著者メモ：AI生成動画に字幕を付ける2つの方法、つまりSeedanceのプロンプトで字幕を焼き込む方法と、完成動画の音声トラックを文字起こしして字幕にする方法を比較します。修正や翻訳ができるのはどちらの字幕か、そして動画モデルを乗り換えると実際にどこまでコストを抑えられるのかを解説します。
APIYIで動画APIを動かせるようになった後、つまずきやすいのは画質より完成動画の字幕です。よくあるのは「Seedanceは1本あたりが高いから、Grok、海螺（Hailuo）、万相（Wan）に乗り換えたい。ついでに『字幕まで一気に作ってくれる』ところを探そう」という発想です。先に持ち帰れる結論をひとつ挙げておきます。編集できる字幕は動画モデルの直接出力には頼れません。修正や翻訳ができる字幕が欲しいなら、完成動画の音声トラックを文字起こしするのが正解です。
現在提供されている動画モデルのうち、編集可能な字幕ファイルを生成結果として出力するものはありません。Seedanceは、火山引擎の『Seedance 2.0 シリーズ プロンプトガイド』にある書き方で、文字を画面のピクセルに焼き込めます。ただし同じガイドにも、プロンプトに字幕を書かなくても完成動画に勝手に字幕が出ることがあり、100%取り除くことはできないと書かれています。Wan3.0、Wan2.7、HappyHorse、MiniMax H3、Oxygen、Grok Imagineの個別ページには、音声トラックや音声駆動の説明があるだけで、字幕に関するパラメータはひとつもありません。そのため、より高い動画モデルに乗り換えても字幕の問題は解決しません。
これは「どちらにも良さがある」という折衷的な分析ではありません。 本記事で比べるのは、プロンプトでの焼き込みと後処理での文字起こしの2つだけです。そのうえで、代表的な3つのシーンごとに選び方をはっきり示します。記事中の動画モデルはいずれもAPIYI apiyi.com から呼び出せます。型番と価格はプラットフォームのモデル一覧を基準にしてください。
この記事で得られること：読み終えると、次の2つを判断できるようになります。1つ目は、この動画でプロンプトに字幕の焼き込みを指定するかどうか。2つ目は、コストを抑えたいときにどのグレードのモデルへ乗り換えるべきかです。
AI生成動画の字幕は、まず「音声トラック≠字幕」を切り分ける
AI生成動画に字幕を付ける話をする前に、「音声」と「字幕」をきちんと分けて考える必要があります。動画モデルはセリフ、効果音、映像をまとめて生成するため、出力されるのは完成した動画に埋め込まれた音声トラックです。音声トラックにセリフが入っているからといって、完成動画に字幕があるとは限りません。映像の中に文字が現れていても、それがピクセルに焼き込まれているなら、映像の一部にすぎず、字幕データとは呼べません。
この記事でいう「使える字幕」とは、次の3つをすべて満たすものです。1つ目は、文字が正しいこと。誤字や脱字、珍しい漢字の文字化けがないことが条件です。2つ目は、表示タイミングがセリフと合っていること。3つ目は、後から文字を修正でき、ほかの言語に翻訳できることです。ピクセルに焼き込まれた文字が満たせるのは、せいぜい最初の2つだけで、3つ目は絶対に実現できません。誤字を1つ直すだけでも動画全体を生成し直す必要があり、英語版を作る場合も同じく最初から生成し直しになります。
火山引擎（Volcano Engine）のプロンプトガイドも同じ考え方です。「字幕」は映像内の文字の一種として扱われ、キャッチコピーや吹き出しと同じ節にまとめられています。ガイドの中には、SRT、VTT、独立した字幕トラックに関する記述はありません。この点を押さえると、「どの動画モデルの字幕が優れているか」という問いは、次のように言い換えられます。あなたが欲しいのは、映像上の文字でしょうか。それとも、編集できる字幕ファイルでしょうか。
AI生成動画に字幕を付ける2つの方法：核心的な違い
2つの方法の違いは、画質でもモデルのグレードでもありません。字幕が最終的にどこに保存されるか、という点です。方法1は字幕をピクセルの中に埋め込み、方法2は字幕を別ファイルとして保存します。下の表では、「使える字幕」の3つの基準を中心に項目ごとに比較しています。
