AI映像編集の全体像：自動化できる工程と人間が担う工程
映像制作の現場では、生成AIの役割が「素材を作る道具」から「工程そのものを設計する道具」へと急速に広がっている。かつては撮影・編集・仕上げという分業が前提だったが、いまは一人の制作者が企画から書き出しまでを一気通貫で担えるようになった。ただし、AIが置き換えるのは作業の大部分であって、判断のすべてではない。ここを混同すると、効率化したはずの工程がかえって手戻りの温床になる。
最初に整理すべきは、どの工程が自動化に向き、どの工程が人間の判断を必要とするかである。反復的で正解が一意に決まる作業はAIに任せやすい。逆に、意図や感情、ブランドの一貫性に関わる判断は人間が握り続けたほうがよい。文字起こし、無音区間の検出、ノイズ除去、ラフカットの候補出し、背景の分離、簡易なカラー補正は自動化の効果が大きい。一方で、どのカットを残すか、どのテンポが視聴者に心地よいか、どの表現が契約や倫理に抵触しないかは、最終的に人間が決める領域だ。
自動化しやすい工程
- 音声の文字起こしと字幕の下書き
- 無音・不要区間の検出と削除
- ノイズ除去と音量の均一化
- Bロールや背景、挿入カットの生成
- 被写体の切り抜きと背景差し替え
- ラフカットの候補出しとテンポの試案
人間が握るべき工程
- 企画の目的と視聴者像の定義
- 感情の起伏をどこに置くかの設計
- 最終的なテンポと尺の決定
- 権利・契約・倫理の確認
- ブランドトーンとの整合
この切り分けを最初に決めておくと、制作中の迷いが減る。判断に迷ったときは「この作業は、同じ入力に対して毎回同じ出力が期待できるか」と自問すればよい。答えがイエスなら自動化候補、ノーなら人間の工程だ。
さらに、工程を分解するときは「修正のしやすさ」を基準に加えたい。たとえば素材生成を一枚の長いクリップとして作ると、後から一部分だけ直したいときに全体を作り直すことになる。短いショットに分割して生成し、編集ソフト側でつなぐ設計にしておけば、変更の影響範囲を最小限に抑えられる。プロの現場でよく言われる「壊しやすく作る」という考え方は、AI時代にもそのまま当てはまる。
制作パイプラインの設計：企画から書き出しまでの工程
プロ品質の映像は、才能ではなく工程の設計によって安定する。以下の流れを基本形として持っておくと、案件の種類が変わっても応用が利く。
第一工程：目的と制約の定義
最初に決めるのは、誰に何を伝えるか、どこで再生されるか、尺はどれくらいか、納品形式は何かである。縦型か横型かで構図は根本的に変わるし、音声を出せない環境で再生されるなら字幕前提の設計が必要になる。ここを飛ばして素材生成に入ると、後工程でほぼ確実に作り直しが発生する。
第二工程：スクリプトと構成
ナレーション原稿またはト書きを書く。一文を短くし、一つのカットに一つの情報だけを載せると、生成側の解釈ぶれが減る。読み上げ時間の目安は、日本語で1分あたりおよそ300文字前後。尺が決まっている場合は、先に文字数を逆算してから書くほうが速い。
第三工程：絵コンテとショットリスト
各カットについて、被写体、動作、背景、光の方向、レンズ感、カメラワーク、尺を一行ずつ書き出す。これを表形式ではなく箇条書きで管理すると、生成ツールへのコピーが容易になる。ショットリストは後戻りの保険であり、生成が破綻したときの原因切り分けにも役立つ。
第四工程：素材生成
静止画から動画を生成する方式と、テキストから直接動画を生成する方式を使い分ける。人物の表情を細かく制御したい場合は、キーフレームとなる静止画を先に作り、そこから動かすほうが安定する。逆に広い風景や抽象的な映像は、テキストからの生成のほうが自然な結果が得られやすい。
第五工程：粗編集
生成したショットをつなぎ、テンポを確認する。この段階ではエフェクトをかけず、カットの長さと順序だけを詰める。音楽を仮で敷くと、テンポの判断が格段に速くなる。
第六工程：仕上げ
カラー調整、音声の整音、テロップ、トランジションを適用する。色は最後にまとめて処理したほうが、ショット間のばらつきを吸収できる。
第七工程：書き出しと展開
納品形式で書き出したうえで、縦型・正方形・サムネイルなど派生版を書き出す。派生版は編集ソフトのシーケンスを複製して作ると、修正が入ったときに同期が取りやすい。
