DOTV で画像、動画、音声、テキストの生成にはそれぞれモデルが使われます。このセクションでは、モデルの選び方、料金の軸、見積もりと実際の引き落としを説明します。
DOTV で画像、動画、音声、テキストの生成にはそれぞれモデルが使われます。このセクションでは、モデルの選び方、料金の軸、見積もりと実際の引き落としを説明します。
ノードを選ぶと下部に入力欄が浮き上がります。左下の最初のコントロールがモデルです。ノードの種類ごとにリストが異なります(画像モデルは動画ノードには表示されません)。
モデルを変えると、隣の解像度と長さの段も一緒に変わります——プロバイダーごとに対応する段が違い、相手に認められない段を選んでも意味がありません。モデルを切り替えたあとは、アスペクト比 · 解像度 · 長さのボタンを見直すとよいでしょう。
| 使う場所 | モデル | 備考 |
|---|---|---|
| 画像 | Gemini 画像(Nano Banana 2) | 画像生成・編集のデフォルト |
| 画像 | Gemini 画像 Pro(Nano Banana Pro) | 文字レンダリング・複雑なレイアウトの第一級。4K対応 |
| 画像 | Seedream 4.5 画像 | 中国語シーンやポスター組版に強い、量産向け |
| 画像 | Seedream 5.0 Pro / Lite 画像 | Pro は複数画像の融合・編集が得意、Lite はより速く安い。同期式で1枚十数秒 |
| 画像 | FLUX.2 Pro 画像 | フォトグレードの品質 |
| 画像 | Midjourney | 送信してポーリング(1~2分)。1回1枚、グリッドの1枚目を自動拡大します |
| 画像 | GPT Image 2.5 | OpenAI の画像モデル。複雑な組版が安定。「仕様」ポップオーバーに画質の行が加わり(このモデルだけ)、解像度(1K / 2K / 4K)と枚数も選べます。参照画像は最大10枚 |
| 動画 | Seedance 2.0 mini 動画 | 480P / 720P、4~15秒、長さは「自動」(モデルに任せる)も選べます |
| 動画 | Seedance 2.5 動画 | 1080p 追加、ネイティブ音画同期、最大50個のオムニモーダル参照 |
| 動画 | MiniMax H3 動画(2K) | 2Kのみ、「自動」の長さ段はありません |
| 動画 | MiniMax H3 Max 動画 | 同世代のスピード版:480P / 768P でより速く安い |
| 動画 | Kling 3.0 Standard / Pro / Turbo / 4K 動画 | 段ごとに別エンドポイント:Standard が最安、Turbo は高速で音声ネイティブ(切れません)、4K は一発で4K出力 |
| 動画 | Veo 3.1 / Fast / Lite 動画 | 音画同期が売り。長さは 4 / 6 / 8 秒の3段のみ。Lite は站内最安の音画同期モデル |
| 動画 | Vidu Q3 Pro / Turbo 動画 | 音画同期は料金込み。1~16秒、540p–1080p |
| 動画 | Wan 3.0 / Prime 動画 | オムニ参照アーキテクチャ。Prime はスピード版 —— 能力はそのままにより高速 |
| 動画 | Kling O3 Standard / Pro / 4K 動画 | 動画入・動画出に対応する唯一の一族:複数画像参照、動画参照(延長・リシュート・3Dプレビズの元映像が本当にモデルへ届く)、指示どおりの部分編集 |
| 動画 | Happy Horse 1.1 動画 | 動画アリーナで文生・図生ともに1位。ネイティブ音画同期+多言語音素レベルのリップシンク。音声は切れません |
| テキスト | DoTV LM 2.0 | デフォルトの製品層モデル(背後は deepseek-v4.1-flash 固定、製品レベルのプロンプト制約付き。音声・動画を添付したときは背後で Doubao Seed 2.0 Lite Omni に切り替わります) |
| テキスト | DeepSeek V4.1 Flash | 素のモデル:選んだものがそのまま呼ばれます |
| テキスト | GLM-5.3 Flash | 素の視覚モデル。Aihubmixの:surfingでWeb検索 |
| テキスト | Doubao Seed 2.1 Turbo | 素のモデル。量産ティアで速くて安い |
