導入：動画生成AIは「モデル選び」から「演出の設計」へ移った
数年前まで、AI動画の話題は「どのモデルが一番きれいに動くか」に集中していた。しかし、主要な動画生成モデルが次々とリリースされ、数秒のクリップなら誰でも作れるようになった現在、制作現場の関心は大きく移動している。動くかどうかではなく、意図した通りの動画を、再現性のある手順で、何本も作れるかどうかだ。
この変化は、画像生成の歴史とよく似ている。初期は「呪文のようなプロンプトを当てる」技術が評価されたが、今は構図・光・キャラクターの一貫性を設計する力が問われる。動画でも同じことが起きている。1カットの美しさより、複数カットのつながり、キャラクターの同一性、カメラワークの意図が成果を分ける。
本記事では、ある動画生成プラットフォームの進化を題材にしながら、それを一般的な制作手法として読み替えていく。複数の生成モデルをどう使い分けるか、キャラクターの一貫性をどう担保するか、AIに絵コンテや撮影指示をどこまで任せるか。特定のサービス名に依存しない形で、今日から再現できるワークフローとして整理する。
そもそも何が変わったのか：単発生成からパイプラインへ
比較の軸がずれた理由
以前の比較記事は「解像度」「動きの自然さ」「プロンプト追従性」の3点で足りた。今この3軸だけでは不十分な理由は単純で、上位モデル同士の差が小さくなったからだ。むしろ差がつくのは次の領域である。
- 複数ショット間で被写体がどれだけ保たれるか
- 生成結果をどこまで制御・修正できるか
- ワークフローに組み込めるか（書き出し形式、反復速度、バッチ処理）
つまり評価対象が「モデル」から「制作環境」へ移った。動画生成AIを選ぶことは、単体のツールを選ぶことではなく、モデル群・編集手順・素材管理を含む制作環境を選ぶことに近づいている。
用途で分ける3レイヤー
実務では、動画生成AIの使い道はおおむね3層に分かれる。
- コンセプト可視化：企画会議用のラフ映像。精度より速さ。1カット3〜5秒で十分。
- 本番素材生成：広告・SNS投稿・ショート動画のカット。一貫性と解像度が重要。
- 反復量産：同じ世界観でシリーズ化する用途。テンプレート化と差分管理が鍵。
多くの失敗は、この層を混ぜてしまうことから起きる。ラフ用の速度感で本番素材を作ろうとすると品質が足りず、本番用の厳密さでコンセプト検証をすると時間が溶ける。まず自分の案件がどの層かを決めるのが出発点だ。
モデル群を使い分ける：単一モデル信仰をやめる
モデルの系統と得意分野
動画生成モデルは大きく3系統に分けて考えると整理しやすい。
- テキスト起点型：プロンプトから直接カットを生成する。速度が速く、構図の自由度が高い。一方で細かい動きの制御は苦手。
- 画像起点型：1枚の静止画を動かす。構図と色彩を完全に固定できるため、一貫性が必要な場面で強い。動きの範囲は入力画像に制約される。
- モーション制御型：参照動画の動きを別の被写体に転写する。ダンスや製品の回転など、動きそのものが主役の場面で威力を発揮する。
これに画像生成モデル（キービジュアル作成用）と、アップスケール・補間などの後処理モデルを加えると、実務で必要なカテゴリはおおむね揃う。
使い分けの判断基準
迷ったときは次の順に問うと決めやすい。
- 動きの主役は「被写体」か「カメラ」か。被写体ならモーション制御型、カメラならテキスト起点型。
- 構図を絶対に譲れないか。譲れないなら画像起点型で固定する。
- 同じ被写体を別カットでも使うか。使うなら画像生成で基準カットを先に作る。
たとえば「女性が振り返って微笑む」カットなら、まず画像生成で振り返る前のカットを確定し、それを画像起点型で動かす。動きが小さいので破綻しにくく、顔も保たれる。「街を歩く主観映像」なら、テキスト起点型でカメラワークを指定し、複数案を出して選ぶ。この切り分けだけで手戻りはかなり減る。
モデルをまたぐときの注意点
複数モデルを併用する際に最も事故が多いのは、モデルごとの「描画の癖」を無視することだ。同じプロンプトでも、肌の質感、レンズのボケ方、色温度がモデルごとに違う。そのまま並べるとカット間で世界観がずれる。
対策は3つ。第一に、共通のリファレンス画像を全カットに渡す。第二に、プロンプトの末尾に固定のスタイル記述（例：柔らかい自然光、35mm相当、浅い被写界深度）を毎回同じ文言で入れる。第三に、書き出し後に色調整を全カットへ同じプリセットで適用する。最後の工程を省くと、どれだけ生成が上手くても継ぎ接ぎに見える。
