生成単体から統合設計へ：いま映像制作で問われていること
映像制作の前提は、ここ数年で根本から変わった。テキストからショットを生成する技術は実用水準に達し、リアリズム、モーションの自然さ、プロンプトへの忠実度が評価軸として定着している。音楽生成も同じ段階に入り、ジャンル、テンポ、楽器編成、ムードを言葉で指定すれば、数十秒から数分の楽曲がそのまま書き出せる。素材をゼロから描く工程は、確実に人間の手から離れつつある。
ところが現場の課題は、別の場所へ移った。素材は簡単に手に入るのに、それを一本の作品として束ねる作業が、以前より難しくなっているのだ。クリップは単体では美しいのに、つなぐと人物の顔が変わり、服の色が変わり、ライティングの方向が逆転する。音楽は単体ではかっこいいのに、カットのタイミングとビートがずれ、ナレーションが音楽に埋もれる。つまりボトルネックは生成ではなく、生成物を束ねる設計にある。
この記事では、AI動画生成とAI音楽生成を掛け合わせ、企画から公開まで一本の映像に仕上げるワークフローを工程順に整理する。特定のサービスに依存しない形で、モデルの選び方、プロンプトの組み立て方、ショット間の一貫性の保ち方、音と映像の同期、編集と書き出し、そしてよくある失敗の回避策までを扱う。読み終えたとき、手元のツールで今日から回せるパイプラインの全体像が頭に入っている状態を目指したい。
8工程のパイプライン：全体像を先に固定する
いきなり生成を始めると、ほぼ確実に手戻りする。先に工程を固定してしまおう。尺が15秒のSNS広告でも、3分のブランドフィルムでも、基本的に同じ順序で回せる。
- 目的と配信先の定義：誰に、どこで、何を伝えるか。縦型か横型か、音量環境はどうか、視聴完了率を狙うのか認知を狙うのかを最初に決める。
- 脚本と絵コンテ：カット数、尺、テンポ、ナレーションの有無を確定させる。ここで決めたカット数が、そのまま生成すべきショット数になる。
- ルック開発：参照画像やスタイルフレームを作り、色調、ライティング、質感の基準を一枚に固定する。
- ショットリストとプロンプト設計：各カットを被写体、動作、カメラ、ライティング、色、質感の要素に分解して文章化する。
- 映像生成：まず低解像度・短尺でテストし、合格したプロンプトだけを本番生成にかける。
- 音楽・効果音・ナレーションの生成：映像のテンポに合わせてテンポと構成を決め、必要な音を揃える。
- 編集と同期：カットを組み、ビートに合わせて切れ目を調整し、音声を整える。
- 仕上げと展開：カラー調整、アップスケール、書き出し、縦横の派生版作成。
この8工程のうち、もっとも時間を食うのは5番ではなく4番だ。プロンプト設計が雑だと、生成を何十回繰り返しても使えるショットは出てこない。逆に4番が丁寧なら、生成は数回の試行で決まる。制作時間の配分を考えるときは、生成よりも設計と編集に厚みを持たせる意識が効く。
工程1〜2：企画・脚本・絵コンテで失敗の大半が決まる
尺から逆算してカット数を決める
初心者がやりがちなのは、かっこいいショットをたくさん作ってから構成を考える順序だ。これは編集段階で必ず破綻する。先に尺を決め、1カットあたりの平均秒数からカット数を割り出す。目安として、テンポの速いSNS動画は1カット1.5〜2.5秒、落ち着いたブランド映像は3〜5秒、解説系は4〜6秒で考えると、視聴者がストレスを感じにくい。
たとえば30秒の縦型動画で、冒頭3秒のフック、中盤18秒の本編、最後9秒のオファーという構成なら、フック2カット、本編6カット、オファー2カットで合計10カット程度になる。この10という数字が、そのまま生成すべきショット数の上限になる。上限を決めておくと、無限に作り続ける沼にはまらない。
