DiT (拡散トランスフォーマー)
読み: でぃーてぃー
最終更新: 2026-07-06・AI PICKS編集部
定義
DiT（拡散トランスフォーマー）とは、画像・動画生成モデルの内部構造でU-Netの代わりにTransformerを用いる拡散モデルのアーキテクチャのこと。
DiT (拡散トランスフォーマー)とは — 詳しく解説
DiTは拡散モデルのノイズ除去処理をTransformerで行う設計で、OpenAIのSoraやStable Diffusion 3系列など高品質な動画・画像生成モデルの基盤として広く採用されているとされる。従来のU-Net型拡散モデルと比べて大規模データとの相性がよく、スケール則に従って性能が伸びやすい点が特徴とされる。一方で2026年時点の実運用では、学習・推論に必要な計算コストがU-Net型より高くなりやすく、長尺・高解像度の動画生成では推論時間とGPUコストが跳ね上がりやすい点が現場での課題として挙げられる。API経由でDiTベースのモデルを使う場合は生成秒数やレンダリング枚数に応じた従量課金が一般的で、相場感としては短尺プレビューは安価でも本番品質の書き出しになるとコストが急増しやすい。ツール選定の現場では、アーキテクチャの新旧よりも実際の生成物の一貫性・制御性・料金体系を比較して選ぶのが現実的とされる。
DiT (拡散トランスフォーマー)の使用例
- SoraやRunway Gen-3など、DiTベースの動画生成モデルで数十秒のクリップを生成する用途で使われる。
- 「DiTベースのモデルは高解像度になるほど推論コストが上がる」といった技術解説の文脈で登場する用語。
DiT (拡散トランスフォーマー)に関連するAIツール
関連用語
「動画生成」の他の用語
OpenAI の動画生成 AI。 ChatGPT Pro で利用可能、 最大 20 秒の高品質動画を生成。
プロ向け AI 動画編集・生成スイート。 Gen-3 / Gen-4 で 映画品質の動画を生成。
VeoとはGoogle DeepMindが開発した動画生成AIモデルのこと。テキストプロンプトや静止画から高精細な動画を生成でき、物理的整合性と映像の時間的一貫性においてSoraと並ぶ業界最高水準を誇る。
Kling（可灵）とは、中国の快手（Kuaishou）が開発したAI動画生成モデルのこと。テキストや画像から最大2分・1080pの高品質動画を生成でき、SoraやRunwayと並ぶ有力な動画生成AIとして世界的に注目されている。
PikaとはテキストプロンプトやAI画像を入力するだけで3〜10秒の高品質な短尺動画クリップを自動生成できるAI動画生成プラットフォームのこと。
Luma Dream Machineとは、Luma AIが提供するテキストや画像から高品質な動画クリップを自動生成できるAIビデオ生成ツールのこと。物理的にリアルな映像と滑らかなカメラワークを特徴とする。
AI用語辞典をすべて見てみませんか
12カテゴリ・402語以上を体系的に整理しています
辞典トップへ