映画品質を左右するのは、モデルの新しさではなくプロンプト設計
生成AI動画の話題は、つい「どのモデルが最新か」という比較に流れがちです。しかし制作現場で差がつくのは、モデルの世代ではなく、プロンプトの設計力と撮影設計の解像度です。同じモデルを使っても、指示の構造が粗い人と、レンズ・光・動き・尺を段階的に指定できる人とでは、出力の完成度に大きな開きが出ます。
ここで押さえておきたいのは、AI動画生成は「撮影」ではなく「演出の指示出し」だという理解です。カメラマンに「いい感じに撮って」と頼めば、返ってくるのは平凡な映像です。同じことが生成モデルにも当てはまります。ショットサイズ、レンズの焦点距離、光源の向き、被写体の動作、カメラの移動量、カットの長さを分解して渡せば、生成結果は驚くほど安定します。
この記事では、主要なAI動画モデルの特徴を整理したうえで、プロンプト設計、一貫性の維持、ショットリストの作り方、計算コストと品質のバランス、失敗時のリカバリーまでを一本のワークフローとしてまとめます。特定のサービスに依存しない形で説明するので、どのツールを使っていても応用できます。
この記事の読み方
最初に全体像をつかみたい人は「生成方式の整理」と「モデル選定の評価軸」を読み、その後で実際のプロンプト構造に進むのが効率的です。すでに制作を始めている人は、一貫性ワークフローとトラブルシューティングの章から読んでも構いません。
初心者が最初につまずくポイント
多くの人が最初にぶつかる壁は、次の三つです。第一に、モデルの違いが分からず、とりあえず目立つツールを試しては結果に一喜一憂してしまうこと。第二に、プロンプトを長く書けば良くなると思い込み、情報の優先順位が崩れてしまうこと。第三に、カット単体の品質は高いのに、つなげると別人・別世界に見えてしまうことです。本記事はこの三つを順番に解消する構成にしています。
生成方式の整理：T2V・I2V・V2V・キーフレーム補間の使い分け
モデル比較の前に、生成方式の違いを整理しておきます。ここを混同すると、ツールの評価を誤ります。
テキストから動画（T2V）
文章だけから映像を生成する方式です。発想の検証やラフな絵コンテ代わりに向いています。構図の自由度は高い一方で、同じ人物を何度も出そうとすると崩れやすいという弱点があります。探索フェーズの道具と割り切るのが現実的です。
画像から動画（I2V）
基準となる静止画を用意し、そこから動きを生成する方式です。一貫性を保つうえで最も実用的で、キャラクター物や商品訴求の映像では事実上の標準になっています。キーフレームを画像生成モデルで作り、それを動かす流れが最も破綻が少なくなります。
動画から動画（V2V）
既存の動画を入力として、スタイル変換や質感の変更を行う方式です。カメラワークの再現性が高く、実写素材の雰囲気をアニメ調に寄せる、フレームレートを変換する、といった用途で力を発揮します。
キーフレーム補間
始点と終点の画像を指定し、その間の中間フレームを生成する方式です。カットの入りと出を自分で決められるため、編集前提の制作では非常に強力です。「この構図からこの構図へ、3秒で移動する」という指定ができると、カット割りの意図がそのまま映像になります。
| 方式 | 向いている用途 | 一貫性の作りやすさ | 学習コスト |
|---|---|---|---|
| T2V | 発想出し、ラフ、単発カット | 低い | 低い |
| I2V | キャラクター物、商品、解説 | 高い | 中 |
| V2V | スタイル変換、質感調整 | 中 | 中 |
| キーフレーム補間 | 編集前提のカット設計 | 高い | 高い |
実務では、まずT2Vで世界観を探り、I2Vで本番カットを作り、必要に応じてキーフレーム補間でつなぎを制御する、という流れが最も再現性が高くなります。
モデル選定の7つの評価軸