| 比較項目 | 方法1：プロンプトで焼き込む字幕 | 方法2：完成動画の音声トラックから文字起こしした字幕 | 優位 |
|---|---|---|---|
| 文字は正確か | モデルの生成に依存。ガイドでは、常用漢字を優先し、難しい漢字や特殊記号を避けるよう求めている | 音声トラックの音声認識で生成され、人の手で校正できる | 方法2 |
| セリフとの同期 | プロンプトに「音声のリズムと完全に同期」と書けるが、結果は運次第（ガチャ） | 文字起こしのタイムスタンプや編集ソフトで同期でき、微調整も可能 | 方法2 |
| 後から修正・翻訳 | 不可。文字を直すには動画全体を生成し直すしかない | 可能。ファイルを編集するだけで済み、多言語版も作れる | 方法2 |
| 対応モデル | 公式ガイドにこの機能が記載されているのは Seedance のみ | 音声トラック付きの完成動画ならどれでも可 | 方法2 |
| 追加の工程 | なし。出力された時点で字幕が付いている | 文字起こしサービスまたは編集ソフトが必要 | 方法1 |
| 字幕を消したいとき | 意図しない字幕の出現を100%防ぐことはできないと公式が説明している | この問題は起こらない | 方法2 |
ルート1：SeedanceのプロンプトでAI生成動画に字幕を焼き込む
提供中のシリーズの中で、公式プロンプトガイドに「字幕を出せる」と「勝手に字幕が出ることがある」の両方が書かれているのは、Seedanceだけです。ガイドの文字生成の節には、モデルがよく使われる文字を生成でき、色、スタイル、表示方法、表示タイミング、表示位置を指定できると説明されています。用途としては、キャッチコピー、字幕、吹き出しなどが挙げられています。注意したいのは、このガイドのタイトルが2.0シリーズになっていて、2.5の字幕機能が2.0と異なるとは明記されていない点です。そのため、字幕の焼き込みを2.5だけの機能として書くことはできません。
下の表は、公式プロンプトガイドにある字幕関連の書き方をまとめたものです。そのままプロンプトを組み立てる際の参考にできます。
| 用途 | 公式プロンプトガイドの書き方 | 注意事項 |
|---|---|---|
| 字幕の内容を指定する | 「画面下部に字幕が表示される。字幕の内容は「……」で、音声のリズムに完全に同期させる。」 | 字幕の内容はなるべくよく使う文字にする |
| セリフに合わせて字幕を出す | 「画面下部にセリフに合わせて字幕が表示される」「画面下部に対応するセリフの字幕が表示される」 | 出力はあくまでピクセルの文字で、タイムラインファイルは付かない |
| 字幕を出さない | 「字幕なしを維持する」「文字や字幕を一切生成しない」 | 公式によると、現時点では100%回避できるわけではない |
| 文字のスタイル | 色、スタイル、表示方法、タイミング、位置を指定できる | 難しい漢字や特殊記号は避ける |
このルートの利点は、追加の工程がまったく要らないことです。動画を出力した時点で字幕が入っているので、ショート動画プラットフォーム向けの縦型の小さな動画に向いています。一方で欠点もはっきりしています。字が間違っていた場合は生成し直すしかなく、納得のいくものが出るまで毎回生成コストがかかります。別の言語版が欲しい場合も、最初から生成し直す必要があります。
API呼び出しの面でも、つまずきやすいポイントがいくつかあります。APIYI（apiyi.com）のコンソールでトークンを作成するときは、SeeDance2グループ（倍率0.18x）を選び、課金モードは従量課金優先または従量課金にする必要があります。エンドポイントは/seedance/api/v3/...を使い、/v1/videosは使わないでください。専用ページには、汎用エンドポイントでは解像度が正しく渡されないのに、課金は実際に出力された動画の内容で計算される、と書かれています。また、generate_audioのデフォルトはtrueなので、音声なしの動画にしたい場合は明示的にfalseを渡す必要があります。
方法2：完成した動画の音声トラックを文字起こしして、AI生成動画の字幕にする
