AI 動画生成は実際どのくらい失敗するのか — 498 件の実行で見たベンダー障害と審査拒否

データ期間：2026-05-06 から 2026-08-22 · 最終更新：2026-08-23

結論から

2026 年 5 月 6 日から 8 月 22 日にかけて、マルチモデルのプラットフォーム上で走った 498 件の動画生成では、6 モデルのうち 4 つでベンダー側の失敗はまれで、 0% から 1.4% の間に収まりました。ひどかった供給経路が 2 本あり、 1 本は 36.2%、もう 1 本はこの表の外にある画像モデルの経路で 17.0%（53 件中 9 件）です。 コンテンツ審査による拒否はモデルによって 0% から 26.0% まで幅があり、 47 件の拒否のうち 31 件が参照画像に実在の人物の顔があると名指ししていました。 以下のすべての比率には 95% 信頼区間が付いており、 各失敗の分類に使った規則も全文公開しています。

2 種類の失敗

カットを撮り直させる出来事は 3 種類ありますが、 ログで数えられる痕跡が残るのはそのうち 2 つだけです。

1. 生成が壊れました。タイムアウト、ベンダーのエラー、キューの失敗です。 何も返ってきません。
2. コンテンツ審査が拒否しました。モデルは正常に動き、そのコンテンツポリシーが要求を断りました。
3. 完走しましたが、望んだものではありませんでした。技術的には成功で、採用されたカットと記録上まったく区別がつきません。

この記事が測るのは最初の 2 つです。3 つめは対象外であり、 ログからは測れません。捨てられた生成と採用された生成を分けるものが何もないからです。 使えるカット 1 本に何回かかるかという公開された見積もりは存在しますが、 それらは例示のための仮定か単一作品の事例であって統制された測定ではないため、 ここでは 3 つめの割合を一切推計していません。

2 つは原因が違います。壊れるのは供給経路から来るもので、 拒否はコンテンツポリシーが提出物と出会った結果です。

データ

この期間に有効な実行が 30 件を超えた動画モデルは 6 つでした。 画像モデルは完全に除外しています。混ぜてしまうと、 動画についての問いに別のものについてのデータで答えることになるからです。 以前の記事が画像モデルを扱っています。同じログの、より広いが境界の詰め方は粗い切り口です。

ByteDance は "Pro" という階層を公表していません。 再販業者が標準の Seedance 2.0 エンドポイントにその呼び名を使っているだけで、 上の行が測っているのはそのエンドポイントです。

括弧内は 95% Wilson 信頼区間です。ここから、点推定だけでは支えられない読み方が 2 つ出てきます。

各失敗をどう分類したか

出どころはプラットフォームの生成ログで、2026-05-06 から 2026-08-22 まで（両端を含む）に 作成された動画種別の行に絞っています。各行はちょうど 1 つの分類に割り当て、 照合の順序は次のとおりです。

ok       : status = 'completed'

refused  : error_message ~* '(may contain real person|inappropriate
           content|celebrity|involving minors|copyright restrict|
           watermark|AUDIO_FILTERED|content security audit)'

ourside  : error_message ~* '(Insufficient corporate funds|balance is
           insufficient|validation failed|only supports|Invalid
           parameters|Parameter validation|input.prompt: size|Error
           validating image|style reference must be|iw )'

broke    : every other failed row

ourside の分類は分母から外しています。 これらの失敗が測っているのはモデルではなく私たちの連携だからです。 上流のアカウント層の問題と、私たち自身のコードが壊した要求です。 除外した件数はモデルごとに上の表に載せてあり、この補正が合計の中で見えたままになります。 なぜこれが重要かは Seedance 2.0 Mini が示しています。 82 件の生の失敗のうち 32 件を除外しており、補正しなければ失敗率 39% と読めますが、 補正後は有効な 50 件に対して 0% です。

出力側の音声フィルタ（AUDIO_FILTERED、content security audit）は refused に入れています。ユーザーの体感が他のポリシー遮断と変わらないからです。 47 件の拒否のうち 15 件がこれに当たります。

