All in one、誰もが使える。
Genspark の動画 Agent ワークスペース——Genspark Media Studio が正式にリリースされました!

今回、最先端のモデルが一堂に集結し、万能な「AI 制作クルー」が結成されました。
「監督」役を務める大規模言語モデル(LLM)には、DeepSeek V4.1 Flash、Claude Opus 5.5、そして Claude Fable 5.1 の 3 つの選択肢が用意されています。
そう、ここでは Fable 5.1 すら利用できるのです……

正直なところ、諸々の事情により、ずいぶん長い間触れていませんでした……
実際に作業を担当するモデルのラインナップも充実しています。動画生成は Seedance 2.5、Kling、Veo が担当し、画像生成は GPT Image と Nano Banana が担い、音声制作には ElevenLabs などの音声モデルが組み込まれています。
プラットフォーム全体で 20 社以上、70 を超えるモデルバージョンが統合されています。
さらに、現在は割引キャンペーンも実施中です!
北京時間 10 月 27 日 18:00 から 11 月 4 日 18:00 まで、Plus および Pro 会員は Media Studio でのクレジット消費が一律 50% オフとなります。これにはタスクプランニング、画像、動画、音声、3D 生成など、すべての制作プロセスが含まれます。
最新トレンドを追う量子位も、いち早くテスト利用の機会を獲得しました。
さっそく実際に使ってみましょう〜
Genspark Media Studio 実機レビュー:アルトマンがラップを歌い、ビジネスサスペンス短編ドラマまで作れる
ワンクリックで同じスタイルを再現
トップページの「Genspark Magic」セクションには、多くの人気動画テンプレートが組み込まれており、クリックするだけで同じスタイルの動画を簡単に作成できます。

今回はラップの動画テンプレートを選び、サム・アルトマンとダリオ・アモデイの写真をアップロードしてみました。
米国株 IPO を目指す名コンビといえば、この 2 人しかいません!

しかし、実在の人物の写真をそのままアップロードすると動画モデルによって弾かれるという点を見落としていました。
Genspark は制作を開始する前に著作権や肖像権の確認を促す注意を表示してくれました。非常に配慮が行き届いています。

続いてシステムから「セミリアル版(半写実的)」か「カートゥーン版」のどちらを生成するか尋ねられたので、思い切ってセミリアル版を選択しました。設定を確定すると、システムが本格的に動き出します。
Agent は Seedance 2.5 を呼び出しました。画面上には完成まで 8〜14 分かかると表示されていましたが、実際には体感でわずか 2〜3 分ほどで動画が仕上がりました。

最初に生成された動画には BGM がなく、2 人がアカペラで歌っているだけだったため、続けて伴奏を探すよう指示を出しました。
このキャンバス UI は非常にユニークです。システムが候補となる 3 つの伴奏トラックをキャンバス上に並べて配置し、クリックするだけですぐにプレビュー再生ができます。

(伴奏 C がなぜあんなに遠くに配置されているのかは謎ですが……)
ただ、この 3 つの BGM にはボーカルの歌詞が入っていなかったため、最終的に ElevenLabs を呼び出してオリジナルのラップ伴奏を生成させ、リップシンクを行って 2 人が同じ画面でデュエットできるようにしました。
完成した動画がこちらです:
なかなかの仕上がりです。アルトマンとダリオが同じステージでラップバトルを繰り広げる姿は、まるで何年もみっちり練習を積んできたかのように見えます。
なお、最初に生成される動画の解像度はすべて 480p となっており、納得がいくまで調整を重ねた後、ワンクリックで 1080p にアップスケールできます。
解説動画もあっという間に完成
次に、映画『コヒーレンス(原題:Coherence / 中国題:彗星来的那一夜)』の考察・解説ショート動画の作成を試みました。
トップページの入力欄下部にある「Knowledge Explainer」カードから直接入ることもできますし、自然言語で要件を入力することでも開始できます。

