FastFrames Video Generation と Vidu Q4 Preview を比較するヒーローカード。左のカードには「832x480、無音」「1フレームあたり36 ms」「テキストプロンプトのみ」、右のカードには「最大4K」「画像参照15件、音声参照3件」「3~16秒」と表示され、右下に OrcaRouter のロゴがある。
Guides & Insights

FastFrames Video Generation 対 Vidu Q4 Preview:4Kプレビュー対480pループ

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

Vidu Q4 Previewはこのシリーズの中で異色だ。なぜなら、その名に含まれる言葉が実際に意味を持っているからだ。これはShengshu Technologyが2026年10月7日にリリースしたプレビュービルドであり、Shengshu自身の資料では、最終モデルを形作るフィードバックを集めるためのバージョンと位置づけられている。FastFrames Video Generationもまた製品ではないが、理由は正反対だ。これは11月16日に重みとして公開された完成済みの研究であり、エンドポイントも価格も、そのどちらに至るロードマップもない。並べてみると、調達担当者が気にする意味でどちらも利用できない2つのモデルが、同じギャップの反対側に位置していることがわかる。Vidu Q4 Previewには提供中のAPIと料金表があり、いずれ後継に取って代わられる。FastFramesにはAPIがまったくなく、取って代わられることもない。以下では、その2つの不在のどちらがあなたにとってより大きなコストになるかを扱う。

料金表は、真に比較可能な最初のものだ。

Vidu Q4 Previewは、この分野で解像度ティアごとの秒単位料金を公開している数少ないモデルの一つであり、そのためその料金計算は、ほとんどの競合他社のものとは違って読み取りやすい。

• 540p — 毎秒9クレジット、Shengshuの公表標準クレジット単価$0.005では約$0.045。

• 720p — 1秒あたり19クレジット、約$0.095。

• 1080p — 1秒あたり24クレジット、約0.12ドル。

• 2K — 1秒あたり38クレジット、約0.19ドル。

• 4K — 1秒あたり78クレジット、約$0.39、つまり割引前の定価レートでは16秒のクリップでおよそ$0.72。

• FastFrames — 何もなし。レートもホストもキューもない。コストは、5秒のクリップあたり、小モデルでは実時間2.9秒にB200 1台、大モデルでは3.6秒にB200 8台です。

Viduの料金カーブについては、誤読しやすい2つの点を明記しておきます。ローンチ告知に添えられていた1秒あたり0.014ドルの数字は、540p階層を割引クレジットレートで適用したものであり、一般的なレートではありません。また、プラットフォームではクレジットバンドルに最大30%の期間限定パッケージ割引を実施しており、これはカーブの形を変えるのではなく、すべての階層をまとめて下方に動かすものです。計画は定価レートのカーブを基準に立て、割引はプロジェクトのリリース時には存在しない可能性のある一時的な相殺措置として扱ってください。

そこから出てくる比較は「どちらが安いか」ではない。Vidu Q4 Previewには下限がある——540pのブロッキング用階層で、まさにその用途に即した価格設定になっており、フル解像度のレンダリングに支払う前にコンポジションを確認できる——一方、FastFramesには階層がまったくない。課金の仕組みがそもそも存在しないからだ。低解像度でショットを反復してから本番に進む作業をしているなら、Viduの540p階層は実際の製品機能であり、FastFramesの固定480pとは同じものではない。数字は近くても。

同じブリーフの異なる両極端に向けて作られた2つのモデル

能力のリストはほとんど重なっておらず、それがこの比較で最も有用な事実だ。

• 解像度 — Vidu Q4 Previewは540p、720p、1080p、2K、4Kでネイティブ生成し、上位2段階では10ビットカラーに対応。FastFramesは832×480で、設定もアップスケール経路もありません。

• 長さ — Vidu Q4 Preview は Image-to-Video で3~16秒、Reference-to-Video で1~16秒です。FastFrames は16 fpsで81フレーム、5.06秒であり、延長はチェーン接続による場合のみ可能です。

• 入力 — Vidu Q4 Preview は /ent/v2/img2video と /ent/v2/reference2video という2つのエンドポイントを文書化しており、キャラクター、シーン、スタイルにまたがる最大15枚の画像に加え、ボイスクローニング用の3~12秒のmp3音声リファレンスを最大3つまで受け付けます。FastFrames はテキストプロンプトとシードを受け取ります。リファレンスの枠が小さいのではなく、リファレンスの枠がそもそもありません。