絵コンテに書き込むべき5項目
絵コンテは絵のうまさを競うものではない。重要なのは、各カットに次の情報が書き込まれていることだ。
- 画面内の被写体とその動作（誰が、何を、どの方向へ動くか）
- カメラの位置と動き（固定、パン、ドリー、手持ち風）
- ライティングの方針（逆光、ソフトなキーライト、夜のネオン）
- 尺とカットのつながり（マッチカット、ジャンプカット、フェード）
- そのカットで伝えたい一文
この5項目が埋まっていれば、あとは文章に変換するだけでプロンプトになる。逆にここが空欄のまま生成を始めると、出てきた映像を見てなんとなく違うと感じ続けることになる。
キャラクターシートを先に作る
人物が複数カットに登場する企画では、生成前にキャラクターの設定を固めておく。年齢感、髪型、髪色、服装、体型、アクセサリー、表情の傾向を箇条書きにしたものをキャラクターシートと呼び、全カットのプロンプトに同じ表現で埋め込む。表記ゆれをなくすことが、一貫性の第一歩になる。
工程3〜4：ルック開発とプロンプト設計を構造化する
ルック開発で作品の基準を一枚に固定する
ルック開発とは、映像全体の見た目の基準を決める作業だ。参照画像を1〜3枚用意し、色温度、コントラスト、彩度、粒子感、被写界深度の傾向を、画像と言葉の両方で定義する。たとえば朝の柔らかい光が差し込む室内、少し色褪せたフィルム調、浅い被写界深度、粒子は弱め、といった具合だ。
ここで意識したいポイントは3つある。第一に、光源の方向を決めること。キーライトが左から来るのか右から来るのかを統一するだけで、つながりの印象が大きく変わる。第二に、色数を絞ること。主要な色を2〜3色にまとめ、補色を一点だけ差し色に使うと画面が締まる。第三に、質感を言語化すること。光沢、マット、ざらつき、フィルムグレインといった語彙を持っておくと、プロンプトが安定する。
ルックが決まっていない状態で生成を進めると、完成した10カットが10人分の作品のように見えてしまう。逆にここに1時間かけると、後の工程が驚くほど楽になる。
プロンプトを6つのブロックで書く
プロンプトは思いつきで書かず、ブロックに分けて組み立てる。実務で使いやすいのは次の6ブロックだ。
- 被写体：誰が、何が、どんな状態で存在するか
- 動作：その被写体が何をするか（歩く、振り返る、手を伸ばす）
- カメラ：ショットサイズ、アングル、レンズ感、動き
- ライティング：光源の種類、方向、硬さ、時間帯
- 色と質感：色調、コントラスト、フィルム調かデジタル調か
- 制約：避けたい要素（手の崩れ、文字、余計な人物、ウォーターマーク）
たとえば、若い女性が窓辺で本を閉じる、ゆっくり顔を上げて微笑む、ミディアムクローズアップ、85ミリ相当、固定カメラ、窓からの柔らかい自然光でやや逆光気味、落ち着いた暖色、浅い被写界深度、フィルム粒子は弱め、文字やロゴを入れない、という形になる。
ネガティブ指定は優先順位で絞る
避けたい要素は、たくさん並べればよいわけではない。まず優先度の高い3つに絞り、それでも出続ける場合に追加する。指定が多すぎると、モデルが全体の構図を崩してしまうことがある。
うまくいったプロンプトは、テキストファイルやスプレッドシートに保存して再利用する。カット番号、使用モデル、解像度、所要時間、5段階の評価を並べておくと、次回の制作が格段に速くなる。地味だが、最も効果の高い投資である。
工程5：映像生成モデルの選び方と検証手順
評価すべき8つの軸
映像生成のツールは数多くあり、得意分野が異なる。特定の名前を追いかけるより、判断基準を持っておくほうが長く使える。
| 評価軸 | 確認する内容 | なぜ重要か |
|---|---|---|
