GPT Image 2.5 + MiniMax H3：ストーリーボードから動画へ、検証済み

GPT Image 2.5 Sunburstを使用して4コマ構成のストーリーボードを描画し、その後MiniMax H3で1枚の参照シートから4つの連続した全画面ショットを持つショート動画に変換しました。 結果は、光る種を回収し、植え、花が成長する様子を見守る時計仕掛けの配達員を描いています。

画像モデルがビジュアルプランを作成しました。動画モデルが動きとショット構成を作成しました。ストーリーボードシートだけでは動画にはならず、グリッド画像を動画モデルに入力する場合は、その解釈方法について明確な指示が必要です。

ここでは実際の出力を、小さな無音プレビューとして掲載します：

元のH3 MP4をダウンロード · 無音720pプレビューをダウンロード。

リクエストでは12秒を指定しました。返されたコンテナは12.25秒で、2560 × 1440動画、24 FPSです。また、無音映画のプロンプトにもかかわらず、音声トラックも含まれていました。ウェブプレビューではそのトラックを削除し、1280 × 720にリサイズしました。ショットの置換、並べ替え、レタッチは行っていません。元のダウンロードファイルは変更されていません。

Step 1：時間に合うストーリーを書く

私たちのストーリーには1人のキャラクター、1つの屋上、1つの鉢、そして変化する1つの物体があります。アクションを小さく保つことで、モデルが指定された12秒以内に表現できるシーケンスになります。

これらは指定したビートであり、フレーム単位で正確な編集ポイントではありません。正確なトランジションはモデルが決定します。

キャラクター設定では、認識しやすい要素として、真鍮の顔、ネイビーの帽子、ティール色のコート、錆色のスカーフ、クリーム色のサッチェル、茶色のブーツを使用しています。また、スプライトシートチュートリアルでもこの文章によるデザイン指示を使用しましたが、このストーリーボードは独立して生成されています。これは設定の映画的解釈であり、スプライトキャラクターとの画像参照忠実度テストではありません。

Step 2：4コマ構成の参照画像を生成する

元の2048 × 1152ストーリーボードをダウンロード。

Sunburstには、4つの均等な横長パネルと薄い区切り部分を持つ1枚の2×2シートを生成するよう依頼しました。プロンプトでは、読み順、同じ服装、同じテラコッタ鉢、ブルーアワーの光、ペイント風ストップモーションの美学を指定しました。画像が視覚的な動作に集中できるよう、パネル番号とキャプションは省きました。

生成設定はgpt-image-2.5-sunburst、size: "16:9"、resolution: "2K"、quality: "medium"でした。結果として、1枚の画像上に4つのシーンが返され、キャラクターと設定全体に一貫性がありました。背景には眠っている猫も登場しましたが、これは明示的な指示ではなく追加されたディテールでした。

正確な画像生成リクエストをダウンロード。storyboardという名前のエントリーには完全なプロンプトが含まれています。別のcourier-referenceエントリーはスプライト実験用であり、このストーリーボードリクエストには渡されていません。

次へ進む前にシートを確認してください。パネル間ですでに帽子、サッチェル、鉢、または位置関係が変化している場合、動画リクエストはその曖昧さを引き継ぐ可能性があります。

Step 3：ショット指示付きでシートを参照画像として送信する

PoYoでは、MiniMax H3 APIモデル識別子は**hailuo-03**です。今回のテストではreference_image_urlsを使用し、完全なストーリーボードを1枚の参照画像として指定しました。

グリッドをimage_urlsとして使用していません。これは最初/最後フレーム入力モードです。ストーリーボードを文字通り最初のフレームとして扱うと、出力が表示されたグリッドから始まる可能性があります。今回のプロンプトでは、代わりに連続した全画面ショットを明示的に要求しました。

中心となる指示は次の通りです：

Image 1 is a four-panel storyboard reference, NOT a single frame
to animate. Make a 12-second 16:9 silent cinematic short with four
consecutive full-screen shots in reading order. Never show the grid,
gutters or multiple panels.