キャラクターの一貫性を仕組みで守る
なぜ顔が毎回変わるのか
生成モデルは、プロンプトに「同じ人物」と書かれていても、それを記憶しているわけではない。毎回ゼロから確率的に絵を作るため、髪型・目鼻立ち・服の細部が揺らぐ。これはモデルの欠陥ではなく仕組み上の性質であり、プロンプトの工夫だけでは解決しきれない。
有効なのは、テキストではなく画像で人物を固定する方法だ。基準となるポートレートを1枚作り、それを各カットの生成に参照させる。複数の角度の画像を用意できるならさらに安定する。正面・斜め45度・横顔の3枚があると、振り向きや横移動のカットでも破綻しにくい。
実践：一貫性チェックリスト
シリーズ化を前提とした案件では、生成前に次を確認する。
- 基準ポートレートを2〜3アングル用意したか
- 衣装・小物・髪型をテキストでも明記しているか（画像参照の補強として）
- 背景の光源方向をカット間で統一したか
- 各カットの生成後に、顔と服のディテールを等倍で確認したか
- 修正が必要な場合、再生成ではなく部分修正で対応できるか
特に光源方向は見落としやすい。一人の人物が左から光を受けているカットと右から光を受けているカットを並べると、視聴者は理由を説明できないまま違和感を覚える。
破綻したときのリカバリ手順
それでも崩れるときは、次の順で対処する。
- 参照画像を増やす（1枚→3枚）
- 動きの大きさを下げる（振り向き→わずかな首の動き）
- カットを分割する（長回しを2カットに割る）
- 顔が映らない構図に変更する（後ろ姿、手元、シルエット）
4番目は妥協に見えるが、演出上は有効な手段である。映画でも人物の感情を手元や足元で語る場面は多い。生成の限界を演出で回避する発想が、結果的に作品の質を上げる。
AIに絵コンテと撮影指示を任せる
シーン構成をAIに相談する
台本や企画メモを渡し、ショットリストへの分解をAIに依頼する使い方が定着してきた。有効なのは、単に「絵コンテを作って」と頼むのではなく、制約条件を明示する方法だ。
たとえば「15秒の縦型動画、カット数は4、各カット3〜4秒、導入は引き、中盤は寄り、最後は商品のクローズアップ、ナレーションは6秒地点で入る」といった条件を渡す。条件が具体的なほど、返ってくるショットリストは撮影可能な粒度になる。
生成AIが苦手なのは、感情のニュアンスを映像言語に変換する部分だ。「寂しさを表現して」ではなく「人物を画面の右端に小さく置き、余白を広く取る」のように、映像の文法に翻訳された指示を出す。この翻訳自体をAIに手伝わせるのも有効で、「この感情をカメラワークと構図で表現する選択肢を5つ挙げて」と問うと、比較検討しやすい案が出てくる。
撮影技術の提案をどう評価するか
AIが提案するカメラワークは、往々にして派手すぎる。ドローン旋回、急激なズーム、複合的な動き。しかし視聴者が内容を理解するには、動きの少ないカットが必要だ。提案を受けたら次の基準で取捨選択する。
- 情報を伝えるカットか、感情を動かすカットか（前者は固定か緩やかな動き）
- 動きの方向が前カットと矛盾していないか
- 2秒以内に動きが完結するか（短尺では長い動きは伝わらない）
- 同じカット内で動きが2つ以上重なっていないか
複数の動きを1カットに詰め込むと、生成AIは破綻しやすく、視聴者も視線を迷わせる。1カット1モーションを原則にするだけで、生成成功率と伝達力の両方が上がる。
コミュニティ作例から学ぶ
同じ題材でも、公開されている作例を観察すると引き出しが増える。観察する際は「何を作ったか」ではなく「どう制御したか」に注目する。具体的には、動きの開始位置、被写体の画面内占有率、背景の情報量、色のコントラストだ。これらを数値的にメモしていくと、自分の案件に転用できる形で知識が残る。
制作ワークフロー：企画から書き出しまで
ここまでの要素を、実際の手順に落とし込む。
フェーズ1：設計（30分）
- 尺と媒体を決める（15秒縦型、30秒横型など）
- 伝える情報を1つに絞る
- カット割りを4〜6に分解する
- 各カットに「動きの主役」を1つだけ割り当てる
この段階でカット数が10を超えるなら、企画が複雑すぎる。削るか、シリーズに分割する。
フェーズ2：素材生成（60〜90分）
- キービジュアルを画像生成で作る（構図の確定）
- 人物が登場する場合は基準ポートレートを2〜3枚作る