「どのモデルが一番良いか」という問いには正解がありません。用途によって最適解が変わるからです。代わりに、次の7軸で自分の案件に必要な能力を定義しておくと、選定がぶれなくなります。
1. プロンプト忠実度
書いた指示をどれだけ守るか。被写体の数、服装、背景の要素、動作の内容をどこまで正確に再現するかを見ます。検証するときは、同じプロンプトを5回投げて再現率を確認します。毎回違う結果なら忠実度は低く、ほぼ同じなら高いと判断できます。
2. 時間的一貫性
フレームが進んでも人物の顔、体型、服装、小物が保たれるか。長尺になるほど差が出ます。3秒では問題なくても8秒で破綻するモデルは珍しくありません。
3. カメラ制御
パン、チルト、ドリー、ズーム、クレーン、ステディカム風の揺れなどをどこまで指定できるか。映画的な映像の印象は、実はカメラの動きの質で大きく決まります。
4. 物理挙動の自然さ
布の揺れ、髪の動き、液体、煙、破片の飛散などが物理的に矛盾しないか。派手なアクションを扱う案件では最重要の軸です。
5. 解像度・尺・アスペクト比
対応する最大解像度、1カットの最大長、縦動画や横長シネマ比率への対応。SNS向け縦動画と劇場比率では、構図設計の前提が変わります。
6. 参照画像・参照動画の扱い
複数の参照画像を同時に渡せるか、参照の優先度を指定できるか。キャラクター一貫性を支える根幹の機能です。
7. 生成速度と再現性
1カットあたりの待ち時間と、シードを固定したときの再現性。試行回数を多く確保できるかどうかは、最終的な品質に直結します。
検証用ベンチマークを自分で決める
おすすめは、自分の定番ショットを3種類決めておくことです。たとえば「室内で人物が振り返るミディアムショット」「屋外で歩く人のトラッキング」「手元のクローズアップ」。この3つを全モデルで試せば、宣伝文句に惑わされずに実力を比較できます。
主要モデルファミリーの特性と向き不向き
ここからは、一般的に知られているモデルファミリーごとの傾向を整理します。いずれも日々更新されるため、あくまで「選定の出発点」として読んでください。
Sora系
長尺の生成と物理挙動の自然さに強みがあります。複雑な動きや広い空間の描写が破綻しにくく、実験的なショットでも破綻が少ないのが特徴です。一方で、細かなカメラ指定の反映や、短時間での反復試行にはやや不向きな面があります。コンセプト映像やワンカットの見せ場に向いています。
Runway Gen系
カメラ制御と編集機能のバランスが良く、実務向けの機能が充実しています。動画編集やマスク、スタイル参照など、制作工程を一か所で完結させやすいのが利点です。短尺の広告カットや、既存素材との組み合わせを前提とした作業に向いています。
Kling系
人物の一貫性と自然な身体動作に定評があります。キャラクターが画面内で動き続けるシーン、会話しているような仕草の再現で安定しやすい傾向があります。キャラクター主体のシリーズ物やナラティブ系の短編に向いています。
Luma Ray系
自然な動きと生成の速さのバランスが良く、反復試行に向いています。細部の作り込みよりも、動きの滑らかさや光の雰囲気を優先したいときに使いやすいモデルです。ラフなプレビズや、カット数の多い編集素材の量産に向いています。
Pika系
スタイル変換や短尺のSNS向けカットに強みがあります。遊び心のあるエフェクトや、テンポの速い編集との相性が良いのが特徴です。15秒前後の縦動画や、トレンドに乗った表現を素早く出す用途に向いています。
PixVerse系・Vidu系
マルチモーダルな参照機能や、複数の入力形式を組み合わせた制御に特徴があります。参照画像と参照動画を併用して動きを寄せる、といった応用的な使い方がしやすい系統です。
MiniMax系・Hailuo系
人物の表情やクローズアップの描写に強みがあります。感情表現が求められるシーン、顔のアップが続く会話劇などで力を発揮します。逆に、広い空間の設計や多数の被写体を扱うショットは苦手な傾向があります。
画像モデル（Flux系など）はキーフレーム生成に