各工程の終わりに「ここから先は戻らない」という小さな区切りを設けるのがコツだ。全部が同時に流動的なままだと、意思決定が先送りされ、納期直前で大きな破綻が起きる。
モデル選定の判断基準：品質・速度・一貫性・扱いやすさ
生成モデルは日々入れ替わるため、特定の名前を覚えるよりも「何で選ぶか」という軸を持ったほうが長く使える。実務で効くのは次の四つだ。
軸1：再現性
同じプロンプトと同じ設定で、近い結果が返ってくるかどうか。商用案件では再現性が最も重要になる。再現性が低いモデルは、たまたま良いカットが撮れても、修正指示で崩れたときに立て直せない。
軸2：モーションの自然さ
人物の歩行、手の動き、髪や布の揺れ、水や煙のような流体表現。アクションを伴うショットでは、静止画の美しさよりもモーションの説得力が最終品質を決める。
軸3：指示への忠実さ
複数の要素を含むプロンプトをどこまで正確に反映するか。「赤いコートの人物が雨の交差点を左から右へ歩く」といった条件を、色・服装・天候・方向のすべてで満たせるかを見る。
軸4：速度と扱いやすさ
生成にかかる時間、1回あたりの試行回数、出力解像度、編集ソフトへ持ち込む際のコーデック互換性。速いモデルは試作に向き、遅くても高品質なモデルは本番カットに向く。
シーン別の使い分け
- 人物のクローズアップ：肌の質感と目の動きを重視し、静止画からの生成を優先する
- 風景・空撮風：テキストからの生成で構図の自由度を活かす
- アクション：モーション評価の高いモデルを選び、カットを短く刻む
- 商品カット：形状の正確さが命なので、参照画像を必ず併用する
- インフォグラフィック：生成に頼らず、図形とテキストで作ったほうが速く正確
試作と本番でモデルを分ける
すべてのカットを最高品質のモデルで作る必要はない。ラフな検討段階では軽量なモデルで構図と尺を確定し、確定したカットだけを高品質モデルで作り直す。この二段構えにすると、試行錯誤の回数を増やしても総コストはむしろ下がる。
比較検討の際は、同じプロンプトを複数モデルに投げて、以下の観点で点数を付けると判断がぶれない。構図の正確さ、色の自然さ、モーションの破綻の有無、テキスト指示の反映度、処理時間、そして「もう一度同じものを出せるか」。
プロンプト設計とショットリストの作り方
生成AIの出力品質は、プロンプトの構造でほぼ決まる。感覚的な形容詞を並べるより、映像の構成要素を順番に指定するほうが安定する。
プロンプトの基本構造
- 被写体（誰が・何が）
- 動作（何をしている）
- 環境（どこで・天候・時間帯）
- 光（方向・硬さ・色温度）
- レンズと構図（寄り・引き・俯瞰・手前の遮蔽物）
- カメラワーク（固定・パン・ドリー・手持ち風）
- 質感と雰囲気（フィルム粒子・クールな色調・柔らかい拡散）
- 尺とテンポ
悪い例と改善例
悪い例は「おしゃれなカフェで女性がコーヒーを飲む、シネマティック」。情報が抽象的すぎて、構図も光もカメラの動きも制御できない。
改善例は「昼過ぎのカフェ、窓際の席、30代女性が白いカップを持ち上げて一口飲む、窓からの柔らかい逆光、85mm相当の浅い被写界深度、上半身のクローズアップ、カメラはゆっくり左へパン、粒子少なめ、5秒」。ここまで書くと、生成結果の当たり外れが大幅に減る。
カメラワークの言語化
「ダイナミックに」ではなく「被写体に近づくドリーイン」「右から左へのトラッキング」のように、移動方向と速度を指定する。日本語で書いたあとに英語表現へ翻訳すると、モデルの理解度が上がる場合も多い。
ショットリストの運用
各ショットに識別番号を振り、編集ソフトのクリップ名と一致させる。生成に失敗したショットは番号で追跡できるため、修正指示のやり取りが短くなる。ショットリストには「採用可否」の列を設け、ボツ案も消さずに残しておくと、後の工程で再利用できることがある。
一貫性を保つ技術：キャラクター・照明・カラー
長尺の映像で最も破綻しやすいのが一貫性である。同じ人物なのに顔が変わる、同じ部屋なのに照明の色が変わる、といった問題は、視聴者の没入を一瞬で壊す。
キャラクターの固定
まずキャラクターシートを作る。正面・斜め・横・後ろの4方向、表情を数パターン、衣装のディテールを数点。これを参照画像として各ショットに渡す。テキストで人物を説明するより、画像で渡すほうが圧倒的に安定する。登場人物が複数いる場合は、それぞれに固有の識別要素（髪型、眼鏡、上着の色）を持たせると混同が減る。