ポストプロダクション方式の役割分担ははっきりしています。動画モデルは音声トラック付きの完成動画を出力するだけで、字幕は別の文字起こしサービスか編集ソフトに任せます。文字起こしでタイムコード付きの字幕ファイルを作ったあとは、使い方が2通りあります。1つ目は、字幕を映像に焼き込む方法で、外部字幕に対応していないプラットフォーム向けです。2つ目は、サイドカーファイルとして動画と一緒に配布する方法で、プレーヤー側でオン・オフを切り替えたり、言語を変更したりできます。
文字起こしサービスを選ぶときは、現時点の状況をよく確認してください。OpenAIの音声テキスト変換ガイドでは、現在ファイルの文字起こしに gpt-transcribe を推奨しています。エンドポイントは POST /v1/audio/transcriptions で、テキストと検出された言語が返ります。1ファイルあたりの上限は25 MBです。単語単位・文単位のタイムスタンプのサンプルは、いまも whisper-1 の timestamp_granularities パラメータを使っており、このパラメータは whisper-1 でしか使えません。なお、whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe などのモデルは非推奨に指定されており、提供終了日は2027-02-26です。
もう1点、補足があります。2026-11-10 15:40時点のAPIYIのモデル一覧には、whisper-1 も gpt-transcribe も載っていません。ポストプロダクションのこの工程は、今回の動画モデル一覧には含まれていないため、別の文字起こしサービスか、編集ソフトに内蔵された音声認識で行う必要があります。タイムコードの調整は編集ソフトに任せることもできます。その場合、文字起こしの役割は、テキストを正確に認識することだけです。
提供中の動画モデルにおけるAI動画の字幕生成機能まとめ
下表は、各動画モデルの専用ページにおける音声と字幕の記載内容をまとめたものです。字幕パラメータの列は、2026-11-11 に各専用ページを全文検索した結果で、検索キーワードは「字幕」、SRT、「焼き込み字幕」、「字幕トラック」です。
| シリーズ | モデルID | 音声関連（専用ページの記載） | 字幕パラメータ | 呼び出しのポイント |
|---|---|---|---|---|
| Seedance | doubao-seedance-2-5-260628、doubao-seedance-2-0-260128、doubao-seedance-2-0-fast-260128、doubao-seedance-2-0-mini-260615 |
generate_audio がデフォルトで有効 |
字幕ファイルなし。火山エンジンのガイドに沿ったプロンプトで焼き込み可能 | SeeDance2 グループを使用し、/seedance/api/v3/... にリクエスト |
| Wan3.0 | wan3.0-video、wan3.0-video-prime |
audio はデフォルト true、出力に音声トラックが付属 |
なし | /wan/api/v1/services/aigc/video-generation/video-synthesis に送信。ヘッダー X-DashScope-Async: enable が必要 |
| Wan2.7 | wan2.7-t2v、wan2.7-i2v、wan2.7-r2v、wan2.7-videoedit |
wan2.7-i2v のみ driving_audio による口パク同期に対応 |
なし | 720P / 1080P のみ、長さは2〜15秒 |
| HappyHorse 1.1 | happyhorse-1.1-t2v、happyhorse-1.1-i2v、happyhorse-1.1-r2v、happyhorse-1.0-video-edit |
画像から動画生成は driving_audio 非対応。専用ページにデフォルトのセリフの記載なし |
なし | 長さは2〜15秒。口パク同期が必要な場合は Wan2.7 を使用 |
| MiniMax H3 | MiniMax-H3 |
ステレオ音声トラック付きで、オフにできない | なし | 768P のみ対応。/hailuo/v2/video_generation を使用 |