システムから動画の長さ、ビジュアルスタイル、解説の切り口の選択を求められ、音声モデルにはデフォルトの MiniMax TTS を指定しました。


外部素材は一切アップロードせず、すべて AI に一任して生成させました。
生成スピードはまさに「一瞬」でした。別の動画の作業をしていて、ふと画面に目を戻したときには、すでにレンダリングが完了していました。
ただ、初版のクオリティは……少々平凡でした。
ナレーションの原稿は平坦で退屈に感じられ、映像もスライドショーを見ているようでカクつきがありました。
そこで、「視聴者を引きつけるためにサスペンス要素と緊張感を強調した原稿に書き直すこと」「カット割りをより多彩にすること」、そして「ElevenLabs を呼び出して BGM を追加すること」という修正指示を出しました。
驚いたことに、生成された BGM はタイムラインに合わせて厳密に 6 つのパートに分割されたダーク調のオリジナル楽曲で、非常に完成度が高いものでした。

最終的な仕上がりは以下のとおりです:
全体として大満足の出来栄えでした。人間の手を一切加えることなく、ナレーションと BGM が見事にシンクロし、複雑なプロットを明瞭に説明しつつ、サスペンスフルな空気感もしっかりと演出されています。
画質にはまだ若干の「スライドショー感」が残るものの、参考画像や動画クリップを一切与えず、映画のワンシーンを自動で収集・コラージュしただけでここまでのクオリティに達しているのは称賛に値します。
初心者でもショートドラマが作れる
さらに興味深い機能として、「ストーリーバイブル(Story Bible)」という機能も見つけました。

最初は具体的な用途がよく分かりませんでしたが、使ってみて驚きました。これはショートドラマの企画から制作までを一気通貫で行うワークフローそのものでした。

先ほどのアルトマンとダリオのラップ動画の流れを汲み、プロジェクト名を思いつきで「米国株 IPO 兄弟」と名付けました。
「Story Bible」機能をクリックすると、このテーマに沿ったまったく新しい企画案が自動生成されました。
兄は主幹事投資銀行のマネージングディレクター(MD)、弟は上場を急ぐスタートアップ創業者——1 つの会議室、公開価格、そして兄だけが知る衝撃の秘密。
まさに今流行りのビジネスサスペンスドラマそのもののプロット設計です。
「午前 3 時の冷気は、まるで返しきれない借金のようだ。」
セリフの言い回しもなかなかのものです。
念のために言っておきますが、脚本は Genspark の AI がすべてゼロから出力したもので、私自身は一切手を加えていません。
まずシステムが参照用のシーンイメージを自動生成しました:

キャラクター設定については、4 人のメインキャストの外見イメージとして、それぞれトニー・レオン、ダニエル・ウー、アン・ハサウェイ、チャン・ツィイーに似せるよう具体的な指示を出しました。
最終的に生成されたキャラクターがこちらです:

肖像権保護の仕組みがあるため本人そのものではありませんが、金融エリートとしての佇まいや存在感が見事に表現されています。

続いて、詳細なキャラクター設定、衣装、小道具リスト、テスト撮影(ルックブック)用画像が出力され、人間による承認が必要な項目は 35 項目にものぼりました。
プロの監督やエディターであれば、ここで非常に細やかなコントロールや微調整が可能です。
初心者の場合は、迷わず「すべて承認」を選択すれば先に進めます。
ただし、現状の UI には少し使いづらい部分もありました。承認ボタンの一部が見つけにくく、ある項目では該当箇所を探すのに 10 分もかかってしまいました。

また、いずれかの設定を変更すると、それまでに承認済みだった項目も再び「未承認」状態に戻ってしまう仕様になっています。

確認と承認を繰り返し、ようやく次のステージへ進むことができました。
会話のコンテキストが長くなると、システムからそれをスキルテンプレート(skill)として保存するよう促されたため、ついでに「金融/ビジネスドラマ」の skill として保存しておきました。

設定が確定すると、システムは元の 5 つの主要シーンを 84 個の具体的なカットに分解し、12 個の動画生成ユニットにまとめました。そしてプロンプトを自動作成し、Seedance 2.5 を呼び出して動画クリップの一括生成を開始しました。

