FastFrames Video GenerationとGoogle Veo 3.1の比較を伝えるヒーロータイトルカード。バッジには「36 ms per frame」「480p, silent」「open weights」「$24 per minute」「native 4K」「SynthID and C2PA」と表示され、右下にOrcaRouterのロゴが配置されている。
Guides & Insights

FastFrames動画生成 vs Google Veo 3.1:リアルタイム対完成映像

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

これら2つのシステムは同じ仕事を巡って競合しているわけではなく、それを最短で見抜く方法は、それぞれが何をやらないかを問うことだ。FastFrames Video Generationは、Appleが2026年11月16日に発表し、論文が17日に続いたものだが、クライアントに渡せるファイルは提供しない。最高480pで、音声はなく、ホスト型エンドポイントも一切ない。Google Veo 3.1は、1秒未満でフレームを提供することはない。標準ティアは完成出力の分単位で課金され、レイテンシは数十秒単位で測られる。一方はインタラクティブな何かのためのインフラだ。もう一方は制作会社だ。品質だけで両者を比較するのは、カメラと映画制作チームを比較するようなものだ。

6つの次元と、それぞれを測定した人物

測定されているものから始め、それを誰が測定したかに注意してください。以下のVeo 3.1の数値は、FastFramesが存在する前の2026年10月時点で取得されたArtificial Analysisの動画ボードによるものです。FastFramesの数値は、Apple自身の論文の表1から来ており、480pで同じプロンプトとシードを使用したものです。FastFramesを実行した独立機関はなく、どのボードもそれを採点していません。Veoの数値が見える箇所ではそれは第三者による測定であり、FastFramesの数値が見える箇所ではそれはベンダーの主張です。

• レイテンシ — FastFrames-S は 1 台の B200 で 1 フレームあたり 36 ms、毎秒約 28 リクエスト。一方 Veo 3.1 は 1 クリップあたり数十秒を要し、フレーム単位ではなく再生時間単位で販売されている。

• 解像度 — FastFramesは832×480で他の選択肢なし。一方、Veo 3.1はプランに応じて720p、1080p、ネイティブ4Kに対応。

• 音声 — FastFrames は一切生成しませんが、Veo 3.1 は同一呼び出し内で会話・音楽・効果音を含むネイティブ 48 kHz ステレオを生成します(generate_audio のデフォルトはオフ)。

• 価格 — FastFrames にはエンドポイントがないため価格はありません。GPU を購入するのに対し、Veo 3.1 は出力1分あたり $24.00、Fast ティアでは $9.00、Lite では $4.80 です。

• アクセス — FastFrames は Apple の AMLR ライセンスの下でダウンロード可能な重みとして提供され、Linux 上で CUDA 12.8 を用いてセルフホストできる。一方、Veo 3.1 は Google の API およびサードパーティプラットフォーム経由で利用でき、重みは提供されない。

• プロベナンス(来歴) — FastFrames は何も公開していないのに対し、Veo 3.1 はすべての出力に SynthID ウォーターマークと C2PA コンテンツクレデンシャルを埋め込んでいます。

A two-column scoreboard comparing FastFrames and Veo 3.1 across six dimensions: latency 36 ms per frame against seconds per clip, resolution 832x480 against up to native 4K, audio none against 48 kHz stereo, clip length 81 frames about 5 seconds against 4, 6 or 8 seconds plus extension, price GPU time only against $24.00 per minute, and access open weights against hosted API with no weights.

Veo 3.1 が実際にあなたにもたらすもの

Veo 3.1の売り文句は「最も美しく見える」ことではない。「完成している」ことだ。このモデルはテキストプロンプト、最大3枚の参照画像、シード、ネガティブプロンプトを受け取り、4秒、6秒、または8秒のクリップを、同期された48 kHzステレオ――セリフ、環境音、効果音が映像とともに生成され、口の動きが発話に一致する――で返す。シーン拡張はそれらのクリップを連鎖させる。各ティアではネイティブ4Kまでの解像度を追加できる。すべてのファイルにはSynthIDウォーターマークとC2PAクレデンシャルが付与される。これは、法務チームがクリアするアセットと、そうでないアセットの違いである。

品質面では良好だが、首位ではない。2026年10月時点のArtificial Analysisのimage-to-videoボードの記録では、Veo 3.1は7,040サンプルでElo 1,082、±7の区間で12位だった。Fastティアは14,688サンプルで1,066 ±6の17位、Liteティアは5,122サンプルで1,071 ±8の15位——3ティアは統計的に識別不能な品質で、価格は5倍離れている。text-to-videoボードでは約3,000サンプルで962 ±10の19位だった。これらを合わせて読むと、実用的な結論は、Veo 3.1のティア選択は予算の決定であり品質の決定ではなく、その真の競争優位性はEloではなく音声、4K、来歴にあるということだ。

FastFramesが実際に証明していること

Appleの発表における興味深い主張は「より高速な動画モデル」よりも狭い範囲にとどまり、しかもはるかに反論しにくい。自己回帰型の動画拡散が遅いのは、トランスフォーマーとはほとんど関係のない理由による。潜在表現をピクセルに戻す変分オートエンコーダーが計算予算の大部分を占め、コンテキストを次のブロックへ運ぶKVキャッシュの更新も同様だ。Appleは前者を6387万パラメータのピクセルデコーダー——3つの因果的ConvNeXtブロックと線形ヘッド——に置き換え、後者を共有ステムを持つ4ブロックのリファインメントネットワークに置き換えた。このネットワークは小モデルで2ミリ秒、大モデルで6ミリ秒かかる。最終段階ではDiTは凍結されている。

• VAEデコード — 1フレームあたり約147 msが約1 msになります。

• DiT、1.3B — 41.6 msが16.4 msに、または8台のGPUに分散して5.8 msになります。

• DiT、14B — 89.2 ms が 75.6 ms に、8基の GPU では 20.3 ms になります。

• Causal Forcing++ 合計、1.3B — 271.8 ms が 35.8 ms となり、7.6倍の削減。

The FastFrames project page from Apple and Cornell University, naming the seven authors and stating that both checkpoints generate 480p at under 50 milliseconds per frame, with tabs for demo, abstract, quality-latency plots, pipeline and comparisons.