| リアリズム | 肌、髪、布の質感が自然か | 実写風の企画では最優先 |
| モーション一貫性 | 動きの中で形が崩れないか | 破綻するとカットが使えない |
| プロンプト忠実度 | 指定した動作や構図に従うか | 手戻り回数に直結する |
| 尺と解像度 | 生成できる秒数と画素数 | 編集時の余裕が変わる |
| 縦横比 | 縦型に対応しているか | トリミングで構図が壊れにくい |
| 生成速度 | 1カットあたりの待ち時間 | 試行回数の上限を決める |
| 料金体系 | 従量か定額か、試算しやすいか | 予算管理に影響する |
| 利用条件 | 商用利用、再配布、学習利用 | 公開後のトラブルを防ぐ |
テスト生成のA/B手順
同じプロンプトを複数モデルで試すときは、条件を揃えることが鉄則だ。手順は次のとおり。
- 同じプロンプト、同じ縦横比、同じ想定尺で生成する
- 低解像度・短尺で4〜8本ずつ出す
- そのまま使える、一部使える、使えないの3段階で評価する
- 使える確率が高いモデルを本番に採用する
- 結果と使用パラメータを記録する
この手順を踏むと、勘ではなくデータでモデルを選べるようになる。
複数ツールを併用する考え方
一般的な傾向として、Pika、Runway、Luma、Kling、Soraといったツールはそれぞれ長所が異なる。あるものは短尺のシネマティックな絵作りに強く、あるものは長めのクリップで動きの連続性を保ち、あるものはプロンプトへの忠実度が高い。オープン系のモデルをローカルで動かす選択肢もあり、こちらは反復試行の自由度が高い一方で、環境構築と計算資源が必要になる。
大切なのは有名だからという理由ではなく、この企画のどのショットに向いているかで選ぶことだ。1本の作品の中で複数ツールを使い分けるのは、いまや標準的な進め方である。人物のアップはA、風景の引きはB、商品カットはC、というように役割で割り当てると迷いが減る。
工程6：ショット間の一貫性を保つ技術
人物の一貫性
人物が複数カットに登場する場合、次の順で対策する。
- 参照画像を使う：同じ人物の画像を各カットの生成時に参照させる。正面、斜め45度、横顔の3枚があると安定しやすい
- 記述を固定する：髪型、服、年齢感の表現をキャラクターシートから一字も変えずにコピーする
- シード値を固定する：対応しているモデルでは、シードを揃えることで同一性が上がる
- 追加学習を使う：特定の人物やスタイルを反復利用するなら、専用に調整したモデルを用意する方法もある
空間と背景の一貫性
同じ部屋、同じ店舗、同じ街並みが複数カットに出る場合、背景の要素を言葉で固定する。木製のカウンター、左奥に窓、壁にモノクロ写真が3枚、のように位置関係まで指定すると、カットをまたいだ空間のつながりが生まれる。背景を固定できないときは、同じ場所に見えるアングルを2〜3種類に限定するだけでも効果がある。
カメラ言語の統一
焦点距離と動きの速度を揃えることも効果が大きい。全カットを35ミリ相当のゆっくりしたドリーで統一するだけで、作品にリズムと統一感が出る。逆に、カットごとにレンズ感と動きの速度がばらばらだと、寄せ集めのように見えてしまう。撮影用語でいうカバレッジの考え方を、生成の設計にもそのまま持ち込むとよい。
工程7：音楽・効果音・ナレーションの設計と同期
音楽プロンプトの組み立て
音楽生成では、ジャンル、テンポ、楽器編成、ムード、構成、そして用途を指定する。たとえば、温かいアコースティックギター中心、テンポ92、控えめなパーカッション、希望を感じる明るいムード、イントロ4小節から展開して静かなアウトロ、企業紹介映像の背景音楽、といった形だ。