映像内で設定と矛盾する不自然な描写やミスが発生した場合、システムが自発的に修復を行い、下書きを再生成するよう促してくれます。
すべてのクリップの生成が完了すると、編集、BGM、字幕の合成フェーズに入ります。この処理スピードは初期のドラフト修復作業よりも明らかに高速でした。
完成したショートドラマ『プライシング・ナイト』がこちらです:
ショートドラマ制作の経験がまったくない私でも、ゼロから 1 本の完全な作品を作り上げることができました。
第一印象として、画質が非常に緻密で、登場人物の細かな表情の変化まで捉えられており、前後のカット間におけるキャラクターの一貫性も驚くほど保たれていました。
特に指示を出していなかったにもかかわらず、中国語と英語の二重字幕も自動的に付けられていました。
とはいえ、課題も残っています。例えば動画の後半で軽微な音ズレが生じたり、一部のカットでコマ飛びや不自然な描画の乱れが見られました……
兄がかけていたメガネが、次の瞬間には顔から忽然と消え去っていたりします。
ざっくり計算したところ、上記の 3 つの事例をすべて通しで試した結果、初期付与された 50,000 クレジットのうち約 45,000 クレジットを消費しました。
想定外の機能:ゲームまで作れる
残りの 5,000 クレジットを使って、『スーパーマリオ』風の Web ミニゲームの作成を試してみました。

こちらはまさに数秒で仕上がりました。複雑なプロンプトを打つ必要もなく、純粋なピクセルアート調の HTML ゲームが瞬時にビルドされました。
敵を踏みつける、キノコを取って巨大化する、ブロックを叩く、ゴールの旗竿につかまってクリア判定を行うといった主要なゲームシステムがすべて揃っています。
著作権への配慮から、BGM やステージのテクスチャはコードベースでリアルタイムに描画されるオリジナル素材となっており、ゲームプレイのコアメカニクスのみが原作を踏襲しています。
「十分に遊べる」レベルに仕上がっており、任天堂の法務部が見ても文句のつけようがない作りです。
しかも、全体の生成にかかったコストはわずか数百クレジットでした。
ゲーム性がシンプルすぎると感じた場合、Genspark はゲーム性を拡張・強化するためのアップデート提案まで自発的に提示してくれます:

上司から「なぜ仕事中にゲームばかりしているのか」と怪しまれ始めたので、テストはひとまずここで終了とします。
Genspark Media Studio の動画制作フローはどうなっているのか?
ここまで多くの事例を検証してきましたが、Genspark Media Studio のバックエンドではどのようにプロセスがコントロールされているのでしょうか?
公式の説明によると、Media Studio では大規模言語モデル(LLM)が「監督センター」として機能し、ユーザーの要求の解釈、脚本の執筆、各専門モデルのオーケストレーションを担っています。
プラットフォームには 20 社以上のベンダーから 70 を超えるモデルバージョンが統合されており、動画、画像、音声、3D といった制作工程の全領域をカバーしています。前述の Seedance や ElevenLabs も、この連携ネットワークを構成するコンポーネントです。
同時に、中心となる LLM には動画制作のワークフロー論理を熟知していることが求められます。
そこで Genspark は、各種の制作プロセスを抽象化し、それぞれ独立した「skill」として体系化しました。コマーシャル動画には専用のワークフローがあり、ナラティブな短編ドラマにはまた別のワークフローが存在します。Agent はタスクの種類に応じてこれらを動的に呼び出します。

『プライシング・ナイト』の例で言えば、脚本作成、絵コンテの分解、キャラクターや背景のルック決定という段階を順に踏み、最終的に動画モデルへ引き渡して本番のレンダリングを行います。
「Story Bible」は、プロセス全体を通じてアセットマネジメントの役割を担います。キャラクターの外見や衣装などの主要要素が事前に基準アセットとして固定され、後続のカットでも厳密に一貫性が維持されます。
このキャラクター設定や世界観は、プロジェクトをまたいでシームレスに再利用することも可能です。
この仕組みは、AI 制作クルー全員に共通の設定資料集を配るようなものであり、各ユニットが勝手な描写をしてトーン&マナーが崩壊するのを防いでいます。
納品物のクオリティ管理について、公式発表では Agent が脚本や元の設定と照らし合わせて項目ごとに品質チェックを行い、基準に満たないクリップは自動的に再撮影を指示すると説明されています。ドラマ制作時に見られた自発的な修正作業は、まさにこの仕組みによるものです。
AI による自動チェックに加え、ユーザー自身がピンポイントで手動再撮影を行うことも可能です。
例えば 30 秒の動画のうち、7〜13 秒の部分だけに手を入れたい場合、「Reshoot clips(クリップの再撮影)」機能を起動し、タイムライン上で該当区間を選択して修正プロンプトを入力するだけで対応できます。