- 各カットを生成する。まず1案ずつ、動きは小さめに
- 等倍で確認し、破綻があればパラメータを1つだけ変えて再生成する
複数のパラメータを同時に変えると、どの変更が効いたのか分からなくなる。1回に1変数が原則だ。
フェーズ3：仕上げ（30分）
- 全カットに同じ色調整を適用する
- カットの長さを調整し、余韻を残すカットには1秒追加する
- 字幕と音を載せる（音は動画の印象を大きく左右する）
- 書き出しサイズを媒体に合わせ、最初の1秒を確認する
最初の1秒はSNS上での離脱を左右する。冒頭に動きのあるカットを置くか、テキストで問いを立てる。
失敗パターンと対処
よくある詰まりどころを整理する。
- 動きが速すぎて何が起きているか分からない：生成時の動き量を下げ、カットを短くする
- カット間で色が合わない：共通の参照画像を渡し、書き出し後に色調整を統一する
- 顔が毎回変わる：基準ポートレートを増やし、動きの大きさを下げる
- 全部のカットが同じに見える：構図のバリエーション（引き・寄り・俯瞰・手元）を先に割り振る
- 生成に時間がかかりすぎる：検証は低解像度で行い、採用案のみ高解像度で再生成する
最後の項目は特に重要だ。全カットを最初から高品質で作るのは効率が悪い。ラフ段階は低解像度・短尺で方向性を確定し、採用が決まったカットだけ仕上げる。この段階分けだけで、同じ時間で試せる案数が3倍以上になる。
導入判断のチェックリスト
動画生成AIを制作フローに取り入れるべきか迷ったら、次を確認する。
- 月に何本の動画が必要か（3本未満なら外注の方が速いこともある）
- 撮影に必要な人物・場所・機材にアクセスできるか
- 修正指示の往復回数が許容範囲か（生成は往復が速い）
- 縦型・横型・正方形など複数比率の展開が必要か
- ブランドの一貫性を守るための参照素材が社内にあるか
参照素材があるチームは立ち上がりが速い。ロゴ、商品写真、ブランドカラーが揃っていれば、それを生成の基準として渡せるからだ。
よくある質問
どのモデルを最初に試すべきですか
用途で変わります。人物の一貫性が必要なら画像起点型から始めてください。抽象的な世界観や風景ならテキスト起点型が速いです。まず1つの系統を使い倒し、限界が見えてから追加するのが定石です。
生成された動画は商用利用できますか
モデルごとに利用条件が異なります。導入前に、各モデルのライセンスと出力物の権利に関する条項を必ず確認してください。条件は更新されることがあるため、四半期ごとに再確認する運用をおすすめします。
人が撮った映像と混ぜても大丈夫ですか
問題ありません。むしろ実写と生成を混ぜると表現の幅が広がります。ただし色調とグレインの質感を揃えないと不自然に見えます。実写素材に生成素材の色を寄せるのが合わせやすいです。
何カットくらいが適切ですか
15秒なら4〜6カット、30秒なら6〜10カットが目安です。それより多いと1カットが2秒未満になり、視聴者が内容を処理できません。情報量を増やしたい場合は尺を延ばすか、シリーズに分けます。
プロンプトは日本語と英語どちらが良いですか
モデルによって傾向が異なります。比較する場合は、同じ内容を両言語で書いて出力を並べ、自分の題材で優位な方を選ぶのが確実です。作品ごとに言語を切り替えるより、プロジェクト単位で固定した方が再現性が高まります。
まとめ：演出を設計する人が強くなる
動画生成AIの進化で、技術的な障壁は確実に下がった。しかし障壁が下がるほど、差がつくのは上流工程である。何を伝えるか、どの順で見せるか、どのカットで動かし、どこで止めるか。これらを設計できる人は、モデルが入れ替わっても同じ品質を出せる。
逆に、プロンプトの当て方だけに頼っていると、モデルの更新のたびに成果が揺らぐ。安定させる鍵は、参照素材の準備、カット設計、色の統一、段階的な品質管理という地味な工程にある。派手さはないが、これが再現性の正体だ。
まずは小さく始めるとよい。15秒、4カット、1つの動き。この規模で一度完成させ、手順を記録する。記録があれば、次は尺を伸ばし、カットを増やし、シリーズ化できる。動画生成AIは、一度作って終わりではなく、作り続けることで価値が出る道具である。
キービジュアルの制作や動画生成の環境を整えたい場合は、画像と動画の両方をひとつの場所で扱える Domer のような環境から始めると、参照素材の管理とカット生成を同じ流れで進められる。
