Kandinsky 5.0 発表──画像と10秒動画を生成する次世代AIモデルの実力とは？

2025年11月19日、学術プレプリントサイト arXiv にて論文
「Kandinsky 5.0: A Family of Foundation Models for Image and Video Generation」
が公開されました（出典：arXiv / https://arxiv.org/abs/2511.14993 )

Kandinsky シリーズといえば、Stable Diffusion と同じ「オープン系の画像生成モデル」という領域にいながら、マルチモーダル処理に強く、画像だけでなく言語理解や視覚認識の統合にフォーカスしたアプローチを続けてきました。

今回登場した Kandinsky 5.0 は、そうしたシリーズの延長線上にありつつも、
“テキストから画像も動画も生成する” という大きな区切りを超えたモデルです。特に 最大10秒の動画生成 に対応した点は、オープン系モデルとしては再び大きな意味を持つ進化だといえます。

本記事では、論文で示された情報をもとに、

• Kandinsky 5.0 はどんなモデルなのか

• 3つのバリエーションの役割

• 技術的な進化

• クリエイター視点で何が嬉しいのか

• オープンソース公開が持つ産業的な意義

を分かりやすく整理してお伝えします。

Kandinsky 5.0 とは何か？──シリーズ全体の位置付け

Kandinsky は、画像生成系の中でも“基盤モデル”という位置付けが強いシリーズです。Stable Diffusion のように「テキスト→画像」単体を追求するというより、視覚と言語の統合理解をベースに、複数のモダリティを扱う設計思想を持っています。