照明の統一
ショットごとに光源の方向と色温度をメモしておく。屋外なら時間帯を固定し、屋内なら窓の位置を決める。カットをまたいで影の向きが反転していると、観客は無意識に違和感を覚える。
カラーの統一
生成されたショットは、モデルごとに色調が異なる。編集ソフト側で共通のLUTを適用し、ハイライトとシャドウのバランスを揃える。肌の色を基準にホワイトバランスを合わせると、シーン間のつながりが自然になる。
長尺での破綻対策
- ショットを5秒前後に分割し、つなぎ目でオーバーラップさせる
- カットの変わり目に動きのある要素を置き、注意力をそらす
- 同一人物の長時間の連続動作は避け、カットバックで分割する
- 急な変化はモーフィングやフラッシュで意図的な演出に変える
音声・音楽・字幕の統合
映像の印象は音で大きく変わる。生成映像は無音で出力されるため、音声工程を最初から計画に入れておくことが重要だ。
ナレーション
読み上げ速度は1分あたり280〜320文字を目安にすると聞き取りやすい。句読点の位置で息継ぎを入れ、重要な単語の前後は少し間を取る。合成音声を使う場合も、一文を短く分割して個別に生成し、編集ソフトで間隔を調整したほうが自然になる。
音楽
尺に合わせて編集し、カットの変わり目をビートに合わせる。ただし全カットをビートに合わせると機械的に感じるので、重要な2〜3カ所だけ同期させ、他は流すのが効果的だ。
効果音
効果音は「見えているもの」ではなく「感じさせたいもの」に付ける。足音、衣擦れ、環境音の3層を意識すると厚みが出る。音量はナレーションを基準にし、効果音が声をマスクしないよう調整する。
字幕
自動文字起こしは下書きとして使い、必ず目視で校正する。表示は1行あたり全角15〜20文字程度、1秒あたり4〜5文字を上限の目安にする。縦型では画面下部のUIと重なるため、セーフエリアを確認して配置する。
編集ソフトとの連携：生成物をどう扱うか
生成したクリップは、そのまま並べるだけでは扱いにくい。編集ソフトに取り込む前の整理が、後工程の速度を決める。
ファイル管理と命名規則
「案件名_シーン番号_ショット番号_テイク番号」のように統一する。日付や担当者名を混ぜると、共有時に破綻しやすい。採用テイクだけを別フォルダに集め、没テイクは残しつつも作業ディレクトリからは外す。
コーデックとフレームレート
生成物は可変フレームレートになっていることがある。そのまま編集すると音ズレやカクつきの原因になるため、定フレームレートへ変換してから読み込む。中間ファイルはProResなどの編集向きコーデック、最終納品はH.264またはH.265が一般的だ。
アスペクト比の展開
横型で作った構図をそのまま縦型に切ると、被写体が切れる。撮影段階から主要被写体を中央に寄せておく、または縦型用に別途生成するほうが安全である。セーフエリアを意識した配置を徹底すると、派生版の作業が半分以下になる。
よくある失敗とトラブルシューティング
生成AIを使った映像制作でつまずくポイントは、おおむね決まっている。事前に知っておけば回避できるものばかりだ。
ちらつきとノイズ
フレームごとに細部が揺れる現象。解像度を上げる、モーション量を減らす、参照画像を追加する、といった対策が有効。それでも残る場合は、後処理で軽度のデノイズをかける。
手指・顔の破綻
手や指は現時点でもっとも崩れやすい。手を使う動作は画面外に逃がす、手前に物を置いて隠す、カットを短くする、といった撮影的な解決が最も確実である。
テキストの崩れ
映像内に文字を出したい場合は、生成に任せず編集ソフトで乗せる。ロゴや商品名は特に、生成物に含めると権利面でも問題になりやすい。
動きが速すぎる・遅すぎる
速度指示は数値で指定し、それでも合わない場合は編集側で速度調整する。過剰なスローモーションは映像を安っぽく見せるため、使うなら要所に限定する。
権利とライセンスの確認
- 利用するツールの商用利用条件を確認する
- 実在の人物、商標、著名なキャラクターを避ける
- 音楽と効果音のライセンス範囲を台帳で管理する
- AI生成物であることの開示が必要な媒体かを確認する
これらの確認を工程の最後にまとめて行うと、手遅れになる。企画段階でチェックリスト化しておくのが望ましい。