• モード対応範囲 — Vidu Q4 Preview には、テキストから動画への経路も動画編集の経路も記載されていません。FastFrames はテキストから動画のみです。両者を合わせても、一方に欠けているモードは両方から欠けています。

• 音声 — Vidu Q4 Previewは音声と動画を同時に生成し、image-to-videoエンドポイントのaudioパラメータでセリフや効果音を出力でき、参照音声の一貫性も備えています。FastFramesは無音です。

• レイテンシ — FastFrames は、1台の B200 で 1フレーム 36 ミリ秒、14B モデルでは 8台で 45 ミリ秒、大規模モデルでは単一 GPU で 158 ミリ秒を公表しています。Vidu Q4 Preview は、このページで検証できたフレームあたりのレイテンシ値を公表していません。

あの6行をまとめて読むと、この2つのモデルはほぼ補完関係にある。Vidu Q4 Preview はキャストの一貫性を保ち、音声を生成し、4Kで出力するモデル。FastFrames はテキストから480pで、観るよりも速く、無音でフレームを生成するモデルだ。6つの項目のいずれにおいても、どちらかが他方を代替するものではない。

A two-column scoreboard comparing FastFrames and Vidu Q4 Preview across six dimensions: resolution 832x480 against up to 4K, clip length 81 frames against 3 to 16 seconds, image references none against up to 15, audio references none against up to 3, audio none against generated dialogue and sound, and price GPU time you supply against 9 to 78 credits per second.

取締役会の立場と、それが評決ではなく警告である理由

Vidu Q4 Previewには独自のスコアがあり、それは引用するのではなく、注意深く読み込む価値があります。

Artificial Analysis の image-to-video ボードで、2026年10月8日時点では、5,543票を獲得して1,179 Eloで3位につけている。1位はMiniMax H3 Maxで1,195、2位はMiniMax H3で1,181。1位と3位の差は16ポイントで、信頼区間はおよそ±10と±11。これは統計的には同着を表彰台に見せかけているだけであり、そのボードで勝者を宣言して始まるページはノイズを読んでいるにすぎない。投票が実際に示しているのは、Vidu Q4 Previewの出力が、何千人もがすでに判定したタスクにおいて、分野のトップと競合できるということだ。

FastFramesにはそのような記録はなく、ホストされていない間は記録を得ることもできない。その品質上の主張は著者自身によるVBenchの数値だ——1.3Bチェックポイントで84.23、14Bで84.44。これに対し、Causal Forcing++ベースラインは1フレーム272ミリ秒で84.11、Wan2.2 14.3Bは117,734ミリ秒で84.65だ。独立した第三者による再現はなく、VBenchは自己回帰モデルが得意とする時間的滑らかさを高く評価する。表全体の品質差は約2.5ポイントにすぎず、レイテンシ差は4桁に及ぶ。それはベンチマークが識別力を失ったという公正な主張であり、あるモデルが隣のモデルと同等に良いと主張するには不公平なやり方だ。

特にViduの数値については、もう一つ注意が必要です。投票は2026年10月のもので、その後変化した競合環境に対して行われたものです。後からアリーナに参加したモデルや、プレビュー版が一般リリースに置き換わった場合、掲載されているどのモデルも向上・悪化していないのに順位表が並び替わります。数値は必ず日付とセットで読んでください。

「プレビュー」であなたが払うコストと、「リサーチリリース」であなたが払うコスト

どちらのラベルも誠実であり、どちらにも明言する価値のある商業的帰結がある。

プレビュー版は、ライセンスと継続性のリスクを伴います。Vidu Q4 Preview の価格と機能の提供状況は、Shengshu 自身の説明によれば、正式リリース時に確定するものであり、つまり今日予算を立てる際の料金表が6か月後に請求される料金表と同じとは限らず、また基盤とする機能の形が変わる可能性もあります。その代わりとなる利点は、プレビュー版が存在することです。APIがあり、ドキュメントがあり、名前の付いた2つのエンドポイントがあり、サポートへの経路があり、そして進む方向性が明示されています。

