
FastFrames 動画生成 vs HiDream O1 Video 1.0:レイテンシー、物語性と出会う
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100万トークンあたり · 89 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100万トークンあたり · 97 tok/s
- orcaNEWOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNEWOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100万トークンあたり · 88 tok/s
- OrcaNEWOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100万トークンあたり · 134 tok/s
- OrcaNEWOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 100万トークンあたり · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100万トークンあたり · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100万トークンあたり · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447知能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100万トークンあたり · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929知能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100万トークンあたり · 119 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733知能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740知能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 100万トークンあたり
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 100万トークンあたり · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955知能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855知能
10週間の間隔を空けた2つのリリースは、動画モデルが何のためにあるのかについての正反対の信念に基づいて作られている。 HiDream O1 Video 1.0は、クリップとは短編映画であるという前提から出発した。物語の弧を計画し、1080pで同期音声付きの5~20秒を生成し、物理法則を美学ではなく制約として扱う。 FastFrames Video Generationは、フレームとは次のフレームが必要になる前に到着しなければならない事象であるという前提から出発し、フレーム間の距離を36ミリ秒にまで最適化した——480pで、音声なし、Appleが2026年11月16日に、17日付の論文とともに公開した重みで。どちらも他方の劣ったバージョンではない。それらは異なる問いへの答えであり、どちらを選ぶかで、あなたがどの問いを立てていたのかが誰にでも分かる。
一方はリーダーボードで測られ、もう一方はストップウォッチで測られる。
このページで最も重要なのは、証拠の非対称性です。HiDream O1 Video 1.0 は第三者によってランク付けされていますが、FastFrames はランク付けされておらず、現状の形ではランク付けされることもありません。なぜなら、音声のない480pのテキストから動画へのモデルは、音声を前提とする画像から動画へのボードには当てはまらないからです。
• HiDream O1 Video 1.0 — 音声フィルターをオンにしたArtificial Analysisの画像→動画ボードで6位、3,231サンプルでElo 1,175 ±10、1分あたり5.80ドル、2026年10月10日時点の取得データ。Artificial Analysisはリリース日を2026年8月28日、ボードへの掲載日を9月10日、HiDream.ai自身の発表日を9月17日と記録している。
• FastFrames-S と FastFrames-L — ボードへの掲載はなく、独立した評価もありません。VBench の合計スコア 84.23 および 84.44 は著者ら自身によるもので、論文の表1に記載されており、その表内のすべてのベースラインと同じプロンプトとシードで算出されています。
• それらを結びつける主張——何も測定されていない。VBench の合計値と Elo は相互変換できず、同じプロンプトで両方を実行した者はいない。
だから、品質を比較する誠実な方法は、比較を拒むことだ。比較できるのは能力、レイテンシ、価格、アクセスであり、その四つのうち三つでは差は歴然としている。

HiDream O1 Video 1.0が1分あたり$5.80で提供するもの
それは圧倒的に野心的なシステムだ。HiDreamの発表資料では3つの段階——計画パス、音声と映像の同時生成、その後の中間合わせ段階——が説明されており、マルチモーダル報酬モデルに対する拡散強化学習の事後学習を伴う。実際には、これはクリップの長さを指示されるのではなく自ら決める動画モデルとして現れる。長さは5~20秒の範囲内で物語に基づいて計画され、音声は後から重ねられるのではなく映像とともに生成される。
• 解像度と長さ — 1080p、5~20秒、長さは選択するのではなく計画するもの。
• 音声 — {{1}}映像と共同で生成され、映像に同期される。別個のパスではない{{/1}}。
• コンディショニング — テキスト、画像、動画を組み合わせ、ホスト型APIでは参照画像が正確に1枚必要です。
• 物理学 — 生成制約として扱われており、それが中央値以上のEloの根拠となる主張である。
• アクセス — 非同期タスクとポーリングサイクルを備えたホスト型MaaSエンドポイント。出力1分あたり$5.80で、これは1秒あたり約$0.097です。
• オープンウェイト — なし。
