Kling 4.0 vs Vidu Q4 Preview：一方はテキストプロンプトを受け付けられない

開いて、Vidu Q4 Previewの製品ページで生成モードを数えてみてください。2つあります。Image-to-VideoとReference-to-Videoです。text-to-videoのタブはなく、APIドキュメントも一致しています。エンドポイントは/ent/v2/img2videoと/ent/v2/reference2videoで、どちらもプロンプト単体は受け付けません。Kling 4.0は対照的に、テキストファーストのモデルであり、画像、最初と最後のフレーム、最大10個のキーフレームも受け付けます。Elo、解像度、価格を比較する前に、ほとんどのプロジェクトを左右するのはこの事実です。これらのモデルの一方は一文から始められ、もう一方は画像を必要とします。

この対決では、それ以外のすべてがその帰結として決まってきます。Vidu Q4 Preview は、画像から始まるショットのための特化型ツールです。Kling 4.0 は、監督のための操作機能を備えた汎用生成ツールです。両者は image-to-video で重なり合い、それ以外のあらゆる点で大きく異なります。

10月7日にShengshuがリリースしたもの

Vidu Q4 Previewは、Viduの次世代フラッグシップの初の公開プレビューであり、フィードバックを最終リリースに反映させるため、正式なQ4モデルより意図的に先行して公開されました。ネイティブ音声付きの動画を生成し（デフォルトでオン、台詞や効果音も含む）、その仕様はリファレンス側では異例なほど寛大です。

• モード — 画像から動画：3～16秒、参照から動画：1～16秒。テキストから動画はありません。

解像度 — 540p、720p、1080p、2K、4Kの段階で、2Kと4Kは10ビット色深度に対応。

• 参照 — 最大15枚の参照画像と、各3～12秒の最大3つの参照音声クリップ。

• プロンプトの長さ — 画像から動画へのエンドポイントでは最大20,000文字です。

• オーディオ — ネイティブ、デフォルトは true。オンにするのではなく、意図的にオフにするものです。

• {{1}}返却URL{{/1}} — 作成URLは24時間有効なので、後でバッチ処理してレンダリングする場合に重要です。

ベンダーが掲げる効率性の主張——「同等の仕様であれば、同じ予算で最大5倍の出力」——は、誰かが再現して初めて裏付けられるものであり、それまではマーケティング上のレトリックにすぎない。しかもShengshu自身の発表資料にも、最終価格、対応解像度、機能の提供状況、利用条件はプランや地域によって異なる場合があるとの注記が添えられている。

同じ軸でKling 4.0が提供するもの

Kling 4.0は2026年10月15日から誰でも利用できます。画像から動画への変換においては、2つの中でより柔軟な方です。キャラクターの状態やシーンの変化を定義するために配置できる最大10枚のキーフレーム画像、10枚の画像に分配される15項目の参照枠、合計30秒までの5本の動画、音声参照と7つの要素、そして1回のパスで3～30秒の長さを備えています。

尺の差は、編集の場面で表面化する。{{1}}Vidu Q4 Preview{{/1}}は16秒で止まる。{{2}}Kling 4.0{{/2}}は1回の生成で30秒まで行き、2分への延長は近日対応として挙げられている。20秒のショットなら、Viduはつなぎ合わせが必要で、Klingは不要だ。10秒のショット——ソーシャルや広告制作の実際の単位——では、その差は消える。

解像度はマーケティングが示唆するよりも差が小さい。両社とも4Kをうたっている。Viduの2Kおよび4Kティアは現在、10ビット色深度で提供されている。一方、Klingの1080pおよび4Kでの10ビットHDRは、Kuaishou自身のリリースノートと機能ページで「近日提供」とされており、21:9のネイティブ4Kも同様だ。今四半期に10ビットの納品物が絶対要件なのであれば、現時点で提供済みなのはViduの主張の方であり、ただしプランと地域に関する注意事項が適用される。