研究リリースは別種のリスクだ。FastFramesの重みにはAppleのAMLR条件が適用され、同じリポジトリ内のLingBot-World v2デモコンポーネントはCC BY-NC-SA 4.0(非商用)、残りはAppleのSample Code Licenceの下にある。エンドポイントもSLAもサポートも非推奨化ポリシーも存在しない。サービスが存在しないからだ。その代わりに得られるのは永続性と検査可能性である。重みが撤回されることはなく、論文が書き換えられることもなく、Appleは大規模モデルの全トレーニング段階のチェックポイント——因果的教師、一貫性蒸留段階、DMD蒸留段階、そしてピクセルデコーダーとKVリファインメントネットワークを備えた最終生成器——を公開しており、これによりこのリリースは、この分野のほぼ何物にも増して再現可能になっている。

ハードウェア要件が、ほとんどのチームにとっての分かれ目です。FastFramesにはLinux x86-64、NVIDIA GPU、CUDA 12.8が必要で、さらにuv syncと生成スクリプトも要ります。Vidu Q4 PreviewにはアカウントとAPIキーが必要です。その一文が、どんなEloの差よりも多くの組織にとって比較の結論を左右します。

手短に言うと、どちらですか

Vidu Q4 Previewは、キャストと声の一貫性が求められる仕事の場合、10ビットカラーのネイティブ4K生成が納品要件である場合、入力がプロンプトではなく参照セットやスチルである場合、または本解像度で確定する前に安価な540pのブロッキングパスを行うのが実際のプロセスである場合に選びましょう。プレビュー版であること、価格が最終的に異なる可能性があること、テキストから動画への生成や編集の経路が記載されていないことを受け入れてください。

ループが成果物となる場合——ライブプレビュー、ストリーミングアバター、制御可能なワールドモデル——に、またテキストプロンプトからの音声なし480pが妥協ではなく製品に適した形であるときに、FastFramesを採用してください。ライセンスレビュー、GPUフリート、参照入力がないこと、そしてこのリリースが1080p・音声付きの成果物を目指すものではないという事実を受け入れてください。

OrcaRouterはVidu Q4 Previewをルーティングしません — カタログにViduの識別子は存在せず — FastFramesもホストしていません。FastFramesには誰もルーティングできるエンドポイントがないからです。1つのキーで利用できるのは、公開された秒単位の料金を備えたホスト型ビデオレイヤーです。MiniMax H3は768pで毎秒$0.08、2Kで$0.13、さらにKling 3.0ファミリーを提供し、加えて200以上の言語モデルを1つのOpenAI互換エンドポイントで利用できます。料金はプロバイダーの定価をそのまま適用し、マークアップ0%、エンドポイント間の自動フェイルオーバー付きです。プレビュービルドとリサーチリリースを比較検討しているチームにとって、現時点でどちらも本番環境の安全な選択肢ではありませんが、そのカタログこそが、どちらを選ぶ前に安定した秒単位のベースラインを得られる場所です。

何がそれを決着させるのか

二つの出来事だけであり、それ以外ではない。同じ秒単位の曲線でリーダーボード順位を維持するVidu Q4の正式リリースは、プレビューを本番へのコミットメントに変え、継続性リスクを取り除く。テキスト・トゥ・ビデオのエンドポイントを追加するリリースは、Vidu Q4をほかすべてと同じリーダーボードに載せ、比較を直接的なものにする。一方、AppleがFastFramesをどんな価格でホストするにせよ、ほかの誰がホストするにせよ、それはこのモデルにアリーナへのエントリーと独立したレイテンシ計測を与える。そしてそれだけが、読者に36ミリ秒を単独で称賛させるのではなく、何かと比較して判断させるのだ。

本稿執筆時点では、どちらも起きていない。となれば、判断はいつも通りの場所に残される。すなわち提供物、ライセンス、そしてプレビューを借りるか、紙を所有するかということだ。

The Hugging Face model card for apple/FastFrames-L, showing the title 'FastFrames: Video Generation at Interactive Latency', both checkpoints described as autoregressive two-step video diffusion models generating 480p at interactive latency, the Wan-AI/Wan2.1-T2V-14B base model, arXiv 2611.23226 and the apple-amlr licence tag.The FastFrames project page from Apple and Cornell University, naming the seven authors and stating that FastFrames-S at 1.3B and FastFrames-L at 14B generate 480p at under 50 milliseconds per frame, with tabs for an interactive demo, abstract, quality versus latency, pipeline and comparisons.