映像との相性を考えるなら、次の点を意識したい。テンポは決め打ちにする。これがカット割りの基準になる。速い内容は毎分90〜120、落ち着いた内容は60〜85が扱いやすい。構成は映像の尺に合わせる。15秒ならイントロ、メイン、締めの3ブロックで足りる。歌詞の有無を決める。歌詞入りは情報量が増え、ナレーションと衝突しやすい。ループ可能な素材を用意する。尺調整が必要になったとき、ループできると編集が崩れない。
ビートとカットの同期
音楽ができたら、波形を見ながらビートの位置にカットの切れ目を合わせる。すべてのビートに合わせる必要はなく、フレーズの変わり目、たとえば4小節ごとに主要なカットを置き、細かいカットはその間に収める。この作業だけで、同じ素材でも完成度が一段上がる。編集ソフトでマーカーを打ち、そこへカットを吸着させる機能を使うと作業が速い。
音量バランスとラウドネス
最後に音量を整える。配信先の基準に合わせるのが基本で、多くのプラットフォームでは平均ラウドネスがマイナス14前後、ピークがマイナス1デシベル程度に収まっていると安心だ。ナレーションを置く場合は、音楽を3〜6デシベル下げると聞き取りやすくなる。効果音は映像の切れ目に置くと、カットの認識がしやすくなる。
工程8：編集・カラー調整・書き出し
編集ソフトの選び方
DaVinci Resolve、Premiere Pro、Final Cut Pro、CapCutなど、どの編集ソフトでも生成クリップは扱える。判断基準は、カラー調整のしやすさ、音声の扱いやすさ、書き出しプリセットの豊富さ、そしてチームで共有できるかどうかだ。短尺を大量に作るなら軽量なツール、長尺やグレーディング重視なら本格的なツールが向く。
生成クリップの下ごしらえ
編集に入れる前に、次の処理をしておくと仕上がりが安定する。低解像度で生成した素材を書き出しサイズまで引き上げる。カクつきが気になる場合はフレーム補間を軽くかける（やりすぎると不自然になるので注意）。必要に応じてノイズ除去と手ぶれ補正をかける。生成の冒頭と末尾には崩れが出やすいので、不要なフレームを削る。
縦横の派生版を作る
横型で作った作品を縦型に展開する場合、単純なクロップでは構図が壊れる。被写体の位置をカットごとに確認し、必要なら縦型用に再生成する。最近のモデルは縦型生成に対応しているものも多く、最初から縦横両方を想定して絵コンテを書くのが最も効率的だ。字幕の安全領域も、縦型では上下に大きく確保する必要がある。
よくある失敗とトラブルシューティング
カットをつなぐと人物が別人になる
参照画像の統一、記述の固定、シード値の固定を順に試す。それでも改善しない場合は、人物が正面を向くカットを減らし、後ろ姿や手元、シルエットで見せる編集に切り替える。物語上問題がないなら、これが最速の解決策になることも多い。
手や指が崩れる
手を画面の主役にしない構図に変えるのが基本だ。どうしても必要なら、手が小さく映るカットに分割し、生成回数を増やして良品を選ぶ。手前に物を置いて隠す、影で処理する、といった撮影的な回避策も有効である。
動きが途中で破綻する
1カットの尺を短くし、動作をひとつに絞る。歩きながら振り返り、同時にドアを開けるような複合動作は崩れやすい。動作を分割して別カットにすると安定する。
画面内の文字が崩れる
文字は生成に任せず、編集ソフトで後から載せる。これが最も確実だ。どうしても映像内に看板やロゴが必要なら、その部分を隠すか、抽象的な図形に置き換える。
音と映像のテンポが合わない
音楽を先に作り、それに合わせてカットを組み直す。逆順で進めると、どうしても微調整が増える。
全体が人工的な印象になる
原因は多くの場合、ライティングの方向がカットごとに違うこと、色数が多いこと、そしてカメラの動きが不揃いなことだ。ルック開発に戻り、光源の方向と色数を絞り、カメラ言語を統一する。この3点を直すだけで印象は大きく変わる。
