を見せる場面で高い評価を受けているんだ。
基本ステップが6ステップだから、ほとんどが8ステップを基本にしている既存のLoRAより、速度の面ではっきりした強みがあるね。
RTX 5090で同じプロンプトと参照写真を使って、8秒の製品デモ動画を作る比較テストでは、Pika 6ステップが116秒、LightX2V 8ステップが148秒、基本のH3 20ステップが327秒かかった。
Pikaの結果は肌が自然で、化粧品のボトルを開けて手のひらに出す場面でも、指が増えるミスはなかったよ。同じテストのLightX2Vの動画は、肌がプラスチックみたいに見えて、指が増える問題があった。
✦ Pikaの評価は条件で変わる
動画の長さや人数が変わると結果も変わる
この結果だけ見るとPikaがよさそうだけど、動画の長さや場面が変わると評価も変わる。RTX 5090で15秒の動画を12本ずつ作った別の実験では、Pikaの動画で止まったフレームが233個見つかったんだ。
12本のうち6本は止まりがなかったけど、残りの動画ではすべて問題が見つかった。顔はよく保たれていて、全体の品質もいいのに、動画が長くて動きが多いと、結果にばらつきが出るんだ。
5人のキャラクターが順番に話す10秒の動画を生成するテストでも違いがあった。RTX 5060 Ti 16GBで同じプロンプトとシードで作った結果を見ると、Pika 6ステップは人物ごとの場面の切り替えがずれて、キャラクターの声もどれも似たような感じだった。
それに対してLightX2V 8ステップは、男女の声を分けて、セリフの順番と画面の中の人物の配置もより正確に合わせたよ。生成時間はLightX2Vが826秒でPikaの638秒より長かったけど、セリフと場面の構成のほうが正確だった。
だから、Pikaは1〜2人ぐらいの人物を中心に、顔や製品を見せる動画に向いている。特に動きが少ない動画づくりに合うだろうね。
反対に、何人もが交互に話して動きが多い場面をよく作るなら、ほかのLoRAのほうがいい選択になると思うよ。
アクション場面はAlibaba ACCに任せて
RTX 3090で同じプロンプトとシードで剣術の対決場面を作った比較では、LightX2V 4ステップに対してAlibaba ACC 8ステップは約1.5倍の生成時間だった。でも、品質ではAlibaba ACCがはっきり上だよ。
LightX2Vの動画は、剣を合わせた構えが数秒間ほとんどそのまま続いたけど、ACCの動画は二人が距離をとって次の動作に移った。格闘シーンでも、動作の進み方がよりはっきりしていたよ。
アクションシーンで大事なのは、剣を持ったかっこいいフレーム一枚より、攻撃と回避が時間に沿ってテンポよくつながる姿でしょ。そういう場面を作るとき、ACCは特に強みを見せるんだ。
✦ ACCを使う前に知っておくこと
速度とセッティングのコスト
ACCは専用のComfyUIノードも必要で、ほかのLoRAに比べてセッティングが面倒なほうだよ。ふつうのLoRAの読み込み方法では、ちゃんと動かないからね（もちろん、そう使えるように調整されたバージョンもあるよ）。
それでも、作りたい動画が激しい動きの多いものや、アクションのカットが多いものなら、ACCを考えてみるといいと思うよ。
おわりに
製品を持ってカメラの前で説明する人物動画なら、Pikaから試してみて。すばやく動画を生成したいなら、LightX2V 4ステップかDMAD 4ステップを選ぶといい。剣術や格闘みたいにアクションが多いなら、ACCに強みがあるよ。
DMAD 8ステップも一度使ってみるといいと思う。全体の評価がいちばん高いLoRAの一つだからね。
今回はここまでにするよ。また会おう。
関連記事
- フォトショップ値上げ、無料GIMPにAI編集を足すOpenFillはどう？
- 映像生成の先へ、仮想世界をつくるAI：Hy-NomasとGenie 4
- MS画像編集の逆襲、MAI Image 2.7がGPT Image 2.5に追いついた！
🌐 韓国語版: Pika·LightX2V·Alibaba ACC·DMAD... 뭐가 다른 거야? MiniMax H3 고속화 LoRA 4종 비교
🌐 英語版: MiniMax H3 Turbo LoRAs: Pika vs LightX2V vs ACC vs DMAD
