**参照動画生成（Reference-to-Video、略してR2V）**は、1枚以上の参照画像で動画生成を導くAI技術です。参照画像は文字通りの最初のフレームではなく、アイデンティティのアンカーとして機能します。モデルはあなたの参照（キャラクターの顔、製品のデザイン、アートスタイル）を学び、そのアイデンティティを保ったまま新しいシーンを生成します。
参照 vs 最初のフレーム
これが画像動画生成との決定的な違いです。
- 画像動画生成は画像をオープニングフレームとして扱います。動画はまさにそこから始まります。
- 参照動画生成は画像を「これはこう見える」という定義として扱います。モデルはそのキャラクターや製品を、プロンプトが描く全く新しいシーン・アングル・アクションの中に配置できます。
一言で言えば：I2Vは絵の「続き」を描き、R2Vは絵を「キャスティング」します。
なぜ重要か
一貫性はAI動画における最難関の課題です。「黄色いレインコートの赤毛の少女」をテキストだけで2回生成すれば、2人の別の少女が現れます。参照動画生成はこれを解決します。
- キャラクターの一貫性 —— 同じ主人公をショット、シーン、エピソードをまたいで維持。
- 製品の忠実度 —— 実際の製品を新しいアングル、新しい環境で見せる。
- スタイルの継続 —— イラストのタッチやブランドの世界観をシリーズ全体で貫く。
プロンプトのコツ
被写体がはっきり写った、明るくクリーンな参照画像を与えましょう。あとはプロンプトが監督です。新しい舞台、新しいアクション、新しいカメラ。変えたいことをプロンプトで語る──保ちたいことは参照画像がすでに語っています。詳しくはプロンプトの書き方ガイドへ。
MolyinでのReference-to-Video
Molyinでは参照動画生成は特定モデル専用ではなく、複数モデル共通の標準モードです：Seedance 2.5 / 2.0 は1回につき最大9枚の画像+3本の動画+3本の音声、Wan 3.0 は最大10枚+5本+5本（1回で最長30秒）、Kling 3.0 は2〜4枚のエレメント画像、FLUX 3 は3〜10枚のキーフレームを絵コンテとして扱います。
関連用語
- テキスト動画生成（Text-to-Video） —— テキストのみから生成する。
- 画像動画生成（Image-to-Video） —— 画像を文字通りの最初のフレームとして動かす。
AI動画ジェネレーターでお試しください。
