2026年に音楽MVで選ぶべきAI動画モデル：コスパ・速度・ヒーローショット三本の格付け

曲はもう仕上がっています。タイムラインを見つめながら、頭の中の計算はまだ終わっていません。サビには旗艦モデルを使うべきか、Aメロは安い枠でいいのか、通し見のプレビューを1本出すだけでクレジットをどれだけ使うのか。2026年の夏より前、多くの人のデフォルトの答えはまだ「全曲を一番高いモデルに丸投げする」でした。結果、プレビューを見終わる前に、クレジットは底をついています。

これは画質の問題ではなく、ショットの役割の問題です。同じMVの中でも、観客が思わず一時停止して見入るショットと、単に拍を埋めるだけのショットがあります。枠を間違えると、画面の差ではなく、曲全体の予算配分そのものが崩れます。

多くの格付けは、すべてのモデルを「どれが一番強いか」という1枚の表に並べます。以下の三本は音楽MVの実際の使い方に沿って分けています。全曲プレビューを回すのに向いているのはどれか、見終えてから撮り直しを決めるのに向いているのはどれか、サビの寄りに残しておく価値があるのはどれか。数字は検証できるものだけを載せ、製品リストと合わないものは書かず、削っています。

なぜ全編を旗艦モデル1本で作ると、1曲が採算割れになるのか

3分のMVは通常、数十のショットで構成されます。すべてのショットを「一番きれいに」生成しようとすると、コストはショット数に比例して増えますが、見た目の印象はそれに比例しません。観客が本当に注目するのは、サビの入り、クライマックスの寄り、口パクで歌う瞬間の数カットだけです。

MiniMax公式のH3紹介記事には、2K枠の秒単価が主流モデルの3分の1未満、768pは主流720pの半分未満だと書かれています。これは旗艦モデルH3のコスパを語った文脈であり、全曲をそのまま丸投げしていい理由ではありません。H3は単区間15秒まで、ネイティブ2K、画像・動画・音声を同時に入力できます。これらの能力は高くつく分、思わず見入るショットにこそ使うべきです。

2026年8月27日、H3ファミリーの高速枠MiniMax H3 Maxでテキストから動画を1本生成しました。5秒、480P、16:9、エンドツーエンドで5.41秒、API価格0.125ドル。公式価格は5秒720Pで160クレジット、480Pで100クレジットです。同じ日に、選択可能な他モデルのクレジットと典型的な出力時間も、製品リストと照らし合わせて確認しました。

実用ルール： まず「このカットで観客は一時停止するか」を問い、その後にどのモデルを使うか決めます。解像度は結果であり、選定理由ではありません。

コスパ格付け：同じ5秒で、全曲プレビューに一番使えるのはどれか

プレビュー枠に求められるのは、ポスター級の1枚絵ではなく「曲全体を先に通しで見て、構成が合っているか確認する」ことです。クレジットは製品の5秒枠（720P基準）で表記し、H3 Maxのみ480Pも併記します。出力時間は製品側の典型値、H3 Maxの5.41秒はその日の実測値です。

モデル	5秒クレジット	典型出力時間	MVでの役割
MiniMax H3 Max	160（480Pは100）	3〜10秒（実測5.41秒）	デフォルトの全曲プレビュー
Seedance 2.0 Mini	150	約70秒	安くて顔が安定
Grok Imagine 1.5	150	約30秒	光と雰囲気を素早く試す
LTX 2.5 Fast	180	約40秒	中間枠、音声トラック付き
Kling O3 Standard	225	約94秒	身体・ダンスの中間枠

H3 Maxの強みは単位時間あたりのプレビュー密度です。5秒の画面がほぼ5秒で戻ってくるので、1曲数十ショットを当日中に見終えられます。テキストから動画、画像から動画、先頭・末尾フレーム指定に対応し、解像度は720Pまで。参照音声はありません——口パクを固定する用途は期待しないでください。

Seedance Miniのクレジットはほぼ同じ（150）ですが、典型出力時間は約70秒。その代わり最大9枚の参照画像で顔を固定できます。顔をしっかり固定したいが旗艦モデルは使いたくない場面では、H3 Maxよりこちらが向いています。Grok Imagine 1.5も同じく150クレジット、約30秒出力で、能力は参照動画的な先頭・末尾の融合であり、標準的な先頭・末尾フレーム指定ではありません。光や雰囲気を試すのに向き、転換点の基準ショットには向きません。