動画モデルだけでは一貫性の管理が難しいため、キーフレームを画像生成モデルで作る流れが有効です。Flux系のような高精細な画像モデルでキャラクターシートや背景素材を先に固めておくと、動画側の負担が大きく減ります。動画生成の品質は、実は前段の画像設計でかなり決まります。
映画的なルックを作るプロンプトの5層構造
プロンプトは長ければ良いわけではありません。情報の層を意識して積み上げると、モデルが解釈しやすくなります。
層1：ショットタイプと被写体
まず「何を、どの距離で見せるか」を決めます。ロングショット、ミディアムショット、クローズアップ、オーバーザショルダーなど。被写体の人数、年齢層、服装、持ち物まで書きます。
層2：レンズとカメラワーク
焦点距離と動きを指定します。広角は空間の広がりと歪み、望遠は圧縮効果と背景のぼけを生みます。カメラは「ゆっくり右へパン」「被写体を追って前進」のように方向と速度を言葉で指定します。数値で速度を書ける場合は数字も併記します。
層3：ライティングとカラー
光源の種類と向きを指定します。逆光、サイド光、窓からの自然光、夕暮れのオレンジ、曇天の拡散光など。カラーパレットも一緒に指定すると、カット間の色が揃いやすくなります。
層4：質感とフィルムルック
粒子感、わずかなハレーション、レンズフレア、浅い被写界深度など。ここを盛りすぎると映像が濁るので、1〜2要素に絞るのがコツです。
層5：動きと時間指定
被写体の動作、カメラの移動量、カットの長さ、速度感を指定します。「3秒かけてゆっくり振り返る」といった時間の情報は、生成の安定に効きます。
悪い例と改善例
悪い例は「美しい女性が街を歩く、映画風、高品質」です。情報が少なく、モデルが自由に補完します。改善例は次のようになります。
「夕暮れの商店街、ミディアムショット、35mm相当のレンズ、浅い被写界深度、女性が左から右へゆっくり歩く、カメラは一定速度で横移動、逆光で髪にリムライト、暖色寄りのカラー、わずかなフィルム粒子、4秒」
この形にすると、再現性が明確に上がります。プロンプトの末尾には、避けたい要素をネガティブ指定としてまとめておくと安定します。たとえば「指の崩れ、余分な手足、文字、ロゴ、急なカメラの動き」などです。
キャラクターとロケーションの一貫性ワークフロー
カット単体が美しくても、つなげると別人に見える——これはAI動画制作で最も多い失敗です。原因はほぼ決まっており、参照情報の設計不足です。
キャラクターシートを先に作る
最初にやるべきは、人物の基準画像を3〜5枚作ることです。正面、斜め45度、横顔、表情違い、全身。衣装・髪型・小物の色をテキストでメモし、以降のプロンプトで毎回同じ表現を使います。「紺のジャケット、白いシャツ、銀の細いフレーム眼鏡」のように、形容詞を固定するのがポイントです。
参照画像の渡し方を工夫する
複数の参照画像を渡す場合、どの画像が何を担当するかを明示します。「1枚目は顔、2枚目は衣装、3枚目は背景」といった指定ができるモデルでは、必ず役割を分けます。全部をまとめて渡すと、モデルが混線しやすくなります。
シードとプロンプトを固定する
同じカットの作り直しでは、シード値を固定し、変更点をひとつだけにします。プロンプトもカメラ指定も全部変えると、何が効いたのか分からなくなります。1テイクにつき変更は1要素、これを守るだけで作業効率が倍以上変わります。
背景の要素をリスト化する
ロケーションも同じです。背景に何があるかを箇条書きにして、全カットで共通の記述を使います。たとえば「左手に赤い自動販売機、奥に石段、右奥に電柱」と決めれば、視聴者は同じ場所だと認識します。AIは空間記憶を持たないので、記憶の代わりをテキストが担います。
つなぎの3原則
編集で自然につなぐには、次の3つを意識します。第一に、色温度をカット間で揃えること。第二に、動きの方向を揃えること（左から右への移動は次のカットでも左から右へ）。第三に、目線の高さを揃えること。この3点を守るだけで、別々に生成したカットでも同一空間に見えてきます。