公式ドキュメントによると、この機能は元のクリップの動きの軌道やカメラワークを固定したまま、新しいプロンプトに基づいて映像のみを再描画します。1 回の操作で最大 5 つのクリップ(各 4 秒以上)を指定できます。
画面内の特定の障害物や不要なオブジェクトのみを除去・修正したい場合は、「Frame edit(フレーム編集)」を用いて特定エリアを範囲選択し、置き換えや消去を行うことができます。このモードは 30 秒以内の動画クリップに対応しています。

このように、修正指示を特定のタイムスタンプやオブジェクト単位でピンポイントに適用できるため、毎回すべてを一から再生成するような無駄なコストを徹底的に削減できます。
注目すべき技術的なディテールとして、同じ動画コンテンツであっても、解説系動画とドラマ系短編ではまったく異なる技術アプローチが採用されている点が挙げられます。
Knowledge Explainer は主に code-to-video の技術アプローチをベースに実装されています。平たく言えば、AI がプログラムコードを記述し、テキスト、グラフ、アニメーション効果をプログラム上で統括・配置した上で動画としてレンダリング合成する手法です。
データ可視化や概念の説明を行う際、すべてのフレームを動画生成モデルに委ねる必要はありません。
公式によると、純粋なコードレンダリングプロセスではクレジットは消費されず、ナレーション音声と一部の環境背景映像のみが従量課金されます。
ただし、コードレンダリングはレイアウト表現には長けているものの、映像としてのダイナミックな表現力には限界があります。一方、ドラマ作品はキャラクターの身体動作やカメラアングルの緻密な制御に大きく依存します。
そのため、Media Studio では **3D ホワイトモデルによるプリビズ(Pre-visualization)**プロセスも導入されています。最終的な動画出力を前に、Agent はまず 3D ホワイトモデル(グレイボックス)を用いてシーン空間を構築し、キャラクターの立ち位置やカメラアングルをあらかじめ確定させます。この段階では動画モデルの生成枠を一切消費せず、カメラワークが完全に確定した段階で Seedance に処理を渡し、本番のレンダリングを行います。

前述の 480p 低解像度ドラフトモードとあわせて、プロダクトの設計思想は極めて明確です。できるだけ初期の工程で問題点を洗い出して修正し、いきなり高解像度でレンダリングしてやり直しになる事態を防ぐことで、ユーザーのクレジット消費を最小限に抑えるよう設計されています。
何しろ、コンピューティングリソースのクレジットは無限に湧き出るものではありませんから……
All in one、誰もが使える
Genspark は一貫してある製品理念を掲げています。それが、**「All in one、誰もが使える」**ということです。
これは、今回の検証全体を通じて最も強く実感した部分でもあります。
All in one とは、テキストからの画像生成、テキストからの動画生成、音声のミキシング、字幕の焼き付けに至るコンテンツ制作の全パイプラインを統合し、複数のツールを行き来する必要をなくしたことを意味します。
Media Studio はすべての作業工程を 1 つの無限キャンバスに統合しています。中間生成物としてのアセットはすべて保持されるため、Agent が継続的にイテレーションを回すのにも適しており、人間のクリエイターがいつでも介入して微調整を加えることも容易です。
本記事で紹介したすべての作例は、Media Studio という単一のプロダクト内で完全に完結して制作されています。
公式によると、プロのクリエイター向けにレイヤーエディターやマルチトラック対応のオーディオ・ビデオタイムラインも用意されており、プロジェクトを PSD、Premiere プロジェクトファイル、CapCut の下書きファイルとしてエクスポートし、外部ツールで高度なポストプロダクションを行うことも可能です。
そして、初心者にとって最も革新的な変化は、**「世の中にある無数の AI ツールを一つひとつ勉強しなくても、思い立ったらすぐに制作を始められる」**という点にあります。
先ほど『プライシング・ナイト』を制作した時のように、タイトルを 1 つ入力するだけで、Media Studio が物語の全容を自動的に広げてくれます。その後のプロセスでも、AI が質問を投げかけながら制作をリードし、人間は提案された選択肢を選んで確認するだけで済むのです。