2026年11月12日、百度(Baidu)は「Baidu World 2026」の開幕式にて、人物のクローズアップ表現に特化した動画生成モデル「ERNIE-Wizshot-ME(文心一鏡微表情大模型)」を紹介した。Baidu Cloud 千帆(Qianfan)の製品ページおよびAPIリファレンス(ドキュメント更新日:11月11日)に仕様と料金が掲載されている。
汎用的なテキスト動画生成モデルとは異なり、ERNIE-Wizshot-MEは「人物ポートレート画像+テキスト指示+音声トラック」のマルチモーダル入力で静止画の人物を自然に発話させる設計となっている。眉の動きや口元の変化、視線移動といった微表情の再現に重点を置いており、ポッドキャストの切り抜き、ショートドラマのアップ、語り動画などの用途を想定している。
APIの呼び出し手順:非同期2ステップ処理
千帆APIリファレンスによると、動画生成処理は同期レスポンスではなく、以下の非同期2ステップフローで実行される。
ステップ1:生成タスクの作成(POST 動画生成タスク作成):人物画像、テキスト指示、音声データをPOSTリクエストで送信する。リクエストが受理されると、一意のタスクID(task_id)が返される。
ステップ2:処理状況のポーリング照会(GET 動画生成タスク照会):取得したtask_idを指定してGET照会エンドポイントを定期的にポーリングし、完了ステータスになったら1080pの生成動画を取得する。あわせてタスク一覧取得(GET)およびキャンセル(DEL)用エンドポイントも用意されている。

料金体系とクォータ制限(確認済みの境界)
出力解像度・動画尺と秒単位課金:製品ページによると、出力解像度は1080p固定、動画尺は4秒〜15秒(4s〜15s)に対応する。定価は生成動画1秒あたり0.7人民元(例:5秒の動画で約3.5元、15秒で約10.5元)。
デフォルトの同時実行数・待機キュー上限は各1:千帆の「モデルサービス課金」ドキュメントによると、ERNIE-Wizshot-MEのデフォルト同時実行数および待機キュー上限はいずれも1に設定されている。通常アカウントでは同時に1タスク実行・1タスク待機までとなるため、大量並列処理を行う場合は事前のクォータ引き上げ申請が必要となる。
対象外事項および未検証点:汎用テキスト対話LLMではなく、15秒を超える長尺動画の生成にも対応していない。パラメータ数や香港企業向けの香港ドル建て料金ルールは非公開であり、リップシンク精度や実際の待機時間については当サイトで未検証。