今回の Kandinsky 5.0 は、その流れをさらに推し進めた存在です。

• テキスト→画像生成

• テキスト→動画生成（最大10秒）

• 画像→動画の流れも統合

というように、ひとつのアーキテクチャで 静止画と動画の生成を統合した“モデル群（ファミリー）” として位置づけられています。

従来の画像モデルが「画像だけ」に特化していたのに対し、5.0 は「画像と動画の両方を扱うことで、表現の幅を一気に拡張した」点が特徴です。

本モデルは、

• Image Lite

• Video Lite

• Video Pro

という 3つのシリーズで構成されており、用途に合わせて使い分けられる構造になっています。

特に動画生成まで公開されるオープンモデルはまだ少ないため、研究用途だけでなく、AIクリエイターにとっても影響の大きいリリースになるでしょう。

Kandinsky 5.0 が提供する3つのモデル

本章では、Kandinsky 5.0 のラインナップを整理します。

それぞれの特徴を箇条書きで整理しておきます。

● Image Lite

• 高解像度画像の生成に最適

• VRAM消費が比較的少なく、ローカル推論しやすい

• 画像系ワークフローの中心として扱いやすい

● Video Lite

• テキストまたは画像から短尺動画を生成

• プロトタイプ動画やアイデア出し向け

• 動き重視のモデルとして、速度と軽量性のバランスがよい

● Video Pro

• より複雑なモーションを再現できる

• 高品質な10秒動画を生成可能

• クリエイティブ用途や高品質レンダリングに向く

■ 参考：Kandinsky 2.2/3.0 の頃の推奨スペック

• Image Lite（画像モデル）：VRAM 8〜12GB クラスで動作

• Video Lite（動画モデル）：VRAM 12〜24GB

• Video Pro（高品質動画モデル）：VRAM 24GB以上（またはクラウド環境推奨）

※Kandinsky 5.0 も同程度、またはやや上のスペック帯になると予測されます。

Kandinsky 5.0 の技術的進化 ── 動画生成はどう実現されている？

技術的な側面は、今回の論文の重要ポイントです。

■ 1. 時間方向コヒーレンスの強化

動画生成で最も難しいのは 「連続するフレームを破綻させずにつなげる」 ことです。
Kandinsky 5.0 では、

• 時系列の整合性を保つ

• 物体の形状崩れを抑制

• モーションの自然さを担保

といった改善が組み込まれています。

特に Video Pro は時間方向の安定性を重視しており、「10秒でも途切れにくい動き」を可能にしています。

■ 2. マルチモーダル理解のアップデート

従来のモデルよりも テキスト理解性能が向上していることが示唆されています。

• CLIP 系の統合精度向上

• 指示理解と視覚特徴の対応精度UP

これにより「プロンプト通りの構図」「指定したアクション」を再現しやすくなっています。

■ 3. 推論最適化と高速化

推論パイプラインの効率化により、

• 軽量モデルの応答速度向上

• 高品質モデルでも相対的に高速化

が実現されつつあります。

短尺動画である点も、高速化に寄与しています。

■ 4. 学習データの拡張

詳細なデータセット構成は非公開ですが、論文では

• 大規模な視覚データ

• テキストアノテーションの強化

• 動画データの拡張利用

といった方向が記されており、10秒のモーションを扱うための学習設計が反映されています。

Kandinsky 5.0 は何が“使える”のか？──クリエイター目線での活用ポイント

ここからは実際に制作を行うクリエイター視点で、何がメリットになるのかをまとめていきます。

■ 1. 静止画と動画生成をワンストップ化

画像生成と動画生成が同じシリーズで可能になるため、
「画像→動画」 のワークフローがよりシームレスになります。

■ 2. アイデア試作のスピードが爆速化

Video Lite の登場により、
「案出しレベルの動画」 が高速で作れます。

広告、SNS運用、AI美女系動画制作など、
短尺コンテンツとの相性が良いです。

■ 3. プロンプトから自然な短尺動画

特に Video Pro はモーション精度が高く、
「テキストから自然な10秒動画を生成」
という UX が可能になります。

■ 4. ローカル環境でも扱いやすい（Lite系）

Image Lite や Video Lite は比較的軽量なため、
VRAM 12GB クラス の GPU でも扱える可能性があります。

「高品質動画はクラウド、静止画と軽い動画はローカルで」という使い分けができます。

■ 5. 追加トレーニング不要で使える

LoRA などを用いなくても、
ある程度汎用的な生成が可能なのは大きなメリットです。

オープンソース公開の意義 ── 業界へのインパクト

📌 オープンで動画まで生成できるモデルは極めて希少

現在、動画生成は

• Sora（OpenAI）

• Grok-Video

• Kling AI

• Runway Gen-3 Alpha

など クローズドモデル中心 です。

その中で Kandinsky 5.0 がオープンモデルとして動画生成に踏み込んだことは大きな意味があります。

■ 1. 研究用途としての価値が非常に高い

動画生成はブラックボックス化しやすい領域のため、
オープンモデルが存在することで研究開発が加速します。

■ 2. クリエイターの選択肢が増える

クローズドモデルは制約が多く、継続利用コストもかかります。
Kandinsky 5.0 のようなオープン系が増えることで、
ローカル環境で制作を完結させる選択肢が広がります。

■ 3. 企業やスタートアップが参入しやすくなる

自社向け動画生成技術を開発したい場合でも、
オープンモデルが基盤として利用できるため、
開発コストが大幅に下がります。

■ 4. 産業全体のスピードが上がる

オープンであることで、
コミュニティによる改良版、LoRA、UIツールが増え、
生成AI市場全体の動きが高速化します。

Kandinsky 5.0 の登場は、
「動画生成のオープンソース時代が始まるサイン」
ともいえるでしょう。

まとめ ── Kandinsky 5.0 は画像・動画生成の新基準になるのか

10秒ではありますが、
「短尺動画を高速に生成できるオープンモデル」
という存在は今後の基準になっていくでしょう。

次世代の制作環境を形づくる重要な一歩として、
Kandinsky 5.0 の動向は今後も追っていく価値があるモデルだと感じています。

【デジタル限定版】似鳥沙也加写真集 ふれあ、

3,300円