なぜ脚本から動画を作るのか：変化と現実的な期待値
短尺動画の需要は、SNS、EC、広告、社内研修、採用、教育など、ほぼすべての領域で増え続けている。ところが制作現場の工数は、人の手と時間に縛られたままだ。脚本なら数十分で書けるのに、それを映像にするには、撮影の段取り、出演者の調整、ロケハン、撮り直し、編集、音声処理、字幕づくりと工程が積み上がる。この「テキストは速い、映像は遅い」という非対称性こそが、多くのチームが抱えるボトルネックである。
テキスト・トゥ・ビデオは、この非対称性を縮める技術だ。脚本や企画メモ、商品情報、ナレーション原稿を入力し、ショット単位の映像を生成して組み立てる。魔法のようにすべてが自動化されるわけではないが、企画から初稿映像までの時間は大きく短縮できる。結果として、テスト本数の増加、表現の幅の拡大、フィードバックの高速化が現実的になる。
向いているケースと向いていないケース
向いているのは、コンセプトの検証、絵コンテやプリビズの代替、撮影が難しい場所や情景の再現、多言語・多バリエーション展開、抽象的な概念の可視化である。短い尺で、動きと雰囲気が主役の映像ほど相性がいい。
一方で、顔のアップで繊細な感情を演じさせる芝居、細かい手指の操作、正確な商品ロゴや型番の表示、法務や医療のように誤りが許されない表現は、現状では人間の撮影やCGのほうが安全で速いことが多い。AI動画は「すべてを置き換える」ものではなく、「撮影すべき部分と生成すべき部分を切り分ける」ものとして捉えると成果が出やすい。
期待値を合わせる3つの問い
制作に入る前に、次の3つを確認しておきたい。第一に、この動画の目的は認知か、理解か、行動喚起か。第二に、視聴者はどこで見るのか。縦型フィードか、横型の埋め込みか、商談のプレゼンか。第三に、許容できる誤差はどこまでか。この3問の答えが、尺、カット数、プロンプトの粒度、確認工程の重さを決める。
とくに3つ目は重要だ。ニュース性の高い投稿なら多少の不自然さは許容されるが、製品の説明映像では1フレームの違和感が信頼を損なう。目的と許容誤差を先に決めておけば、どこで人間が介入すべきかが明確になる。
全体像：脚本から動画完成までの6ステップ
工程を分解すると、次の6つになる。1つ目は目的と尺の確定。2つ目は脚本のショットリスト化。3つ目はショットごとのプロンプト設計。4つ目は生成・選別・再生成のループ。5つ目はキャラクター、世界観、色調の一貫性管理。6つ目は編集、音声、字幕、書き出しである。
なぜ生成より前に決めることが多いのか
生成は計算資源を使い、待ち時間も発生する。目的があいまいなまま回すと、作った映像が使えず、同じ説明を何度も繰り返すことになる。逆に、ショットリストとプロンプトの型が固まっていれば、生成は機械的な作業に近づき、判断は選別だけに集中できる。
所要時間の目安
30秒の縦型動画を6〜10カットで作る場合、企画と分解に40〜60分、プロンプト設計に30〜45分、生成と選別に60〜90分、編集と仕上げに60〜90分が目安になる。慣れてくると生成と選別は半分以下になり、テンプレート化したプロンプト資産が効いてくる。最初の1本は時間がかかって当然だと割り切り、2本目以降で短縮することを狙う。
手戻りを減らす順番
よくある失敗は、いきなり生成を始めてしまうことだ。先に「誰が、どこで、何をして、どう終わるか」を1行で書き、その後にカットへ割る。順番を守るだけで手戻りは激減する。
ステップ1〜2：目的・尺の確定とショットリスト分解
目的から逆算して尺を決める
尺は好みで決めるものではない。認知目的なら最初の3秒で関心をつかむ必要があり、15〜30秒が扱いやすい。理解目的なら30〜90秒、行動喚起なら15秒前後に絞ったほうが強い。長いストーリーを見せたい場合でも、フィードでは最初の数秒が勝負になる。
1カット＝1アクションの原則
1つのショットに複数の出来事を詰め込むと、生成側がどれを優先すべきか判断できず、結果が破綻しやすい。「歩きながらスマホを見て、振り返って笑う」は3つのアクションである。これを「歩く」「立ち止まって画面を見る」「振り返って笑う」の3カットに分けるほうが、歩容も表情も安定する。カットが増えること自体は問題ではない。むしろ編集でテンポを作れる。
カット割りの実践テンプレート