看板には、発表用コピーよりも限定的な内容が書かれている。

Artificial Analysisは動画リーダーボードを別個のEloスケールと別個の投票プールで運用しており、それらはバージョン管理されている。10月にv1.0 image-to-videoボード—image-to-video、音声は保持—で初登場した時点で、Vidu Q4 Previewは5,543サンプルでElo 1,179 ±10の3位に入り、追跡価格は1分あたり$7.20だった。その上にはMiniMax H3 Maxが1,195、MiniMax H3が1,181で位置し、Gemini Omni Flashは1,178で4位だった。3位から6位までの10ポイント幅の区間はほぼ完全に重なっていたため、当時でさえ「3位」はノイズ内の位置にすぎなかった。

ノイズの範囲内に収まらなかった差は、Viduの前身モデルとの差だった。その計測では、Vidu Q3 Proは1,056で19位だった。1回のリリースでの123ポイントの変動は、ボード上位6位全体のばらつき幅よりも大きく、これはこのプレビューがリブランドではなく真の世代的な飛躍であることを示す最強の証拠だ。

その後、ボードは動きました。私が10月23日に読んだ版はAA-Video-I2V v1.1で、24モデルが掲載されています。MiniMax H3が1位で1,140、FLUX 3 Maxが2位で1,138、Dreamina Seedance 2.5が3位で1,138、MiniMax H3 Maxが6位で1,125、Vidu Q3 Proが17位で1,016です。Vidu Q4 Previewはそのリストのどこにも載っていません。ボード上部の注記には、過去30日間に3つのモデルが追加されたとありますが、そのどれもViduのプレビューとしては挙げられていません。

モデルが悪化したという意味であるふりをするつもりはないし、なぜそれが欠けているのかも説明できない——撤回されたのか、分類が変わったのか、それとも単に新しいボード版に引き継がれなかったのか。それが意味するのは、このモデルについてのあらゆる「世界で3番目」という主張が、この記事の冒頭のものも含めて、特定のボード版における特定のキャプチャについての記述であり、そのボードは現在それを裏付けていないということだ。順位は過去の記録として、製品ページは持続する事実として扱ってほしい。

テキストto動画ボードでは、Vidu Q4 Previewはこれまで一度も登場していません。しかも、その不在はスコアリング上の問題ではありません。そこでのViduの最高位エントリーは中位のVidu Q3 Proで、Wan 3.0が首位です。これは製品ページと一致しています。これは画像・リファレンスモデルであり、テキストto動画ボードはそれを評価対象にしていないのです。

Kling 4.0は一般提供開始から8日が経過しても、これらのボードのいずれにも現れていない。これは低いスコアではなく、どちらの方向にもスコアが存在しないということだ。したがって、これら2つのモデル間の品質比較は共通の単位では存在せず、この記事の中で唯一の独立した数値は、現在のリーダーボードにはもはや掲載されていないモデルのものである。

2つの価格の数字と、予算を立てる際に基準にすべき1つ

ShengshuはVidu Q4 Previewを「1秒あたり$0.014から」と宣伝しており、これは1分あたり$0.84です。10月のArtificial Analysisの記録では、同じモデルが1分あたり$7.20でした。これらは同じ製品ではありません。ローンチ時の数字はプロモーション用の下限で、ほぼ間違いなく解像度設定の最下段であり、追跡された数字は本番解像度での実測レートでした。ベンダーも、価格はプロモーションであり、プランや地域によって変わり得ると明言しています。予算は高い方の数字で組み、低い方は獲得用オファーとして扱ってください。

Kling 4.0の公開プレビュー料金は、720pで1秒あたり0.157ドル、1080pで0.235ドル——1分あたり9.42ドルと14.10ドル——で、4K料金はまったくなく、ページではモデルがまだ「Coming Soon」と表示されています。この数字では、本番解像度において2つのモデルは同じ価格帯にあり、Viduのほうが安く、Klingは1回の生成あたり14秒余分に得られます。