| Oxygen | oxygen-1.0 |
完成動画に音声トラックが付属 | なし | OpenAI Videos 互換、POST /v1/videos |
| Grok Imagine | grok-imagine-video、grok-imagine-video-1.5、grok-imagine-video-1.5-lite |
デフォルトで音声トラック付き。音声をオフにしても料金は下がらない | なし | GrokOfficial グループの有効化が必要 |
この表でいちばん伝えたいのは、Seedance 以外の専用ページには字幕に関する記載がなく、「プロンプトで字幕を出せるはず」とは推測できないということです。上記のモデルはいずれも、APIYI（apiyi.com）の同じアカウントで呼び出せます。具体的なモデルや利用可能なグループは、プラットフォームのモデル一覧をご確認ください。
いくつか、個別に触れておきたい点があります。Wan2.7 の driving_audio は、音声に合わせて口の動きを生成する機能で、口パク同期の機能です。字幕とは関係ありません。専用ページ自身の推奨は、音声で口パクを駆動したいなら 2.7、デフォルトの音声トラック、より長い尺、より低い価格を求めるなら Wan3.0、というものです。MiniMax H3 は APIYI ではオープンウェイトの自社デプロイ版で、提供元の公式APIを中継しているわけではありません。音声トラックはオフにできず、generate_audio=false を渡すと 400 が返り、エラーフィールドは unsupported field generate_audio になります。2K 解像度を指定した場合も同様に拒否されます。
Grok Imagine の3モデルは少し特殊です。専用ページには料金の記載がありますが、2026-11-10 15:40 時点のモデル総覧にはこの3行がありません。未掲載というわけではないので、呼び出す前にコンソールで GrokOfficial グループが有効になっているか確認してください。
AI生成動画の字幕と制作コスト：モデルを替えて節約できるのは何か
字幕は動画モデルによって変わらないので、モデルを替えて節約できるのは動画の生成費用だけです。ここでは、同じ5秒の動画について、ドキュメント上の価格を比べます。先にお断りしておくと、行ごとに解像度が異なります。この表はコストの比較にだけ使えるもので、同じ動画の画質比較には使えません。
| モデルID | 解像度 | 長さ | 参照動画 | ドキュメント価格 | 価格の出典 | データ日付 |
|---|---|---|---|---|---|---|
oxygen-1.0 |
480p または 768p（同額） | 5秒 | 含まない | $0.10 | 専用ページの1秒あたり価格 × 5 | 専用ページで 2026-11-11 に確認 |
grok-imagine-video-1.5-lite |
480p / 720p | 5秒 | 含まない（入力画像は課金対象外） | $0.10 / $0.15 | 専用ページの1秒あたり価格 × 5 | 専用ページで 2026-11-11 に確認 |
wan3.0-video |
480P / 720P / 1080P | 5秒 | 含まない | $0.147 / $0.294 / $0.588 | 専用ページの5秒合計価格 | 専用ページで 2026-11-11 に確認 |
MiniMax-H3 |
768P | 5秒 | 含まない | $0.15 | 専用ページ | 専用ページで 2026-11-11 に確認 |
grok-imagine-video |
480p / 720p | 5秒 | 含まない（入力画像は課金対象外） | $0.25 / $0.35 | 専用ページの1秒あたり価格 × 5 | 専用ページで 2026-11-11 に確認 |
wan2.7-* |
720P / 1080P | 5秒 | 含まない | $0.42 / $0.70 | 専用ページの5秒合計価格 | 専用ページで 2026-11-11 に確認 |
doubao-seedance-2-0-mini-260615 |
720p | 5秒 | 含まない | $0.4508 | 専用ページの価格表 | 専用ページで 2026-11-11 に確認 |