両チェックポイントはWan2.1から蒸留されています。FastFrames-SはWan2.1-T2V-1.3Bから、FastFrames-LはWan2.1-T2V-14Bから、Causal Forcing++レシピを用いて蒸留されました。ピクセルデコーダーは32台のB200上で約1週間、150,000回のロールアウトにわたって学習され、8台のB200上で凍結したDINOv3 ViT-S/16ディスクリミネーターに対する敵対的パスも実施されました。著者らのVBench数値では、FastFrames-Sが84.23、FastFrames-Lが84.44であるのに対し、蒸留元のベースラインは84.11、Krea-Realtimeは84.42です。Krea-Realtimeは1フレームあたり1,675 msで動作します。

FastFramesが使用できない2つの用途と、使用できる1つの用途

納品済みのクリップを置き換えることはできません

リリース済みの構成では、480p が厳然たる上限です。Apple は 720p のレイテンシーを報告しています——小モデルでは 1 フレーム 127 ms、大モデルでは 8 基の GPU で 116 ms——しかし、720p の重みも設定も提供されていません。音声経路はまったく存在しないため、トーキングヘッド、ナレーション付きの製品デモ、あるいはクライアントが音声付きで視聴するものには、別途音声パイプラインが必要です。そして、単一 GPU 上の 14B では 1 クリップあたり 12.8 秒かかるため、ノードを保有していない限り、大モデルは再生よりも遅くなります。

そう呼ぶことはできない

Appleのエンドポイントはありません。FastFramesは研究用リリースです。重みはAMLRライセンスの下でHugging Faceに、コードはGitHubに、そしてLingBot-World v2のデモアプリはCC BY-NC-SA 4.0の下にあります — 非商用です。使用するにはLinux x86-64、NVIDIA GPU、CUDA 12.8、uv sync、およびチェックポイントディレクトリが必要です。それは技術的な問題である前に、調達の問題です。

The Hugging Face model card for apple/FastFrames-L, showing the title 'FastFrames: Video Generation at Interactive Latency', the two checkpoints, the Wan2.1-T2V-14B base model, arXiv 2611.23226 and the apple-amlr licence tag.

ライブループにライブ感を与えられる

1フレーム36 msで、1台のB200上のFastFrames-Sは、再生速度の1.7倍の速さで動画を生成する。これは、生成的プレビューが1~2フレーム以内に入力へ応答する閾値であり、ストリーミングアバター、制御可能なワールドモデル、インタラクティブなプロトタイピングを、遅い製品ではなく別種の製品にするものである。Apple自身のデモは、既存の2システムをインタラクティブにする。LingBot-Worldの1.3B版は1フレームあたり1,085 msから52 msへ、16倍の短縮、14B版は3,862から233へ。RealWonder 1.3Bは1,141から51へ。これらはいずれもVeoの代替ではない。どんな価格でもVeoにできないことだ。なぜなら、セッション中にフレーム単位で課金するホステッドAPIは存在しないからだ。

今四半期に何かを出荷する必要があるなら

判断ルールはシンプルです。成果物がファイルの場合——コマーシャル、製品動画、音声付き解説動画——Veo 3.1が完成済みのツールであり、FastFramesは比較対象になりません。音声も1080pも提供できないからです。成果物が体験の場合——ライブデモ、インタラクティブなキャラクター、人間が操作して結果を即座に確認できるツール——これを実現するホスト型動画モデルは現時点で存在せず、FastFramesがそこへの最も信頼できるオープンな道筋であり、コストはGPUとライセンスレビューです。

第三のケースがあり、しかもそれはよくあるケースです。インタラクティブなユースケースを構築する価値があるかどうかをチームが知りたいというケースです。ホスト型モデルに対してプロトタイプを作る方が、B200の時間を購入するより安上がりであり、OrcaRouterはホスト型側が1つのキーで済む場所です。同じエンドポイントが、MiniMax H3と並んでKling 3.0、Kling 3 Turbo、Kling Video O1をカバーします、すべてプロバイダーの定価でマークアップ0%なので、ベンダーの料金改定は発生したその日に請求書へ反映されます。FastFrames自体はそのカタログには含まれておらず、当社が提供するものでもありません。今回のリリースで当社のホスティング内容が変わることはありません。1つのキーで得られるのは、それを上回るためにハードウェアを投入する前に、ユーザーが実際にどの程度のレイテンシを許容するかを測定できることです。

これが次にどこへ向かうのか

両システムの隔たりは、生成中にシリコンが何をしているかの違いであり、それは両端から埋まっていく。ホステッドベンダーはすでにより高速なティアを販売しており、ピクセルデコーダー技術は原理的にはモデル非依存だ。ベースモデルごとに学習されるが、Wan2.1を必要とする要素は何もない。重要なのは18か月後のこの比較だ。音声付きのホステッド1080pモデルが、1秒未満でクリップを返し、分単位ではなく秒単位で課金される。それが実現するまでは、正直な要約はこうだ。FastFramesは、Veoが参戦していないカテゴリーでレイテンシ競争に勝った。