製品の選択リストでは、Seedanceは1枠ではなく5枠です。コスパ格付けには最安のMiniだけを載せているため、表を流し見するとファミリー全体が抜けているように見えます。SunoMVのデフォルト動画モデルは Seedance 2.0 Fast（250クレジット／約135秒）であり、Miniでも2.5でもありません。クレジットと典型出力時間は製品リストに合わせています。

枠	5秒クレジット	典型出力	解像度	MVでの役割
Seedance 2.0 Mini	150	約70秒	720P	安く顔を固定
Seedance 2.0 Fast	250	約135秒	720P	製品デフォルト、安定した中間枠
Seedance 2.0	320	約150秒	720P	標準枠
Seedance 2.5	500	約90秒	1080P	物語の旗艦、サビのヒーロー
Seedance 2.0 4K	3000	約370秒	4K	商用完成版だけ

実用ルール： Seedanceと聞いたら、まずどの枠かを確認してください。Miniは顔固定、Fastはデフォルトの完成、2.5はサビ、4Kはマスター——Miniと2.5は別モデルです。

Kling O3 Standardはより高価でより遅いものの、身体やダンスの中間枠として定番。公式サイトはKling。LTX 2.5 FastはH3 Maxよりやや高く、最短6秒という制約がある一方、生成時に音声トラックを同時に持てるのが強みです。

実用ルール： プレビューを見終える前に、サビ用の予算を最初のAメロに使わないでください。

スピード格付け：全曲を見終えてから、どのカットを撮り直すか決める

音楽動画は広告とは違います。広告は待てますが、曲の構成はすぐに聴き取れる必要があります。サビの入りは切れているか、間奏は冷めていないか、最後のサビは盛り上がっているか。スピード格付けが見るのは「5秒の画面をどれだけ待つか」であり、「このフレームがポスターになるか」ではありません。

モデル	5秒あたりの典型出力時間	一番向いている用途
MiniMax H3 Max	3〜10秒（実測5.41秒）	全曲を先に通しで見る
Grok Imagine 1.5	約30秒	光と雰囲気のテスト撮影
LTX 2.5 Fast	約40秒	音声トラック付きの中速枠
Veo 3.1 Lite	約50秒（尺は8秒固定）	シネマティックな短カット
Seedance 2.0 Mini	約70秒	顔を固定したい安い枠

Google DeepMindのVeoページは、Veo 3.1を「動画と音声が出会う」モデルと位置づけています。ネイティブの効果音、環境音、セリフに対応し、シネマティックな質感を強調しています。選択可能なモデルの中で、Veo 3.1 Liteのクレジットは160前後に固定されていますが、先頭・末尾フレーム指定を使うと尺が8秒に固定されます。価格はH3 Maxと同じくらいに見えても、実際には1カットが長く、細かく切るのには向きません。シネマティックな短カットには使えますが、デフォルトのプレビューエンジンとしては、曲のテンポと合いません。

H3 Maxの後は、速度が一段階落ちます。Seedance 2.0 Fastは約135秒／250クレジット、Wan 3.0は約180秒／200クレジット。この2つは実用に耐えますが、「先に通しで見る」用途に使うべきではありません。

ヒーローショット格付け：サビの寄り、口パク、4Kは誰に任せるか

プレビューで問題がなければ、次は「観客が一時停止するカット」の番です。ヒーローショットで見るのは顔、身体、口パク、画質の上限であり、クレジット表の最安値ではありません。

1. Kling O3 Pro — ダンスと顔の頂点。出力は約318秒、300クレジット／5秒、ネイティブ1080P、先頭・末尾フレーム指定に対応。身体のねじれ、回転、顔の寄り——プレビュー枠でよく崩れる部分をここに任せます。
2. Seedance 2.5 — ストーリー重視の旗艦モデル。約90秒、500クレジット／5秒、参照画像は製品仕様で最大9枚、尺は4〜15秒。速さより、安定してコンテと合わせられることが必要な場面向けです。
3. MiniMax H3（Hailuo 03） — 口パク＋2K。約250秒、350クレジット／5秒、最大9枚の参照画像に対応し、参照音声も入力できます。公式の能力と試用入口はHailuoのMiniMax H3、オープンソース側の先頭・末尾フレームタスクはHugging FaceのMiniMax H3モデルカードにあります。H3 Maxとはアップグレード関係ではありません。
4. FLUX 3 — コンセプトアート、マルチキーフレーム。約120秒、350クレジット／5秒。ビジュアルを固める用途に向き、デフォルトの出力エンジンには向きません。
5. Seedance 2.0 4K — 商用4Kの完成版だけに使います。約370秒、3000クレジット／5秒。プレビュー段階でこれに触るのは、完成版の予算で下書きをしているのと同じです。