よくある質問と運用チェックリスト
AI動画生成だけで実写と見分けがつかない映像は作れる？
短いカットであれば、実写と区別がつきにくい水準に到達している。ただし長い尺になると、動きの連続性や細部の整合性で破綻が出やすい。現実的なのは、1カットを短く刻み、編集と音でつなぐ設計だ。
音楽は映像のどの段階で作るべき？
絵コンテが固まった直後、映像生成の前に作るのがおすすめだ。テンポと構成が決まっていれば、カットの尺をそれに合わせて設計できる。映像を先に作ってから音楽を合わせると、調整の手間が増える。
一貫性を保つ最も効果的な方法は？
参照画像の統一と、記述の完全な固定だ。この2つを徹底するだけで、体感の安定度は大きく変わる。特別な技術より、表記ゆれをなくす地味な作業のほうが効く。
無料のツールだけで一本作れる？
短尺であれば可能だが、書き出し時のウォーターマーク、解像度制限、生成回数の制限などが障害になることが多い。まずは無料枠でワークフローを検証し、公開予定の企画でだけ有料の選択肢を検討する進め方が現実的だ。
生成した素材の利用条件はどう確認する？
ツールごとに、商用利用の可否、再配布の扱い、生成物の権利表示が異なる。公開前に必ず公式の規約を読み、不明点は問い合わせる。ここを曖昧にしたまま公開するのが、最も避けたいリスクだ。
チームで分業するときの注意点は？
プロンプトの記法、ファイルの命名規則、素材の置き場所を最初に決める。これがないと、同じ企画内でスタイルが混ざる。共通のキャラクターシートとルック定義を、誰でも参照できる場所に置くことが出発点になる。
制作前に確認しておきたいチェックリスト
- 映像生成：縦型対応、参照画像の可否、シード固定、生成速度、商用利用条件
- 音楽生成：テンポ指定、尺指定、ステム書き出しの可否、ループ生成
- 音声生成：日本語の自然さ、話速調整、感情指定、書き出し形式
- 編集：カラー調整、音声ミックス、字幕、書き出しプリセット
- 管理：プロジェクトの命名規則、素材のバージョン管理、プロンプトの保存場所
これらを表にまとめ、企画ごとに必須と望ましいを分けておくと、ツールを乗り換えるときの判断が速くなる。
制作を回し続けるための型づくり
単発の制作は誰でもできる。難しいのは、同じ品質で何本も作り続けることだ。第一に、テンプレート化する。オープニング、字幕の位置、カラー調整のプリセット、音楽の構成パターンを固定すれば、判断にかかる時間が減る。第二に、レビューの工程を分ける。作成者と確認者を分け、確認は技術的な破綻、伝達内容、尺とテンポの3観点で行う。感覚的な批評だけだと、修正が収束しない。第三に、失敗を記録する。うまくいったプロンプトだけでなく、失敗したプロンプトとその理由を残す。この記録が、次の企画での手戻りを減らす。第四に、生成と編集の時間配分を決める。慣れないうちは生成に時間を取られがちだが、実際に完成度を決めるのは編集と音の工程だ。全体の6割を編集と音響に割り当てるくらいの意識でちょうどよい。
AI動画生成とAI音楽生成は、すでに単体で十分な品質に達している。差がつくのは、それらをどう並べ、どうつなぎ、どう鳴らすかという設計の部分だ。企画と絵コンテでカット数を確定し、ルックを一枚に固定し、プロンプトを6ブロックで構造化し、テスト生成でモデルを選び、編集と音響で全体を揃える。この順序を守るだけで、同じツールを使っていても完成度は大きく変わる。まずは30秒の短い企画で、この8工程を一度通しで回してみてほしい。すべてを完璧にやる必要はない。工程を飛ばさないことだけを意識すれば、二本目からは明らかに速くなる。そして三本目には、自分の制作の型ができているはずだ。
