テキスト動画API — プロンプトから動画を生成（OpenAI互換、2026）

テキスト動画生成APIは、テキストプロンプトを短い動画クリップに変換します。プログラムから実行できるため、コンシューマー向けアプリをクリック操作する代わりに、生成をパイプラインへ組み込めます。このガイドでは、現代の動画モデルに共通するAPIの構造、現在Kunavoで利用できるモデル、クリップ単位の料金、本番環境で必要となる非同期パターンを説明します。

テキスト動画生成APIの仕組み

現代の動画モデルでは構造は共通しています。promptとパラメータ（duration、aspect_ratio、resolution）を送信すると、ホストされた動画URLが返ります。Kunavoはこれを1つのOpenAI形式エンドポイント/v1/video/generationsで提供しているため、model文字列を変更するだけで動画モデルを切り替えられ、新しいSDKや統合は必要ありません。

import requests

# One OpenAI-style endpoint for every text-to-video model.
resp = requests.post(
    "https://api.kunavo.com/v1/video/generations",
    headers={"Authorization": f"Bearer {API_KEY}"},
    json={
        "model": "veo-3",                       # swap the model, same request
        "prompt": "a cinematic dolly-in on a red origami crane unfolding",
        "aspect_ratio": "16:9",
    },
    timeout=600,  # generation takes minutes
)
print(resp.json()["data"][0]["url"])

duration（秒数）は、秒単位課金のモデル（Seedanceの各モデルとWan 2.7）でクリップの長さを指定します。Veoモデルでは無視されます。Veoのクリップはすべて8秒で、動画単位で課金されます。

Kunavoのテキスト動画生成モデル

現在利用できるファミリーは3つです。Google Veo 3（ネイティブ音声付きのシネマティック品質）、ByteDance Seedance 2（複数ショットのストーリーテリングと参照一貫性）、Alibaba Wan 2.7（低予算のシネマティック生成、秒単位課金）です。Sora、Kling、Hailuoはロードマップにあります。エンドポイントはモデルに依存しないため、いずれかを採用する場合もmodelフィールドを1語変更するだけです。

料金

Veo 3は動画単位で課金されます（ここでは720pの8秒クリップを表示）。Googleの定価より約50–70%安価です。高解像度ほど料金は高くなります。料金ページには完全な料金表があり、AI動画料金計算ツールでは1か月分の料金を計算できます。動画単位課金と秒単位課金の違いも含まれており、見た目の似た2つの料金が大きく異なる請求額になる理由はここにあります。

画像から動画

静止画をアニメーション化するには、プロンプトとともにimage_url（https URLまたはアップロードしたファイル）を渡してください。制御された遷移には最初と最後のフレームを渡します。全パラメータは動画ドキュメントにあります。

音声と動画：このエンドポイントでできること、できないこと

「音声から動画」は2つの異なる意味で検索されるため、ここで利用できるものを正確に区別する価値があります。

生成音声付き動画 — 可能です。 Veo 3は生成の一部として同期されたネイティブ音声を生成します。同じテキストプロンプトから、映像に合わせたセリフ、環境音、効果音が生成されます。話させたいセリフをプロンプトに記述すると、返されるMP4の音声トラックに含まれます。別の音声モデルも、2回目のAPI呼び出しも、ポストプロダクションでの同期作業も必要ありません。これはVeo 3ファミリー固有の機能であり、Seedance 2とWan 2.7は無音動画を生成します。

音声ファイルから動画を生成すること — できません。録音をアップロードしてリップシンクしながら話すアバターを取得したい場合や、音声を文字起こししてそこから絵コンテを作りたい場合、Kunavoには現在それに対応するモデルがありません。ここにある動画モデルはテキストプロンプトと任意の入力画像を受け付けますが、音声を入力として受け付けるものはありません。念のため付け加えると、/v1/audio/transcriptionsにも現在有効なモデルはないため、このAPIだけで2段階の処理を組み立てることもできません。その用途なら、このツールは適していません。存在しない回避策を売り込むより、そう明言する方が適切です。

非同期タスクのライフサイクル

生成には数分かかるため、本番環境で接続を保持し続けることはありません。/v1/videosにタスクを送信すると、すぐにタスクIDが返ります。その後、完了するまでGET /v1/videos/{id}をポーリングします。結果URLは永続的です。

# Production: submit a task and poll — don't hold a long connection.
task = requests.post(
    "https://api.kunavo.com/v1/videos",
    headers={"Authorization": f"Bearer {API_KEY}",
             "Idempotency-Key": "my-task-uuid"},
    json={"model": "veo-3", "prompt": "..."},
    timeout=60,
).json()
# then poll GET /v1/videos/{task["id"]} until status == "completed"

8つのモデルから選ぶ

このページではエンドポイントを扱います。料金について、つまり各モデルで720p・8秒クリップがいくらかかるか、またクリップ単位課金と秒単位課金によってクリップ長ごとに最安モデルが変わる理由については、動画生成API比較をご覧ください。

よくある質問