H3 Maxがこのランキングに入らないのは、弱いからではなく、「一時停止して見る」位置に向かないからです。参照音声がなく、解像度は最高720P。口パクの歌唱をここに任せるのは、プレビューエンジンでヒーローショットを撮るようなものです。

H3が曲そのものをどう入力に使うかは、MiniMax H3でAI MVを作る：参照音声の分解で先に見てください。複数ショットで顔を変えない方法はAI音楽動画のキャラクター一貫性にまとめています。

https://www.youtube.com/embed/Jd-3m-cb3i4

このチュートリアルが使っているのはHailuo上のMiniMax H3です。画像とボーカルをモデルに入力し、15秒ずつ区切って進めています。これが示すのは旗艦ショットの撮り方であり、「全曲をこの値段でやるべき」ということではありません。速度とクレジットの照合は、本記事の三本の格付けを基準にしてください。

判断表：プレビュー・クライマックス・完成版でそれぞれ何を使うか

上の三本のリストを1枚の表にまとめます。列はショットの役割であり、メーカーの序列ではありません。

ショットの種類	第一選択	候補	使わない
全曲プレビュー	H3 Max	Grok Imagine 1.5	4K／旗艦モデルの全編使用
通常の完成／顔固定	Seedance 2.0 Fast	Seedance 2.0 Mini	H3 Maxを完成版にする
サビのヒーロー	Kling O3 Pro／Seedance 2.5	MiniMax H3	Miniで無理に寄る
口パク歌唱	MiniMax H3	Seedanceの音声参照	H3 Max（参照音声なし）
商用4K	Seedance 2.0 4K	—	プレビュー段階

判断フィルター： 「観客はここで一時停止するか」を問います。しないなら速い枠に留め、するなら旗艦モデルに上げます。

この表は「全編を1モデルだけで作る」の逆を行っています。プレビューは速いモデル、クライマックスは高価なモデル、口パくは音声を扱えるモデル、4Kは本当に出力する版だけに使います。予算をキーフレーム単位までさらに絞り込みたい場合は、Lite-Agent省コストワークフローを参照してください。そちらは5つのキーフレームの切り方を、本記事はその5カットをどのモデルに任せるかを扱っています。

推奨ワークフロー：H3 Max／Grokで全曲を敷き、クライマックスに2〜3カットを追加する

実践では、10個のモデルを同時に開かないことです。繰り返し使える手順は以下の通りです。

1. 先に曲とタイムラインを決めます。 サビの入り、間奏、最後のサビを確認し、「観客が止まる」ポイントを2〜3カ所マークします。
2. 全曲プレビューはH3 Max（またはGrokで光をテスト）を使います。 480Pで十分です。目的は当日中に構成を見終えることで、完成版を出すことではありません。
3. 止まらないショットは削ります。 Aメロの空撮、間奏、アウトロはプレビュー枠のままで問題ありません。「もう生成したから」という理由で上位枠に上げないでください。
4. クライマックスの2〜3カットを旗艦モデルに上げます。 ダンス・顔の寄り→Kling O3 ProまたはSeedance 2.5、口パくが必要→MiniMax H3にそのボーカルを入力します。
5. 本当に4Kが必要になったときだけ4Kを使います。 構成が固まる前の4Kは、より高価な下書きにすぎません。

SunoMVでは、これらのモデルをすべて自分で選べます。まずH3 Maxで全曲を敷き、サビのカットだけ旗艦モデルに切り替えましょう。最初から全編を最高グレードにしないでください。

H3 MaxとH3は同じ検索を奪い合いませんか？ 奪い合いません。ショットの役割で選び分ければ大丈夫です。H3 Maxはデフォルトのプレビュー用、H3は2Kと口パく用のヒーローです。併用するのが正しい使い方で、互換的に置き換えるのは無駄になります。

なぜ表にすべてのモデルのAPI価格を載せていないのですか？ その日に実測したのはMiniMax H3 Maxの0.125ドル／5秒（480P）だけだからです。他のモデルは製品側のクレジットと典型出力時間のみを記載しています。合わない数字は、当てるより削るほうが誠実です。

Veoをデフォルトのプレビューに使えますか？ あまり向きません。シネマティックな質感は魅力ですが、8秒固定の尺が細かい切り返しを高く、長くしてしまいます。デフォルトのプレビューはH3 Maxに任せてください。

今すぐSunoMVで始めて、MiniMax H3 Maxで最近作った曲を一度通しで見てみましょう。構成が決まったら、サビの2カットにお金をかければ十分です。

—— SunoMV チーム