ショットリストから編集までの実践パイプライン
ここからは、実際の工程を順番に追います。15〜30秒の短編を想定します。
ステップ1：コンセプトと尺を決める
最初に総尺を決めます。15秒なのか60秒なのかで、必要なカット数と1カットの長さが変わります。迷ったら15秒から始めてください。短いほど破綻が少なく、完走しやすいです。
ステップ2：ショットリストを作る
表形式で、カット番号、尺、内容、ショットサイズ、カメラ、光、備考を書きます。この段階で曖昧なまま進めると、後工程で必ず混乱します。表が埋まらないカットは、そもそも撮る必要がないカットです。
ステップ3：キーフレームを生成する
各カットの代表的な1コマを画像で作ります。ここで構図が固まれば、動画生成は「動かす作業」に変わります。キーフレームは多めに作り、良いものを選別します。
ステップ4：I2Vでカットを生成する
キーフレームを動かします。1カットにつき3テイクを目安に生成し、最も自然なものを採用します。最初は低解像度・短尺で試し、構図と動きが決まってから本番設定に上げます。
ステップ5：テイクを管理する
ファイル名は必ず規則化します。たとえば「sh010_take02_v3」のように、カット番号・テイク・版数を含めます。数が増えると、どれが最新か分からなくなるのが最大の時間泥棒です。
ステップ6：編集とグレーディング
つなぎは基本のカットつなぎで十分です。速度調整、わずかな拡大、カラー調整で、生成の粗さはかなり隠せます。カットの頭と尻を少し削るだけで、不自然な動きの出だしが消えます。
ステップ7：音を載せる
BGM、環境音、効果音、必要ならナレーション。AI生成映像は音が入った瞬間に別物になります。逆に音が貧しいと、どれだけ映像が良くても素人っぽく見えます。音の工程を最初から見積もっておきましょう。
工程表の目安
15秒の映像で、準備に全体の4割、生成に3割、編集と音に3割という配分が現実的です。生成に時間をかけすぎる人が多いのですが、実際に品質を決めるのは準備段階の設計です。
品質と計算コストのバランス設計
生成には待ち時間と計算資源がかかります。無制限に試すわけにはいかないので、設計で効率を上げます。
プレビズは低設定で
構図と動きの確認は、低解像度・短尺で十分です。本番設定で全カットを試すのは、最後の1〜2テイクだけに絞ります。
1カットを短く分割する
長い1カットを一発で作るより、3〜5秒に分割して生成し、編集でつなぐほうが成功確率が高くなります。長尺はどうしても中盤で崩れます。
リテイクの判定基準を先に決める
「顔が保たれているか」「手足が破綻していないか」「カメラの動きが意図どおりか」の3点をチェックリストにし、3テイクで合格基準に達しなければプロンプト側を変えるルールにします。同じ指示で何度も引き直すのは最も効率の悪い使い方です。
待ち時間を並行作業に使う
生成待ちの間は、次のカットのキーフレーム作成や音素材の選定を進めます。生成は非同期の工程だと割り切り、作業を並列化すると体感速度が大きく変わります。
使いどころを見極める
すべてのカットをAIで作る必要はありません。実写素材、図版、テキストアニメーション、AI生成カットを混ぜると、破綻が目立ちにくくなり、結果的に品質が上がります。AIが苦手な部分を別の手法で補うのが、最も賢い制作判断です。
よくある失敗とリカバリー手順
顔が別人になる
原因は参照情報の不足か、カットが長すぎることです。対策は、参照画像を増やし、顔のアップは2秒以内に抑え、シードを固定して他要素を変えないことです。
手指や手足が崩れる
手は現在もっとも苦手な領域です。手を画面に入れない構図にする、袖や小物で隠す、クローズアップを避ける、といった構図側の解決が最も確実です。
カメラが勝手に動く