実践ワークフロー例：30秒のブランドムービーを作る
ここまでの内容を、具体的なスケジュールに落とし込む。想定は30秒の縦横両対応、ナレーションあり、制作期間3日とする。
1日目：設計と試作
午前は目的、視聴者、再生面、尺、納品形式を確定する。午後にスクリプトとショットリストを作り、10〜12カットに分割する。夕方に各カットのキーフレームを静止画で生成し、構図と色調の方向性を固める。この日の成果物は「ショットリスト」と「キーフレーム集」の二つだけに絞る。
2日目：素材生成と粗編集
午前中に全カットの動画を生成し、テイクを2〜3本ずつ確保する。午後は採用テイクを並べて粗編集し、尺とテンポを確定する。この段階で仮の音楽を敷き、テンポの妥当性を確認する。夜までにカット構成を固定し、以降は順序を変えないと決める。
3日目：仕上げと展開
午前にカラー調整と音声の整音、テロップの配置を行う。午後に最終確認と書き出し。横型をマスターとして作成し、縦型と正方形はシーケンスを複製して被写体位置を調整する。最後に、サムネイル用の静止画を数点書き出す。
納品前チェックリスト
- 冒頭3秒で主題が伝わるか
- テロップの誤字脱字と表示時間は適切か
- 音量はプラットフォームの基準に収まっているか
- セーフエリア内に重要要素が収まっているか
- ファイル名と書き出し形式は指定どおりか
- 権利確認の記録は残っているか
このチェックを自動化する必要はない。むしろ毎回同じ順序で目視することが、品質の安定につながる。
よくある質問
生成AIだけでプロ品質の映像は作れるのか
単体では難しいが、工程設計と後処理を組み合わせれば商用水準に到達できる。鍵となるのは、生成に任せる部分と編集で作り込む部分を分けることだ。色調整、音声、テロップ、テンポの調整は編集側で行うほうが仕上がりが安定する。
どのモデルを選べばよいか分からない
まず用途で絞る。人物の演技が必要なら静止画からの生成、風景や抽象表現ならテキストからの生成が向く。そのうえで同じプロンプトを複数試し、再現性とモーションの自然さで比較する。名前で選ぶより、自分の題材で試して選ぶほうが確実だ。
生成に時間がかかりすぎる
解像度を下げて構図を決め、確定後に高解像度で作り直す二段階方式にすると総時間が短縮される。また、カットを短く分割すると1回あたりの生成時間が減り、失敗時のやり直しコストも小さくなる。
同じ人物を別カットで再現できない
参照画像を使い、衣装・髪型・照明条件を固定する。テキストだけで人物を説明するのは避ける。それでも揺れる場合は、顔のアップを減らし、後ろ姿や手元などのカットで構成するのも有効な演出判断である。
編集ソフトは何を使えばよいか
無料から始めるならDaVinci Resolve、一般的な業務ならPremiere Pro、短尺の縦型中心ならCapCut系が扱いやすい。いずれの場合も、生成物を定フレームレートに変換してから読み込むことが重要だ。
音声は合成と録音のどちらがよいか
ナレーションの説得力が重要な企画では録音が優位。情報伝達が目的の解説動画や多言語展開が必要な場合は合成音声が効率的だ。合成を使う場合も、文を分割して間を編集で整えると自然になる。
失敗したカットはどう扱うか
すぐに削除せず、別フォルダに退避して残す。後から「あの動きが使えた」と気づくことが多い。また、失敗の原因を記録しておくと、次の案件で同じ問題を避けられる。
チームで作業するときの注意点
命名規則、フォルダ構造、ショットリストの書式を最初に共有する。生成設定もテキストで残し、誰が作り直しても同じ結果に近づくようにする。属人化を防ぐことが、結果として制作速度を上げる。
まとめに代えて：工程を持つことが最大の武器になる
ツールは数か月単位で入れ替わる。昨日の最適解が今日の選択肢になることも珍しくない。だからこそ、特定のツール名を覚えるよりも、企画から書き出しまでの工程と、各段階での判断基準を持っておくことが長期的な強みになる。
まずは小さな案件で、ここで紹介した流れを一通り回してみることを勧める。10秒の短い映像でも、設計・生成・粗編集・仕上げ・展開のすべてを経験すれば、次の案件でどこを短縮し、どこに時間をかけるべきかが見えてくる。工程を一度自分のものにすれば、ツールが変わっても対応できる。それがAI時代の映像制作における、最も再現性の高いスキルである。