happyhorse-1.1-* |
720P / 1080P | 5秒 | 含まない | $0.63 / $1.12 | 専用ページの5秒合計価格 | 専用ページで 2026-11-11 に確認 |
doubao-seedance-2-0-fast-260128 |
720p | 5秒 | 含まない | $0.7253 | 専用ページの価格表 | 専用ページで 2026-11-11 に確認 |
doubao-seedance-2-0-260128 |
720p | 5秒 | 含まない | $0.9074 | 専用ページの価格表 | 専用ページで 2026-11-11 に確認 |
grok-imagine-video-1.5 |
1080p | 5秒 | 含まない（入力画像は課金対象外） | $1.25 | 専用ページの1秒あたり価格 × 5 | 専用ページで 2026-11-11 に確認 |
doubao-seedance-2-5-260628 |
720p | 5秒 | 含まない | $1.3721 | 専用ページの価格表（面積 × 長さで精算するため、±5%の誤差は正常） | 専用ページで 2026-11-11 に確認 |
同じ720p・5秒・参照動画なし（専用ページ、2026-11-11確認）で比べると、Seedance 2.5 の $1.3721 は wan3.0-video の $0.294 の約4.7倍、mini の $0.4508 の約3.0倍です。この倍率からわかるのは動画の生成コストだけで、字幕の品質が高いかどうかまでは判断できません。なお、専用ページには2.5の価格について料金表と少し食い違うFAQの記述が1か所あります。本記事では料金表の数字を採用しています。
総合表を見るときは、読み違えやすい欄がいくつかあります。Seedance の各欄は、グループ倍率0.18を掛ける前の100万トークンあたりの基準価格です。動画1本あたりのドル価格ではありません。wan3.0-video は総合表に1秒あたりの価格が1欄しかなく、それは480P向けの価格です。すべての解像度に共通する単価ではありません。HappyHorse の総合表の記載は従量課金の基準価格で、1秒あたりの価格ではありません。秒単位で計算するには専用ページを確認してください。価格を照らし合わせるときは、APIYI apiyi.com のモデル一覧と、各モデルの専用ページにある段階別価格を基準にするのがおすすめです。
AI生成動画に字幕を付ける場面別のおすすめ
シーン1：修正や翻訳が必要なAI生成動画の字幕
チュートリアル動画、製品デモ、多言語版が必要なコンテンツがこのタイプです。こうした動画の字幕は、遅かれ早かれ修正が入ります。顧客から誤字を指摘されたり、用語を統一したり、マーケティング向けに英語版が必要になったりするためです。確実な方法は、後工程で文字起こしして字幕を付けることです。動画モデルには、音声付きの完成映像を出力する役割だけを任せます。
このシーンでは、動画モデルは映像への要求と予算で選べば十分で、字幕は選定基準になりません。ただし、生成した映像に不要な字幕が焼き込まれていると、後から付ける字幕が画面上の文字と重なってしまいます。Seedance を使う場合は、プロンプトに字幕なしの制約を入れてください。他のシリーズは、専用ページに字幕機能の記載がなくても、生成後に画面を確認しておきましょう。
シーン2：ショート動画の下部にセリフ字幕だけ欲しく、再生成も許容できる場合
プラットフォームに投稿する縦型ショート動画で、下部にセリフが1行あれば十分、たまに間違えても再生成で対処できる、という場合は、Seedance だけで火山エンジンのテンプレートに沿って字幕を焼き込む方法が使えます。プロンプトには字幕の内容をはっきり書き、音声のテンポと同期するよう指定します。あわせて、使う文字は一般的なものにとどめ、難しい漢字や特殊記号は避けてください。
ただし、これは安定した納品方法ではありません。誤字が出たら、再生成のたびに1本分の生成費用がかかります。そのため、まず mini や fast でプロンプトを調整し、字幕の書き方が安定してから上位のランクを検討しましょう。字幕のためだけに、いきなり 2.5 を選ぶのはおすすめしません。