導入は0〜3秒。つかみとして人物か物体のアップ、あるいは動きの予感を置く。状況提示は3〜8秒で、場所と関係性が分かるミディアムショット。展開は8〜20秒で、変化や対比、問題の提示。山場は20〜25秒で最も動きのあるショット。締めは25〜30秒で、余韻か行動喚起を置く。この型に当てはめてから、不要なカットを削る。
セリフ・ナレーション・テロップを分ける
脚本を分解するとき、セリフ、ナレーション、テロップ、効果音の指示を別の行に切り出す。映像生成に渡す情報と、編集で載せる情報を混ぜないことが重要だ。混ざると、字幕が映像に焼き込まれてしまい、後から修正できなくなる。
ステップ3：プロンプト設計の実践テクニック
4要素＋1のテンプレート
プロンプトは、被写体、動作、カメラ、光と雰囲気の4要素に、スタイル指定を1つ加える形が扱いやすい。たとえば「30代の女性がカフェでノートPCを開く。ゆっくり手前に寄るカメラ。朝の窓光、柔らかい影、浅い被写界深度。落ち着いた色調、シネマティック、35mm相当の画角」という具合である。
動きの書き方
動きは副詞ではなく動詞で書く。「自然に」「いい感じに」は解釈がぶれる。「歩く」「振り返る」「手を伸ばす」「ページをめくる」のように、観察できる動作を指定する。カメラの動きも同様で、「寄る」「引く」「横に流れる」「固定」と明示する。1ショットにつき主要な動きは1つに絞る。
一貫性のための語彙リスト
シリーズものや連作を作るなら、色調、レンズ、照明、衣装、背景の語彙を決めて、全ショットで同じ表現を使い回す。たとえば「寒色寄りの照明」「50mm相当」「ネイビーとベージュの配色」など。毎回言い換えると、映像のトーンがばらつく。プロジェクトごとに語彙リストを作り、テンプレートとして保存しておくとよい。
否定形より肯定形
「背景をぼやけさせない」と書くより、「背景は浅くぼかし、被写体にピント」と書くほうが意図が伝わりやすい。避けたい要素はあっても、まず実現したい状態を具体的に描写する。
ステップ4：生成・選別・再生成のループ運用
1回で決めない設計
同じプロンプトでも結果は毎回異なる。したがって、1回の生成で完璧を狙うより、複数案を出して選ぶ前提で組む。生成は探索、選別は判断、再生成は調整と役割を分けると迷いが減る。
選別の基準を先に決める
選別では、構図、動きの自然さ、光の整合、一貫性、尺の余裕の5点を見る。判断基準を箇条書きにしてから見ると、好みで選んでしまう癖を避けられる。迷った案は採用せず、上位2案を比較して劣るほうを捨てる。
再生成では1項目だけ変える
結果が良くないとき、プロンプトを丸ごと書き換えると何が効いたのか分からなくなる。動き、カメラ、光、スタイルのうち1つだけを変えて再生成する。これを繰り返すと、自分のプロジェクトにおける効く言葉が蓄積される。
生成回数の上限を決める
無限に回すと時間が溶ける。1ショットあたりの試行回数を決めておき、超えたら別案に切り替えるか、そのショットの設計自体を見直す。多くの場合、うまくいかない原因はプロンプトではなくカット割りにある。
ステップ5：一貫性を守るための管理術
参照画像を使う
同じ人物や同じ場所を複数カットに登場させるなら、参照画像を用意するのが最も確実だ。正面、斜め、横の3方向があると安定しやすい。参照があるだけで、髪型、服装、背景のディテールが揃う。
プロジェクト単位で情報を固定する
人物の設定、小物、配色、時間帯、天候を1枚のメモにまとめ、すべてのプロンプトに同じ表現で埋め込む。口頭や記憶で管理すると、カットごとに微妙に設定が揺れる。
編集でのリカバリー
どうしても揃わない場合は、編集で解決する。色調補正で全カットのトーンを揃え、必要ならクロップで構図を合わせる。アップとインサートを挟めば、観客は連続性の違和感を感じにくくなる。完璧な一貫性より、視聴体験として破綻しないことが優先される。
ステップ6：編集・音声・字幕で仕上げる
つなぎの設計
生成したカットは、そのまま並べるだけでは単調になる。テンポの速い箇所は0.5〜1秒で切り、見せたい箇所は長めに残す。動作の途中で切って次のカットへつなぐと、流れが自然になる。
音声とBGM
音は映像の説得力を左右する。ナレーションは文を短くし、1文を1カットに対応させると編集しやすい。BGMは動画の前半でテンポを、後半で厚みを意識して選ぶ。効果音は、シーンの変わり目や動作の強調に絞って使うと効果的だ。