0-3s: courier walks toward the empty pot.
3-6s: courier reaches into the satchel and lifts one glowing seed.
6-9s: seed is gently planted in the dark soil.
9-12s: a luminous golden flower sprouts; courier watches.

Preserve the character, clothes, pot, rooftop and blue-hour light.
No subtitles, written words, logo, dialogue or standalone outro.
The final frame stays on the courier and flower.

これは省略した抜粋です。送信した正確な動画およびスプライトリクエストをダウンロードし、完全なプロンプトにはstory-videoエントリーを使用してください。

リクエスト形式は次の通りです：

{
  "model": "hailuo-03",
  "input": {
    "prompt": "Your complete sequential-shot instructions",
    "reference_image_urls": ["YOUR_PUBLIC_STORYBOARD_URL"],
    "duration": 12,
    "resolution": "2K",
    "aspect_ratio": "16:9"
  }
}

PoYoのベアラートークンを使用してPOST https://api.poyo.ai/api/generate/submitへ送信し、返されたタスクIDを保存してGET /api/generate/status/{task_id}をポーリングします。この例では、最初/最後フレームimage_urlsを参照画像モードと組み合わせないでください。MiniMax H3モデルページで現在のルートオプションを確認できます。

結果が再現したもの、そしてまだ確認が必要なもの

このコンタクトシートは左から右へ、次に下方向へ読みます。これは動画から作成した確認用資料であり、新たに生成したストーリーボードではありません。

出力は4つのパネルを同時にアニメーション化するのではなく、シートを全画面表示へ変換します。シーケンスは接近、回収、植え付け、開花へ進みます。帽子、スカーフ、サッチェル、鉢、屋上、暖かな窓の照明は認識可能な状態を保っています。最後のシーンは配達員と花に留まり、別のブランドカードは表示されません。

実用上の制限もあります。種は自然の種と比べて明らかに大きく、花へ切り替わる前も土の上に露出したままです。手と土の相互作用は、サムネイルで判断せずフルサイズで確認すべきディテールです。正確なショット時間とフレーミングはモデルが解釈します。また、返された音声トラックから、「silent」という単語だけではトラックなしのファイルを強制できなかったことも分かります。

これは1回のストーリーボード生成と1回の動画生成による結果です。繰り返し成功率調査、動画モデル比較、または別々のパネル参照によって連続性が改善するかどうかのテストは行っていません。

実際のコストと所要時間

ドル換算には1 PoYo creditあたり$0.005を使用しています。実際のH3料金は、1秒あたり21 creditsで指定12秒分に対応しています。コンテナの追加0.25秒によって返却料金は変わりませんでした。

ストーリーボードのリクエストから結果取得までの実測待機時間は42.97秒でした。動画はランナーが完了を確認するまで621.46秒、約10分21秒かかりました。キュー待機、ネットワーク再試行、ポーリングを含みます。これは保証された生成時間ではありません。ローカルプレビュー変換では追加の生成は送信していません。

画像ティアについてはImage 2.5 pricingを参照してください。追加のストーリーボード、別テイク、修正生成を行う場合、それぞれプロジェクトコストに加算されます。

よくある質問

GPT Image 2.5は直接動画を生成できますか？

このワークフローでは静止画のストーリーボード生成に使用しています。動画生成はMiniMax H3が担当します。

4枚の別々の入力画像が必要ですか？

この例では必要ありません。4パネル全体のシートを1つの参照として提供しました。別々の参照は異なる設定であり、独自の指示と検証が必要になります。

すべてのストーリーボードは正しいショット順になりますか？

1つの成功例だけでは、それを証明できません。読み順と全画面シーケンスを明示し、その後結果を確認してください。タイミングが重要な場合は、ショットを個別に生成し、編集ソフトで組み合わせてください。

どこから始めればよいですか？

GPT Image 2.5でビジュアルプランを作成・承認し、その後シートと時間指定付きアクション概要をMiniMax H3へ渡します。利用前に最終動画の連続性、動作、音声、出力サイズを確認してください。