シーン3：完成映像に字幕を一切入れたくない場合
ブランド動画、二次編集用の素材、後工程で多言語字幕を載せるための素材などは、画面がきれいであることが求められます。Seedance を使う場合は、プロンプトに「字幕なしを維持」「文字や字幕を一切生成しない」と必ず書いてください。さらに、参照画像や参照動画に含まれる文字をあらかじめ取り除き、できるだけ横型で生成します。公式ガイドによると、横型は縦型よりも不要な字幕が出る確率がはっきり低く、縦型の場合は編集でのトリミングで補うことになります。
この3つをすべて守っても、公式の見解は「100%は防げない」です。そのため、生成後には必ず目視で確認してください。クリーンさへの要求が非常に高い案件では、構図の段階でトリミング用の余白を残しておくとよいでしょう。
AI生成動画への字幕付けの判断ガイド
ここまでの内容を1枚の判断表にまとめました。具体的な動画に取りかかるときは、この表と照らし合わせてください。
| 必要なこと | 選ぶルート | 動画モデルの方向性 | やってはいけないこと |
|---|---|---|---|
| 字幕を修正・翻訳したい、タイミングも合わせたい | ルート2：後処理での文字起こし | 映像と予算で選べばOK。音声トラック付きであれば十分 | どの動画モデルにも字幕ファイルの出力を期待すること |
| ショート動画の下部にセリフを表示したい、ガチャのやり直しも許容できる | ルート1：Seedanceでの焼き込み | まず mini / fast でプロンプトを調整する | 字幕の仕上がりのために 2.5 へアップグレードすること |
| 完成動画に字幕を入れたくない | ルート2、またはSeedanceに字幕なしの制約を付ける | 横向きを優先し、参照素材は事前に文字を除去しておく | 制約ワードで100%字幕を消せると信じること |
| 口パクを合わせたい | ルート2＋字幕 | wan2.7-i2v の driving_audio |
HappyHorseの画像から動画生成で口パクを合わせること |
| デフォルトの音声トラックが欲しく、しかも安く済ませたい | ルート2＋字幕 | Oxygen、Wan3.0 480P、Grok 1.5-lite、MiniMax H3 | 低価格帯のモデルは字幕に対応できないと思い込むこと |
2つのルートの違いは、ひとことで言うとこうなります。プロンプトでの焼き込みは「出力した時点で字幕が入っていて、追加の工程が要らない」点が強みです。ただし文字はピクセルに焼き付いているため、修正も翻訳もできず、消したいときもきれいには消せません。一方、後処理での文字起こしは工程が1つ増えるものの、字幕の正確さ、タイミングの同期、多言語展開のしやすさのすべてで上回ります。納品が必要な動画には、こちらが向いています。
テストコストを抑える考え方も見えてきます。15秒以内で720pで足りるなら、まず Seedance mini か Wan3.0 標準版を検討しましょう。デフォルトの音声トラックが欲しく、しかも安く済ませたいなら、Oxygen、Wan3.0 480P、Grok 1.5-lite、MiniMax H3 が候補です。Grok、海螺（Hailuo）、Seedance の間で字幕の出方にどれほど差があるかは、専用ページでは同一テーマでの比較を行っていません。そのため、「どこの字幕が優れているか」を理由にモデルを乗り換える必要はありません。
💡 選び方のヒント：先に字幕の方式を決め、動画モデルは後から選びましょう。APIYI（apiyi.com）なら同じキー1つで、2〜3種類のモデルに同じお題でサンプルを作らせられます。比較するのは映像と音声トラックだけにして、字幕は後処理に統一します。こうすれば、実際にお金がかかる部分だけを比べられます。
推奨の対象外になっているルートが2つあります。APIYIの2026-11-09付の告知によると、Googleは2026-10-22に veo-3.1-generate-preview と veo-3.1-fast-generate-preview を終了しました。これに伴い、APIYIのVEO 3.1公式転送も停止しており、Google系の動画ルートは現在どれも使えません。同じ告知の中で、Sora 2関連のルートもすでに終了していると説明されています。