字幕とモバイル最適化
音を出せない環境で見られることを前提に、字幕は必須と考えたほうがよい。1行の文字数を抑え、画面下の安全領域に収める。縦型なら上下にUIが重なるため、重要な要素は中央に置く。
書き出しと確認
書き出し設定は配信先に合わせる。縦型、横型、正方形の3種類を用意しておくと、再利用が効く。書き出し後に必ず音声と字幕のタイミングを確認する。
ツール選定の判断基準と組み合わせ例
4つの軸で比べる
ツールは、品質、速度、扱いやすさ、権利と利用条件の4軸で比べる。品質は解像度や動きの自然さ、速度は生成時間と待ち行列、扱いやすさは画面の操作性と外部連携の有無、権利は商用利用の可否や学習データの扱いである。4軸すべてで最高のツールは存在しないため、目的に応じて重みを変える。
役割を分けて組み合わせる
1つのツールで全部をこなす必要はない。構成案や絵コンテはテキスト生成で作り、映像生成は動きに強いもの、音声は読み上げに強いもの、編集はタイムライン編集ソフト、と役割を分けると安定する。テキストから動画へ一気に進める機能は、初稿づくりやバリエーション展開に向く。
自前運用とマネージドの選択
GPU環境を自前で持つと自由度は高いが、保守と電力の負担が大きい。クラウド型のサービスは、待ち時間と従量の考え方を許容できるなら、試行錯誤の速度で優る。チームで使うなら、権限管理、履歴、素材の保存先まで含めて検討したい。
無料枠と有料枠の使い分け
まず無料枠で操作感と出力の傾向を確かめ、方向性が見えたら有料の枠に移る。いきなり大きな契約をするより、1本作ってみてから判断するほうが失敗が少ない。
よくある失敗と対処法
動きが破綻する
人物が滑る、手足が増える、背景が溶けるといった崩れは、動きの指定が多すぎることが原因になりやすい。カットを分け、動きを1つに絞る。歩行などは歩幅や速度を言葉で補足すると安定する。
手指・文字・視線の崩れ
手指や文字は生成が苦手な領域だ。手を使う動作は引きの構図にする、文字は映像に焼き込まず編集で載せる、視線は相手の位置を明示する、といった回避策が有効である。
尺が余る、足りない
尺が足りないときは、インサートカットやディテールショットを足す。余るときは、導入を短くし、同じ動作の別テイクを切らずに残す。テンポは編集で作れるが、素材がないと作れない。
トーンがばらつく
カットごとに雰囲気が違う場合は、色調と照明の語彙を統一し、編集で全体をならす。スタイル指定を複数混ぜると衝突するため、1本の動画につきスタイルは1つに絞る。
権利と公開前チェック
公開前に、素材の利用条件、肖像に近い表現、商標やロゴの映り込み、音楽の権利を確認する。AI生成物の扱いは地域や配信先で条件が異なるため、社内ルールを一文で決めておくと迷わない。
FAQ：よく聞かれる疑問
初心者はどこから始めるべきか
15秒、3カットの短い動画から始めるのがよい。導入、展開、締めの3つだけを決め、1カットにつき1つの動作を書く。これで工程全体を一度体験できる。
脚本はそのまま入力すればよいのか
そのままでは長すぎることが多い。ショット単位に分割し、各ショットに被写体、動作、カメラ、光を補ってから入力する。脚本は設計図、プロンプトは施工指示だと考えると分かりやすい。
どのくらいの精度を期待すべきか
初稿として使える映像が数案のうち1〜2案出れば上出来だと考えておくと、精神的な負担が減る。完璧な1本を狙うより、使える素材を集めて編集で組むほうが現実的である。
商用利用で気をつけることは
利用条件、生成物の権利、学習データの扱い、第三者素材の混入を確認する。判断に迷う場合は、人間が撮影した素材と組み合わせ、AI生成部分を背景や情景に限定する方法もある。
チームで運用するコツは
プロンプトのテンプレート、語彙リスト、命名規則、レビュー基準を共有すること。属人的なノウハウを文章にして残すと、品質が安定する。
まとめ：小さく始めて、型を作る
脚本から動画を作る作業は、才能ではなく工程である。目的と尺を決め、1カット1アクションで分解し、4要素のプロンプトを書き、複数案から選び、編集で仕上げる。この流れを一度通せば、次はどこを短縮すべきかが見えてくる。最初の1本に時間をかけ、型を資産として残すことが、結果的にいちばん速い道になる。
