画像から動画へ（image-to-video）

テキストから動画へは言葉だけから始まるので、モデルは登場人物、場所、光がどう見えるかを一度に決めなければなりません。画像から動画へは、その当て推量をなくします。写真でも、絵でも、別のモデルが作った画像でも、持ち込んだ絵が最初のフレームになります。プロンプトは、次に何が起こるかを言うだけでよくなります。顔にゆっくり近づく、髪に風が当たる、雲が流れる、カメラが物の周りを回る、といった具合です。見た目がすでに決まっているので、結果はテキストのプロンプトだけの場合より安定し、繰り返しやすくなります。写真家やデザイナーは、何も撮影せずに、製品写真、肖像、イラストに命を吹き込むために使い、物語の作り手は、本格的な制作に入る前に場面を試すために使います。

内部では、現在の動画モデルの多くが、フレームの並び全体をまとめて扱う拡散モデルで、最初のフレームを錨にしながら、ノイズを一歩ずつ取り除きます。最後のフレームも受け付け、二枚の絵の間の動きを埋めるモデルもあります。典型的な設定は、秒数での長さ、向き（横長の16:9か縦長の9:16）、そして場合によっては、結果を再現しやすくする数であるシードです。動画は静止画よりはるかに多くの計算が必要なので、通常は映像の秒数ごとに価格が付き、数十秒から数分かかります。

限界も知っておく価値があります。数秒の短いクリップは筋が通っていますが、長くなると流れが乱れ、顔、手、小さな物の形が変わることがあります。絵の中の細かい文字はぼやけるかもしれません。低解像度の元画像は柔らかいクリップになるので、先にアップスケールで拡大する人が多くいます。そして、あらゆる生成メディアと同じく、動かすものには責任があります。実在の人物の画像には、本人の同意が必要です。実用的な習慣は、指示を短く具体的に保つことで、一つの被写体と一つの動きにします。詰め込んだ指示はモデルを混乱させ、ぎこちなくちらつく結果を生みます。

NeverNo には、静止画をワンクリックでクリップに変える「動かす」の操作があり、動きは独自の短い一覧から選ばれます。動画カタログには、すべてのモデルについて、秒あたりの価格、サイズ（16:9か9:16）、最初のフレームだけを受け付けるのか、最初と最後のフレームを受け付けるのかが書かれています。出発点の画像は、画像スタジオの初期設定のモデルで、すべてのプランに含まれる Z-Image Turbo から作れます。

NeverNo の動画モデルのいくつかは匿名化で、開発元が自社の方針に従ってプロンプトと画像を読みます。長い作品は Runware で作られ、完成した動画は、ブラウザがダウンロードするまで Runware の CDN で待機し、その後、残りのメディアとともにブラウザの中で封をされます。当社のサーバーには、その作業のモデル、状態、日付、クレジットが残り、プロンプトもファイルもありません。ボタンを押す前に、クリップを見せる場所に合った形式を選んでください。画面には横長、スマートフォンには縦長です。