AI生成動画の字幕に関するよくある質問（FAQ）
Q1：AI生成動画の「使える字幕」とは何ですか？
使える字幕には、次の3つの条件がすべて必要です。文字が正しいこと、タイミングがセリフと合っていること、そして後から文字の修正や翻訳ができることです。動画モデルが生成するのは音声トラックなので、ピクセルに焼き込まれた文字は単独で修正できず、使える字幕には含まれません。
Q2：Grok、Hailuo（海螺）、Wan（万相）に乗り換えれば、字幕をそのまま作ってもらえますか？
いいえ、どれも対応していません。Wan3.0、Wan2.7、HappyHorse、MiniMax H3、Oxygen、Grok Imagine の専用ページには、音声トラックまたは音声駆動の記載があるだけで、字幕パラメータはありません。同じお題で字幕を比較した検証も行われていません。モデルを替えて節約できるのは動画の生成コストであり、字幕は引き続き後工程での文字起こしが必要です。
Q3：Seedance 2.5 は 2.0 より字幕の焼き込みが得意ですか？
そう言える根拠はありません。火山エンジン（Volcano Engine）のプロンプトガイドのタイトルは 2.0 シリーズ向けで、2.5 の字幕機能が異なるという個別の記載はありません。2.5 の強みは、4〜30秒という長さ、より多くの参照画像、mov 出力であり、字幕ではありません。
Q4：モデル一覧に Grok Imagine が見当たりません。未提供なのでしょうか？
そうではありません。Grok Imagine の3モデルは専用ページに価格が掲載されています。2026-11-10 15:40 時点のモデル一覧に、この3行が載っていないだけです。呼び出す前に、APIYI（apiyi.com）のコンソールで `GrokOfficial` グループが有効になっているか確認してください。なお、音声をオフにしても料金は下がりません。
Q5：これらの動画モデルを API で手早く呼び出すには？
APIYI に登録して API キーを取得し（新規ユーザーには無料のテスト枠があります）、各専用ページのエンドポイントに従って呼び出します。
– OpenAI 互換の base_url は `https://api.apiyi.com/v1` で、Oxygen はその配下の `POST /v1/videos` を使います
– Seedance は `/seedance/api/v3/…` を使い、トークンは `SeeDance2` グループを選びます
– Wan3.0 は `/wan/api/v1/services/aigc/video-generation/video-synthesis` に送信し、`X-DashScope-Async: enable` を付けます
– MiniMax H3 は `/hailuo/v2/video_generation` を使います
Seedance と Wan3.0 では、`/v1/videos` をそのまま流用しないでください。
Q6：後工程の文字起こしには何を使えばいいですか？
APIYI の現在のモデル一覧には `whisper-1` も `gpt-transcribe` もないため、文字起こしには別のサービスか編集ソフトを使う必要があります。OpenAI は現在、テキスト出力に `gpt-transcribe` を推奨しています。ただし、ドキュメントにある単語レベルのタイムスタンプの例は今も `whisper-1` を指しており、このモデルの提供終了日は 2027-02-26 です。1ファイルの上限は 25 MB なので、長い動画は先に音声トラックを抽出してから文字起こしすることをおすすめします。
Q7：プロンプトで字幕を焼き込む場合、既知の制限はありますか？
– 字幕がピクセルに焼き込まれるため、文字の修正や翻訳をするには動画全体を生成し直すしかありません
– 字幕を指定しなくても、勝手に字幕が出ることがあります。公式も100%は防げないと説明しています
– 縦長動画のほうが、横長動画より字幕が勝手に出る確率が高くなります。参照素材に文字が含まれているとリスクも増えます
– 難しい漢字や特殊記号は間違いやすいため、なるべく一般的な文字を使ってください