静止を指定していないとモデルは動かしたがります。「固定カメラ、動きなし」と明示し、被写体の動きも小さくします。それでも動く場合は、生成する尺を短くします。
光がちらつく
光源の指定が複雑すぎるのが原因です。光源をひとつに絞り、色の変化を含む表現を削ります。
形が溶けるように変化する
被写体の数が多すぎるか、尺が長すぎます。被写体を1〜2に絞り、尺を短縮し、動きの量を減らします。
文字が崩れる
映像内に文字を出そうとすると、ほぼ確実に崩れます。文字は編集ソフトで後載せするのが原則です。
全体がスローモーションのように見える
動きの速度を明示していないことが原因です。「通常速度」「速いテンポ」など、速度感を言葉で指定します。
用途別の使い分けとFAQ
15秒の広告カット
キーフレームを丁寧に作り、I2Vで3〜5カットつなぐ構成が成功率が高いです。商品のクローズアップは手ぶれを抑えた固定カメラで。
SNS向け縦動画
冒頭1秒で動きを出し、テンポを上げます。縦構図では人物の上半身を中心に設計すると破綻が減ります。
企業の紹介映像
人物の顔が長く映るため、一貫性の管理が最重要になります。ナレーションで情報を補い、映像は雰囲気づくりに徹する分担が有効です。
音楽に合わせた映像
ビートに合わせてカットを切り替える前提で、1カットを短く作ります。カットの尺を先に決めてから生成すると編集が楽になります。
よくある質問
Q. モデルはいくつも契約すべきですか。
A. 最初は1つに絞り、そのモデルの癖を把握することを優先してください。複数を使い分けるのは、自分のベンチマークショットで明確な差が出てからで十分です。
Q. プロンプトは英語のほうが良いですか。
A. モデルによって得意な言語は異なります。まずは母語で構造化し、同じ内容を英語でも試して結果を比べるのが確実です。どちらが良いかは被写体やジャンルでも変わります。
Q. 何秒くらいのカットが扱いやすいですか。
A. 3〜5秒が最も安定します。それ以上は分割し、編集でつなぐ前提で設計してください。
Q. 生成結果が毎回違うのですが。
A. シードの固定、プロンプトの共通ブロック化、参照画像の役割分担を徹底してください。それでも安定しない場合は、モデルとの相性を疑い、ベンチマークショットで再検証します。
Q. 生成した映像が不自然に見えるときの最終手段は。
A. 尺を短くする、カットの頭と尻を削る、速度を少し変える、この3つで大抵は改善します。編集で直せる範囲を知っておくと、生成に無駄な時間を使わなくなります。
Q. 音はどう作ればよいですか。
A. 環境音とBGMだけでも十分効果があります。映像の質感に合わせて、粒子感のある映像にはローファイな音、クリアな映像には抜けの良い音を選ぶと統一感が出ます。
Q. 学習にどれくらい時間がかかりますか。
A. 1本の短い映像を最後まで完成させるのが最速の学習です。機能を覚えるより、完成までの工程を一度通すほうが理解が深まります。
Q. 商用利用で注意すべき点は。
A. 利用規約、生成物の権利扱い、参照素材の権利は必ず確認してください。実在の人物に似た出力は避け、素材の出所を記録しておく運用をおすすめします。
まとめ：品質を決める7つのチェックポイント
最後に、制作前後に確認したいポイントをまとめます。
- 総尺とカット数を最初に決めたか。
- ショットリストの表が埋まっているか。
- キャラクターの記述を全カットで統一したか。
- 参照画像の役割を分けて指定したか。
- 1テイクにつき変更点をひとつに絞ったか。
- テイクの命名規則を決めたか。
- 音の工程を最初から見積もったか。
映画品質という言葉は大げさに聞こえますが、実際に必要なのは特別な技術ではありません。ショットを分解し、光と動きと時間を言葉で指定し、一貫性を仕組みで守る。この地味な積み上げが、生成AI映像の完成度を大きく左右します。まずは15秒の短編を一本、最後まで作ってみてください。その経験が、どのモデルを選ぶべきかという問いへの最も正確な答えになります。
