FastFrames Video Generation と Grok Imagine Video の比較用ヒーロータイトルカード。バッジには「36 ms/フレーム」「無音、480p」「セルフホスト」「最大1080p」「音声とリップシンク」「1分あたり$4.20」と表示され、右下に OrcaRouter のロゴ。
Guides & Insights

FastFrames Video Generation 対 Grok Imagine Video:どちらも自己回帰型、ただし実際に出荷されたのは片方だけ

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

技術的な兄弟分に最も近いものはFastFrames Video Generationが現在本番環境で持つGrok Imagine Videoであり、その類似性は表面的なものではない。どちらも動画を自己回帰的に生成する——各ブロックは先行するフレームを条件として生成される——そしてどちらもその構造を使って、固定されたウィンドウをレンダリングするのではなくクリップを延長する。Appleのリリースは2026年11月16日に公開され、論文は17日に出たが、単一GPUで1フレームあたり36ミリ秒を達成するためにこれを使っている。xAIのものは、音声付きでショットを15秒まで走らせ続けられるようにするためにこれを使っている。違いは、一方がダウンロード可能な研究用成果物であり、もう一方が2026年1月から公開APIで提供されているということであり、勝負を決めるのはベンチマーク表ではなく、その違いだ——締め切りを抱える誰にとっても。

それぞれの費用を、実際に予算を組む際の単位で表すと

FastFramesには価格がありません。購入するものが何もないからです。重みはAppleのAMLRライセンスの下でHugging Faceに公開されており、コストはハードウェアだけです。1.3BモデルならB200が1台、14Bモデルでインタラクティブな性能を保つなら8台に加えて、CUDA 12.8とLinuxが必要です。Grok Imagine Videoは秒単位で販売され、Artificial Analysisによって分単位の料金として報告されているため、計算は異例なほど明快になります。

• Grok Imagine Video、初回リリース — 出力1分あたり$4.20、つまり1秒あたり$0.07。15秒のクリップで約$1.05です。

• Grok Imagine Video 1.5 — 1分あたり8.40ドル、1秒あたり0.14ドル、同じ15秒でおよそ2.10ドル。

• テキスト・トゥ・ビデオのボードでは Grok Imagine Video 1.5 Lite — こちらも1分あたり8.40ドルで、これは言い訳で済ませるのではなく指摘しておく価値のある価格設定の奇妙さです。

• FastFrames-S — 料金レートなし。B200 1台で GPU 時間あたり約2~4ドル、理論上の限界では実時間1秒につき5秒のクリップを28本生成するため、限界費用は電気代に近づきます。

• FastFrames-L — 同じく8基のGPU上での結果で、ここが「安価」という主張の通用しにくくなるポイントです。

コスト面で形勢が逆転するのは、FastFramesを大量に利用する場合だけで、しかもGPUをすでに自社で所有しているときに限られます。GPUをレンタルしているチームにとっては、採算が合う分岐点はかなり先なので、選ぶ理由は価格ではなくレイテンシーでなければなりません。

A two-column scoreboard comparing FastFrames and Grok Imagine Video across six dimensions: latency 36 ms per frame against not published, resolution 832x480 against up to 1080p, audio none against joint audio and video, max length 81 frames about 5 seconds against 15 seconds, price GPU time only against $4.20 to $8.40 per minute, and access open weights against a hosted API.

Grok Imagine Video がただ一歩先を行っている点

FastFramesがどのような形でも備えていない、提供済みの3つの機能。

• 解像度 — Grok Imagine Video は呼び出しに応じて 480p、720p、1080p を出力します。FastFrames は 832×480 に固定されています。

• 音声 — xAIは映像と音を同時に生成し、リップシンクされた音声と最大3つのプリセット音声参照に対応します。一方、FastFramesは無音の動画を生成し、音声の経路を持ちません。

• コントロールサーフェス — 最大14枚の参照画像、最大4つの中間動画キーフレームと最初・最後のフレーム、そして最後のフレームから最長15秒まで連鎖させる拡張機能。FastFramesはテキストプロンプトを受け取るだけで、それがインターフェースのすべてです。

測定品質で見ると、Grokファミリーは2026年10月のArtificial Analysisの測定結果では中位にとどまり、トップには達していません。最初のリリースは画像から動画のボードで14,371サンプルにわたりElo 1,072 ±7で13位、Grok Imagine Video 1.5は5,267サンプルで1,098 ±8の9位、1.5 Lite階層はテキストから動画で5,715サンプルにわたり993 ±10の16位でした。つまり1.5への更新で得られたのは約26 Eloで、信頼区間の境界にある実際の改善ではあるものの飛躍的変化ではなく、その代わりに秒あたりの価格は2倍になっています。これらは10月時点の第三者による数値です。FastFramesには比較できるボード上の登録がなく、Apple自身のVBench合計である小モデル84.23、大モデル84.44はEloとは比較できません。