AI生成動画への字幕付けのポイント Key Takeaways
- 音声トラックは字幕ではない：動画モデルが出力するのは完成映像に埋め込まれた音声であり、字幕ファイルではありません
- 焼き込みに言及しているのはSeedanceだけ：火山エンジンのガイドでは、字幕をピクセルに焼き込む方法に対応していますが、字幕ファイルは提供されません
- 字幕の除去は100%にはならない：制約ワードの指定と、参照素材に含まれる文字の除去が必要です。横長（横画面）を優先しましょう
- 他のシリーズには字幕パラメータがない：Wan、HappyHorse、MiniMax H3、Oxygen、Grokの専用ページに書かれているのは音声トラックのみです
- 編集できる字幕は後処理で：完成映像の音声トラックを文字起こしし、映像に焼き込むか、サイドカーファイルとして出力します
- モデルを変えて節約できるのは生成コストだけ：字幕のために2.5へアップグレードするのは避け、まずminiやWan3.0などの低価格帯を検討してください
- 始め方：APIYIなら1つのKeyで複数ランクのサンプル動画を試せます。価格はプラットフォームのモデル一覧を基準にしてください
まとめ
AI生成動画に字幕を付ける方法で押さえておきたいポイントは、次の3つだけです。
- 編集可能な字幕はモデルの直接出力に頼らない：字幕ファイルを出力する動画モデルは1つもありません。編集や翻訳ができる字幕が必要なら、後処理での文字起こしを使いましょう。
- Seedanceの焼き込みはあくまで応急措置：火山エンジンのプロンプトガイドに従えば文字を映像に焼き込めます。やり直し（再生成）を許容できる短尺動画には向いていますが、安定した納品方法ではなく、字幕を消したいときにもきれいには消せません。
- コストを抑えるなら、字幕ではなく生成ランクを変える：同じ720p・5秒・参照動画なしの条件（専用ページを2026-11-11に確認）で比べると、2.5はWan3.0標準版の約4.7倍です。この価格差を払っても、字幕が良くなるわけではありません。
次のステップとして、まず字幕の方針を決めてから動画モデルを選ぶのがおすすめです。APIYI（apiyi.com）の無料テスト枠を使って、mini、Wan3.0、Oxygenなどの低価格帯でサンプル動画を作り、映像と音声トラックを確認してみてください。字幕はすべて後処理にまとめるのが確実です。
📚 参考資料
- 火山引擎『Doubao Seedance 2.0 シリーズ プロンプトガイド』：文字生成と字幕の書き方、字幕なしの制約、意図しない字幕が出た場合の対処について
- リンク：
docs.volcengine.com/docs/ark/seedance-2-0-prompt-guide -
説明： 本文ルート1の字幕テンプレートと「100%は避けられない」という表現は、このガイドに基づいています（2026-11-11 閲覧）
-
OpenAI 音声テキスト変換ガイド：
gpt-transcribe文字起こしインターフェースとタイムスタンプのパラメータについて - リンク：
platform.openai.com/docs/guides/speech-to-text -
説明： 後処理による文字起こし方式のインターフェース、ファイルサイズの上限、廃止モデルの提供終了日について（2026-11-11 閲覧）
-
APIYI ドキュメントセンター · 動画モデル専用ページ：Seedance、Wan3.0、Wan2.7、HappyHorse、MiniMax H3、Oxygen、Grok Imagine のパラメータと段階別価格
- リンク：
docs.apiyi.com/api-capabilities/ - 説明： モデル名、エンドポイント、グループ、5秒あたりのドキュメント価格の出典です。VEO 3.1 の提供終了のお知らせは、同サイトの
/live/2026-11/veo-3-1-official-offlineに掲載されています
著者: APIYI 技術チーム
技術交流: APIYI のウェブサイトトップページからお気軽にお問い合わせください。モデルのパラメータや呼び出し方法の詳細は、ドキュメントセンター docs.apiyi.com をご覧ください