| テキスト | Claude Opus 5 | 最強の推論ティア。そして一番高い —— 隣の型番より1〜2桁高い |
| 音声 | Minimax-speech-2.8-hd / turbo | hd の方が品質が高く、turbo の方が安い |
| 音声 | Qwen3-TTS-Flash 音声 / Doubao音声 2.0 | 切り替えて使えます |
| 音楽・効果音 | ACE-Step Music / ElevenLabs Music / Doubao Music (GenBGM) / Mureka Music / ElevenLabs SFX / Doubao Seed-Audio | スコアと効果音、それぞれプロンプトから生成 |
| 動画理解 | Doubao Seed 2.0 Lite オムニ(音声付き) | 動画から脚本を書くときだけリストに出ます(4.7 参照)。音声が聞こえます——台詞やBGMが必要ならこちら |
| 動画理解 | Doubao Seed 2.1 Pro ビジョン | 映像が強いですが、音声は聞こえません:画面だけを見る作業にはこちら |
Claude Opus 5 は、いま利用できるテキストモデルの中で最も強い推論向けの選択肢で、料金も明らかに高くなります。複雑な制作と複数の制約に向いています。長い脚本を一貫したカットに分解する、複数の場面の人物関係を整理する、ブランド・尺・プラットフォーム・トーンを同時に満たす修正をする、何度も直した案の構成を立て直すといった作業です。
日常的な短いコピー、簡単な名前変更、1件のプロンプト推敲では、既定で選ぶ必要はありません。まず通常のテキストモデルで構造と素材を確定し、難しい整理だけを強い推論モデルに任せる方が、多くの場合クレジットを節約できます。料金は内容の長さで変わるため、送信前は入力欄の表示を正としてください。
同じ「動画生成」でも10倍違う——その理由は、仕事ごとに課金の軸が違うからです:
| 行うこと | 計算の軸 |
|---|---|
| 画像生成 | Nano Banana 2 は枚数 × 解像度。Midjourney は1回1枚で、枚数段はありません |
| 動画生成 | 秒数 × 解像度(高いほど高く、かつ線形ではありません) |
| 音声合成 | 読ませる文字数 |
| 音楽・効果音 | 1曲あたりの定額、または生成した長さで(モデルにより両方あり) |
| 動画の音声 | 秒あたり —— 生成時に音声をオンにする段の追加料金(音声ネイティブのモデルにはありません) |
| テキスト生成 | 内容の長さ(プロンプトが長いほど高い) |
| 動画高画質化 | 秒数 × 目標解像度。スロー再生を入れると、伸びた長さで計算します |
| 画像高画質化 | 出力面積で分档——小さい画像を4倍にするのが、大きい画像を2倍にするより安いこともあります |
| 画像編集 | 拡張 / 生成塗りつぶし / 消去 / 背景除去は、1枚あたりの定額(背景除去は明らかに安く、新しいピクセルを出さないため) |
| スマート字幕除去 | 秒数。自動認識の段は自分で枠を描くより少し高い |
| 音声分離 | 秒数 |
| ボイスクローン | 1回あたり(1回で音色の構築 + 試聴サンプルが含まれます) |
| 動画理解 | 抽出されたフレーム数(抽帧間隔が高いほど高い) |
| 顔検出 | 1回あたり(1枚の画像で1回) |
| 要素を選択して認識 | 1回あたり(1枚の画像で1回) |
| レイヤー自動認識 | 1回あたり(1枚の画像で1回) |
プロバイダーのコスト × 当サイトのマークアップ(モデル別に 2.2〜2.7 倍)を切り上げ、クレジットの整数にまとめます。1 クレジット = ¥0.04。
これから2つのルールが従います:
入力欄の右下の数字は見積もりです:今選んでいるモデル、解像度、長さ、個数に基づいて計算され、どれか1つを変えるとすぐに変わります。
これと実際に引き落とされる額は同じ規則で計算されるため、画面上が18で請求が42ということはありません。異なるのは1つの場合だけです:モデルが自分でパラメーターを決めるとき(例えば長さが「自動」の場合)、見積もりはデフォルト値で計算されます。
残高が不足しているとき、送信はその場で拒否されます(今回に必要なクレジットと現在の残高が表示されます)。途中で失敗することはありません。生成に失敗した場合は自動で返金され、すべてがクレジット明細に記録されます(14.3 参照)。