FastFrames が優位なのはどこか、そしてそれは一つの軸にすぎない

圧倒的に重要なのは速度であり、その速度が果たす目的です。Grok Imagine Videoはリクエスト-レスポンス型のシステムです。プロンプトを送り、待つと、クリップが得られます。1台のB200上のFastFrames-Sは、各フレームを36ミリ秒で返します——総スループットで毎秒28フレーム——これは16 fpsのストリームが再生されるより高速です。14Bモデルは1フレームあたり45 msに到達するには8台のB200が必要です。単一GPUでは158 msまで低下し、インタラクティブ性を失います。

それはGrokを遅く見せるというよりむしろ、別の製品を表す数字だ。xAIは音声付きの完成済み短尺クリップを販売している。Appleはライブループ向けのコンポーネントを公開し、他者のシステムをインタラクティブにすることでそれを実証した。LingBot-Worldの1.3B版を1フレームあたり1,085から52 msへ、14B版を3,862から233へ短縮し、RealWonder 1.3Bは1,141から51になった。これらのシステムはいずれも1080pで音声を提供していない。現実的な見方は、FastFramesは製品を待っている技術であり、その技術は優れているというものだ。VAEデコードを6,387万パラメータのピクセルデコーダに置き換えると、その段階は約147 msから約1 msになり、小さなKVリファインメントネットワークがキャッシュ更新を2〜6 msで置き換える。

ベンチマーク表では誰も触れないライセンスの罠

FastFramesは限定的で慎重な意味においてオープンです。モデルの重みにはAppleのAMLR条件が適用されます。デモとして同梱されるLingBot-World v2のコードと重みはCC BY-NC-SA 4.0です — 非営利、同一条件での共有。リポジトリの残りはAppleのサンプルコードライセンスの下にあります。デモアプリを商用製品に組み込む予定だった場合、480pの上限よりも先にライセンスがそれを阻止します。Grok Imagine Videoにはそのような曖昧さはありません。APIであり、秒単位で支払い、条件は重みに対する権利の付与ではなくサービス契約です。

そのトレードオフははっきりと名付ける価値がある。なぜなら「オープンウェイト」は「自由に使える」ことの略記として使われるが、このリリースはそうではないからだ。

The Hugging Face model card for apple/FastFrames-L, showing the title, both checkpoints, the Wan2.1-T2V-14B base model, arXiv 2611.23226 and the apple-amlr licence tag.

それらをどう選び分けるか

クリップができた後に何が起こるかを考えてください。人が一度視聴してそれで終わりにする場合——SNS投稿、絵コンテ、広告のバリエーション——なら、音声付き・1080pで毎秒$0.07~$0.14のGrok Imagine Videoが、より安価で優れた答えです。また、FastFramesは完成した出力を生成しないため、出力品質では競合できません。クリップが何か別のものへの入力である場合——ユーザーが入力するたびに更新されるプレビュー、1フレーム以内に応答するキャラクター、探索中のワールドモデル——なら、クリップ単位の課金とリクエストキューは根本的に不適切であり、1基のGPU上のFastFrames-Sだけが、この比較で唯一適合するものです。

中間的なケース、つまりハードウェアを購入する前にインタラクティブな形を構築する価値があるかどうかを試したい場合、最も安価な方法は、今日呼び出せるホステッドモデルに対してプロトタイプを作ることです。OrcaRouterは1つのキーで、プロバイダーの定価・マークアップ0%で利用できるホステッド動画モデルをカバーしています — その中にはKling 3.0、Kling 3 Turbo、Kling Video O1、MiniMax H3が含まれます — そしてフラットなパススルーにより、ベンダーの価格変更は更新時ではなく当日に請求へ反映されます。Grok Imagine VideoとFastFramesはどちらもそのカタログにはありません。当社はどちらも提供しておらず、ここでそう示唆する内容はありません。1つのキーが与えてくれるのは、ユーザーが許容するレイテンシーを測定する安定した方法であり、その数値こそがAppleのリリースがあなたのロードマップにまったく関係するかどうかを教えてくれます。

正直な要約

Grok Imagine Video は、Apple が最適化した唯一の指標を除けばあらゆる尺度で優れた動画生成ツールであり、Apple はその指標をほかの誰よりもさらに最適化している。2年後、興味深い問いはこの2つのどちらが速いかではなくなる。ホスト型の側が追いつき、ほとんどの製品にとってその違いが問題にならなくなるからだ。問いになるのは、ホスト型の何かが、生成がまだレンダリング中の段階でそれを操縦できるかどうかだ。それが FastFrames が示している能力であり、この比較に出てくるどの API もそれを売りにしていない。

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.