APIはローンチ資料よりも狭く、そこがチームを驚かせる細部です。公開エンドポイントは参照画像をちょうど1枚だけ受け付け、公開URL、またはdata-URLプレフィックスなしのBase64で指定します。サイズは40 KB〜20 MBです。プロンプトは任意で、デフォルトは空です。参照動画のフィールドはなく、解像度セレクターもなく(アスペクト比は参照画像から継承されます)、音声コントロールもありません。唯一の調整項目はforce_10sのブール値です。そして、ポーリングループを書く前に知っておくべきクライアント側の罠があります。トップレベルのresult.statusが1になるのは、すべてのサブタスクが完了したという意味であり、成功したという意味ではありません。実際の結果はsub_task_results[].task_statusにあり、1は成功、3は生成失敗、4は安全上の拒否です。素朴なポーリングループは、失敗した生成を完了済みとしてマークしてしまいます。
GPU 1枚の価格で FastFrames が提供するもの
製品は少なく、マシンはより多く。FastFrames は、Causal Forcing++ と呼ばれるレシピを用いて Wan2.1 から蒸留された自己回帰型動画拡散モデルです(Wan2.1-T2V-1.3B の 1.3B チェックポイント、Wan2.1-T2V-14B の 14B)。その貢献は Transformer 自体ではなく、その周囲にあります。VAE デコーダーは 6,387 万パラメータのピクセルデコーダーに置き換えられます。このデコーダーは、3 つの因果的 ConvNeXt ブロックと線形ヘッドにわたり、トークンごとに 4×16×16 の RGB 値を出力し、デコード時間を約 147 ミリ秒から約 1 ミリ秒に短縮します。また、KV キャッシュの更新は小さなリファインメントネットワーク(共有ステム、4 つの 8 ヘッドアテンションブロック、DiT レイヤーごとに 1 つの残差修復ヘッド)になり、2〜6 ミリ秒を要します。DiT 自体は最終段階で凍結されています。
• 出力 — 832×480、81フレーム、16 fps。1回の生成あたり約5.06秒で、自己回帰的に連鎖可能。
• レイテンシ — 小型モデルは B200 1 台で 1 フレームあたり 36 ms、大型モデルは 8 台で 45 ms、大型モデルは GPU 1 台で 158 ms、720p では 127/116 ms。
• コンディショニング — テキストのみ。画像なし、動画なし、キーフレームなし、カメラ制御なし。
• 音声 — なし。
• アクセス — 重みはAppleのAMLRライセンスの下でHugging Faceに、コードはGitHubに公開されています。対応環境はLinux x86-64(CUDA 12.8)。同梱のLingBot-World v2デモはCC BY-NC-SA 4.0で、その部分の商用利用は認められていません。
• 価格 — ホスト型の料金はどこにもありません。ハードウェアはご自身で用意していただきます。
未検証のベンダー数値として、どこまで信憑性があるかはともかく、品質に関する主張は次のとおりだ。小型モデルのVBench合計は84.23、大型モデルは84.44。これに対し、Causal Forcing++ベースラインは272 ms/フレームで84.11、Wan2.2 14.3Bは117,734 msで84.65だ。もしこれらが成り立つなら、ベースラインより1フレームあたり1ミリ秒の何分の1かだけ多くかかるモデルが、2600倍遅いモデルに匹敵することになる。それは引用するものではなく、検証すべき主張だ。

3つのオーディエンスを対象とした決定
買い手を何を作っているかで分ければ、選択は比較ではなくなる。
完成した動画を制作している場合
HiDream O1 Video 1.0は、この2つのうち完成した動画を出力できる唯一の製品です。1080p、音声付き、コンテンツに合わせて選べる尺、秒単位の課金だからコストも予測できます。1秒あたり$0.097なら、20秒のクリップは$1.94。制作予算ではごく普通の費目です。FastFramesは、どの規模であってもこの話には加われません。誰が見たいと思うようなファイルを出せないからです。
インタラクティブなシステムを構築している場合は
逆は完全に成り立つ。HiDream の非同期タスク&ポーリングのサイクルは、1フレーム以内に応答しなければならないものには構造的に不適切だ——送信し、待ち、取得する。1台の B200 上で1フレーム36 ms の FastFrames は、16 fps の再生より速く生成する。これは、人間がマシンが生成していることに気づかなくなる閾値だ。あなたの製品がライブプレビュー、アバター、または操作可能なシーンなら、本記事のホスト型モデルにはそれを実現できるものはなく、Apple のリリースが最も信頼できるオープンな道筋だ——ただしライセンスレビューの対象であり、デモコンポーネントについては非商用のみとなる。
どちらを構築するか検討している場合
ならば、最も安上がりな実験はホスト型モデルに対して行うものだ。そしてOrcaRouterはホスト側のための1本のキーだ。HiDreamの野望に最も近いホスト型の隣人であるMiniMax H3が、Kling 3.0、Kling 3 Turbo、Kling Video O1と同じカタログに並んでいる、プロバイダーの定価を0%のマークアップでそのまま適用するため、ベンダーの料金改定はその日からあなたの請求に反映される。HiDream O1 Video 1.0もFastFramesもそこでは提供されていない——当社はどちらもルーティングしておらず、本記事はそうしていると主張するものではない。このキーで得られるのは、FastFramesに必要なハードウェアへ出費する前に、自分自身のレイテンシ許容度を測る手段だ。なぜなら、その測定だけが、36ミリ秒に480pの価値があるかどうかを決めるのだから。
これを解決してくれるものは何だろうか
一つの実験:同じ20個のプロンプトで両方を実行し、どちらのモデルがどの出力を作ったかを知らない人々の前にその出力を並べる。音や細部が重要なプロンプトではFastFramesはすべて負けるだろうし、目の惹きつける先が動きの一貫性であるプロンプトでは勝つかもしれない。なぜなら自己回帰生成はまさにそれが得意だからだ。誰かがそれを実行するまでは、擁護可能な立場は、HiDream O1 Video 1.0がより優れた動画モデルであり、FastFramesはより優れたレイテンシの結果である、というものだ。そしてそれらは販売されている二つの異なる製品である――一つは秒単位、もう一つはGPU時間単位で。