見出しの数字を 1 つ動かす境界判断があります。Operation failed. Please retry. や An error occurred. のような 汎用の上流メッセージには帰属情報がありません。これらは除外せず broke に数えています。 その規則では Grok Imagine は 36.2%、これらのメッセージを別扱いにすれば 16.1% と読めます。 高いほうを報告しているのは、測定対象がベンダーである以上、 説明のつかない失敗を自分たちではなくベンダーに帰属させるのが保守的な選択だからです。

拒否を引き起こすもの

この期間、全動画モデル合わせて 47 件の生成が拒否されました。 42 件は表の 6 モデル、残り 5 件は 30 件の基準に届かなかったモデルで起きています。 ベンダーが返したメッセージ別に並べると次のとおりです。

• 31 件 · 参照画像に実在の人物。返り値は "The request failed because the input image may contain real person." です。
• 11 件 · 著作権または音声の権利。生成された、あるいは参照された音声に対するコンテンツ安全審査です。
• 4 件 · 音声のフィルタ。ネイティブに音を生成するモデルで起きています。
• 1 件 · 露骨または性的な暗示のある素材。

拒否全体の 3 分の 2 が 1 つの原因から来ています。 フィルタが読んでいるのは参照画像であってプロンプトではありません。 だからこそ言い換えはめったに効かず、 実在の人物の写真を生成キャラクターに差し替えるとたいてい効きます。

ログには、その実行が参照画像を伴っていたかどうかの記録がありません。 そのため表には、各比率の背後にある作業内容を示す列がありません。 代わりになる測定が 1 つあります。この期間の Grok Imagine の実行 145 件は、 画像パラメータもキャラクター紐付けも 1 件も伴っていませんでした。 つまりその拒否率 0% は、フィルタが緩いことではなくテキストのみの使い方を反映しています。 実在の人物に関する拒否 31 件はすべて Seedance 系に落ちており、 20 件が Seedance 2.0、11 件が Seedance 2.0 Fast です。

2 つの外れ値は私たちのルーティング

Grok Imagine の 36.2% が測っているのは供給経路であって、モデルではありません。 このプラットフォーム上のすべての生成はそうした経路を通ってモデルに届き、 ベンダー側の失敗が測っているのはまさにその経路です。 タイムアウト、上流のエラー、中間業者側の容量の問題ですね。 同じモデルを別の方法でルーティングするプラットフォームなら、別の数字が出ます。

このデータで 2 番目に失敗の多い経路（表の外にある画像モデル）も同じことです。 この 2 つの数字こそが、それらの経路を見直すきっかけになりました。 これらはインフラの節に属するもので、モデルの品質についての証拠として読むべきではありません。

拒否率のほうが遠くまで通用しますが、1 つ条件が付きます。 この 31 件のようにモデル提供側自身のエラー文字列を伴う拒否は、 その提供側のポリシーを反映しており、同じエンドポイントへの他の経路でも再現するはずです。 中間業者はさらに厳しい独自のフィルタを重ねられます。 たとえば RunningHub はモデルを問わずプラットフォーム層で実在人物のブロックを課しています。 これらの比率は下限として扱ってください。

このデータが語らないこと

• 測っているのは拒否と破損であって、品質ではありません。完走したが見た目がおかしい生成もここでは成功に数えられ、 実務上はその分類こそが撮り直しの最大の発生源である可能性が高いです。
• サンプル数は小さく、揃ってもいません。基準を超えたのは 6 モデル、148 件の実行と 35 件は同じ証拠の重さではありません。 すべてのセルに区間を付けているのはそのためです。
• 拒否率は、私たちのユーザーが何を提出したかを反映します。別の素材で作業する利用者層なら、同じモデルでも違う比率が出ます。
• 拒否率は作業内容に交絡しています。各モデルで実在の人物の参照画像を伴った実行が何件あったかは、表に出ていません。 あるモデルが他より多く写真のアップロードを受け取れば、 ポリシーの厳しさと無関係に拒否を多く引き継ぎます。
• 期間中に供給経路が変わりました。ベンダー側の失敗率はある時点の測定値であり、 上に出た高い 2 つの数字は、まさに変更の引き金になったものです。
• コンテンツフィルタは予告なく動きます。モデル提供側はしきい値を継続的に調整し、告知はめったにしないため、拒否率は流れます。