• 10秒の1080pクリップあたり — 追跡されている1分$7.20のViduは約$1.20。Kling 4.0は1秒$0.235で$2.35。

• 完成映像30秒ごとに — Viduは2回の生成と結合が必要で、約3.60ドルに編集時間を加えたもの。Kling 4.0は1回で済み、7.05ドル。

・10秒クリップ100本あたり — Viduは約120ドル、Klingは約235ドル、以下で言及するベースのMiniMax H3ルートは約80ドル。

アクセス: 一方は呼び出し可能で、もう一方はロールアウト中です

どちらのモデルも、そのままセルフサービスで使える明確なデフォルトではない。Vidu Q4 Preview には、エンドポイントが文書化された実際の API があり、今日時点でKling 4.0よりも構築しやすい。ただし、その API は10月21日から段階的に開放が始まった一方、開発者向け価格表ではまだモデルが利用可能になっていないと記されている。しかし Vidu のビルドは明示的にプレビュー版だ。プロモーション価格、機能の提供状況は変更される可能性があり、さらに文書内では正しいものと並んで誤記のモデル別名 — viduq4-previerw — も記載されている。これは小さなことだが、このビルドがどういう位置づけかを如実に語っている。

テキストファーストと画像ファーストの両方の経路を必要とするチームにとって、実用的な形は、選択をアプリケーションコード内ではなくルーティング層に置くことです。OrcaRouter はどちらのモデルもホストしていません — カタログに Vidu の識別子はなく、Kling 4.0 のルートもありません — ただし、Kling 3.0 をリクエストあたり $0.084 で、MiniMax H3 を生成動画1秒あたり $0.08 で、プロバイダーの定価でマークアップ0%の、200以上のモデルにわたる単一の OpenAI 互換エンドポイント上でホストしています。ルーティング DSL は、この特定の組み合わせに適した部分です。テキストファーストのモデルと画像ファーストのモデルを1つのインターフェースの背後に置けるため、判断はパラメータになります。また、自動フェイルオーバーにより、プレビュールートがダウンしてもバッチ全体が巻き添えになることはありません。

どちらを選ぶかは、主に最初のフレーム次第です

もしショットが一文から始まるなら、Vidu Q4 Previewは適切なツールではなく、Eloがどれだけ高くてもそれは変わりません。その場合は別の場所でスチルを生成してから渡すことになります。これは正当なパイプラインであり、多くのチームが意図的に採用しています。冒頭フレームを自分たちで制御できるからです。

ショットが写真、製品画像、キャラクターシート、あるいは絵コンテのコマから始まるなら、Vidu Q4 Preview は2つのうちより裏付けの取れた選択肢です。ランキングでは3位、前世代から Elo を123改善し、参照画像15枚と音声クリップ3本を入力でき、その10ビット4Kは「約束」ではなく実際に出荷されています。その代償となるのが16秒という上限です。

尺（長さ）、キーフレームによる振り付け、あるいは参照予算付きのテキスト・トゥ・ビデオの手段が必要なら、Kling 4.0はこの2つのうち、それらを提供する唯一の存在です。ただし、Kuaishou が 4K の料金を公表し、「Coming Soon」バナーを解除するまでは、その価格は暫定的なものとして扱ってください。

この状況を変えるのは、また別のスペックではない。{{1}}画像から動画へのボードにおけるKling 4.0のエントリー{{/1}}——この2つのモデルを同じ単位で実際に比較できる唯一の場所——と、{{2}}Vidu Q4の正式リリースで、15枚の参照画像枠と10ビット4Kを維持するか、プロモーション価格の終了時にそれらを静かに狭めるか{{/2}}だ。両方が存在するまでは、正直なランキングは、あなたがそれを読む日にボードが支持しているものになる。Vidu Q4 Previewは10月に測定済みの3位で、現在は掲載されておらず、Kling 4.0はどこでも未測定であり、最初のフレームが、あなたがそもそもどの問いを立てているのかを決める。