Step-Video（ステップビデオ）
Tencent傘下のStep Function AIが2025年2月に公開した30Bパラメータの大規模テキスト動画生成モデル。リリース当時最大のオープンウェイト動画生成モデルとして、高解像度・長尺動画生成能力を示した。
Step-Video — Tencent製30Bパラメータ大規模動画生成モデル
Step-VideoはTencent傘下のStep Function AIが2025年2月に公開した動画生成モデルで、リリース当時最大の30Bパラメータというスケールで業界の注目を集めた。3D DiT（3D Diffusion Transformer）アーキテクチャにより、時間的一貫性と動きの品質で高い評価を得ている。
基本スペック
| 項目 | 仕様 |
|---|---|
| 開発元 | Step Function AI（Tencent傘下） |
| リリース | 2025年2月 |
| パラメータ数 | 30B |
| ライセンス | Step Video Research License |
| 最大フレーム数 | 204フレーム |
| 最大時間 | 約8.5秒（24fps時） |
| 解像度 | 最大544×992 px |
3D DiTアーキテクチャ
従来の動画生成モデルの多くは空間と時間のアテンションを分離して計算するが、Step-Videoの3D DiTは空間・時間を統合した完全な3次元アテンションを採用する。これにより:
- フレーム間の動きの一貫性が向上
- 複雑なカメラ動作（パン+ズーム同時）の表現が改善
- 長尺動画での前後フレームの整合性維持
バイリンガルテキストエンコーダー
Step-Videoは中国語と英語のバイリンガルに対応したテキストエンコーダーを内蔵しており、中文・英文混在プロンプトの解釈精度が高い。これはTencent製品の主要市場を反映した設計だ。
必要ハードウェア
| 構成 | 最低VRAM | 推奨環境 |
|---|---|---|
| FP16フル精度 | 60GB以上 | H100 80GB |
| INT8量子化 | 24GB | RTX 4090 |
| INT4量子化 | 12GB | RTX 3080 12GB |
一般ユーザーはAPIサービス経由での利用が現実的。
品質評価（VBench、2025年2月時点）
| 評価軸 | Step-Video | HunyuanVideo | Wan 2.1 |
|---|---|---|---|
| Subject Consistency | 95.7% | 96.4% | 95.2% |
| Motion Smoothness | 98.2% | 98.0% | 97.8% |
| Aesthetic Quality | 65.3% | 61.5% | 63.2% |
HunyuanVideoとの比較
Tencentは2つのオープン動画生成モデルを持つ:
- HunyuanVideo: Tencent Hunyuanチーム開発、1280×720p解像度対応
- Step-Video: Step Function AIチーム開発、30Bの大規模パラメータ・バイリンガル強み
両者は独立して開発されており、アーキテクチャも異なる。
よくある質問
Q: Step-VideoとHunyuanVideoの違いは？ A: Step-Videoが30Bと大規模でバイリンガル対応が強み。HunyuanVideoは1280×720p解像度対応と解像度面で優位。
Q: 研究以外の商用利用は可能か？ A: Step Video Research Licenseのため、商用利用には別途ライセンス取得が必要。研究・非商用目的は無償。
Q: ローカル実行のGPU要件は？ A: FP16フル精度では60GB以上のVRAMが必要。INT4量子化でRTX 3080（12GB）での動作が可能。
まとめ
Step-Videoは「規模」を武器にした動画生成モデルだ。30Bパラメータによる高品質生成と、バイリンガル対応によるアジア市場での実用性が強み。ローカル実行にはハイエンドハードウェアを要するため、API経由での利用が主流となる。