AI動画生成ワークフローの全体像
映像生成モデルの進化は目覚ましく、テキストを入力して数秒の映像を得るだけなら、誰でも数分で試せるようになりました。しかし「作品」として人に見せられる映像を作るには、単発の生成では足りません。物語のなかで人物が同じ顔で動き、同じ衣装をまとい、同じ光のなかに立っている必要があります。つまり映像生成は「モデルを回す作業」から「設計と検証を繰り返す制作工程」へと移行しました。
この記事では、AI動画生成で短編映像やプロモーション動画、ショート動画シリーズを作るための実践的な進め方を、企画から公開後の改善まで順番に整理します。特定サービスのボタン操作を暗記するのではなく、どのツールに乗り換えても応用できる判断基準と手順に重点を置きます。
制作工程は大きく四つのフェーズに分かれる
第一が設計フェーズです。物語の骨格を決め、登場人物を定義し、ショットリストを作ります。ここで決めた情報が、以降のすべての工程の「正解」になります。第二が生成フェーズで、画像生成と映像生成を往復しながら必要なカットを集めます。第三が編集フェーズで、つなぎ、音、色を整えます。第四が検証フェーズで、初見の視点で見直し、破綻している箇所を洗い出して差し戻します。
大切なのは、この四つを一直線に進めないことです。編集で気づいた違和感は設計の修正につながりますし、検証で見つかった不一致は生成のやり直しを要求します。ループを前提にスケジュールを組むと、終盤での大崩れを避けられます。
「一貫性」が最大の難所になる理由
映像生成モデルは、本質的に毎回わずかに異なる結果を返します。同じプロンプトを入力しても、髪の長さ、目の間隔、背景の小物の位置が変わります。一枚絵なら気にならないこの揺らぎも、カットがつながると致命的です。視聴者は無意識のうちに顔と輪郭を追跡しているため、別人に見えた瞬間に物語への没入が切れます。
したがってワークフローの設計目標は「最高に美しい一枚を出すこと」ではなく、「必要なすべてのカットで許容範囲内の同一性を保つこと」になります。この目標を最初に共有しておくと、後工程での無駄なやり直しが大幅に減ります。
企画と脚本：映像化しやすい物語の設計
AI動画生成で失敗しやすいのは、生成の技術ではなく企画の段階です。映像化しにくい題材、たとえば大人数の群衆劇や複雑なカーチェイス、長回しの会話劇は、現状のモデルでは破綻が目立ちます。逆に、人物ひとりかふたりが明確な目的を持って短い時間を過ごす話は、生成と非常に相性が良いです。
まず書くべきはログラインです。「誰が、何を求め、何に妨げられ、どうなるか」を一文で書きます。これが曖昧なまま生成を始めると、カットが増えるほど方向性が散り、編集でどうにもならなくなります。
ログラインからショットリストへ
ログラインが決まったら、シーンに分解し、さらにショットに分解します。ショットリストには最低限、以下の列を用意します。
- カット番号
- 尺の目安（秒）
- 場所と時間帯
- 登場人物と衣装
- カメラの位置と動き
- セリフまたはナレーション
- 使う生成手段（画像から動画か、テキストから動画か）
- 状態（未着手・生成中・採用・保留）
表計算ソフトで十分です。この表があるだけで、生成の抜け漏れと重複が激減します。
尺とカット数の目安
短編を初めて作る場合、完成尺は30秒から60秒を推奨します。1カットあたりの長さは3秒から8秒が扱いやすい範囲です。30秒の作品なら6から10カット、60秒なら12から20カットが目安になります。1カットを10秒以上にすると、モデル側の動きの破綻や意味の薄い時間が目立ちやすくなります。
また、ショート動画向けの縦型なら、最初の2秒で「何の話か」が伝わるカットを置きます。冒頭に風景の引きのカットを長く置くと、視聴維持が落ちます。
ナレーション型か演技型か
セリフを喋らせる演技型は、口の動きと音声の同期という難所が増えます。まずはナレーション型で作り、慣れてから演技型に進むのが安全です。ナレーション型なら、人物は背中越しや横顔、手元のアップなどで見せられ、口元の同期を避けつつ感情を伝えられます。
キャラクターの一貫性を保つ実践テクニック
ここが本記事の中心です。一貫性は「運」ではなく、手順で作り出すものです。
キャラクター設定シートを作る
主人公が決まったら、まず設定シートを作ります。正面、斜め45度、横顔、背面の4方向、そして無表情・笑顔・驚き・悲しみの4表情。合計8枚から16枚を用意します。これらは画像生成モデルで作り、気に入ったものを確定版として保存します。
設定シートには視覚情報だけでなく、言語情報も添えます。「二十代後半、黒髪を後ろで一つに結ぶ、右眉の上に小さなほくろ、濃紺のジャケット、白いシャツ、生成りのスニーカー」のように、毎回のプロンプトにコピーする固定文として整えておきます。この固定文があると、参照画像が使えない場面でもキャラクターを寄せられます。
参照画像を活用する
画像から動画を生成する方式や、参照画像を指定できる方式では、同じキャラクター画像を毎カットの起点にします。これが最も安定します。ポイントは、参照画像のライティングと構図を、作りたいカットに近づけておくことです。真昼の屋外で撮ったような参照画像から、夜の室内カットを作ると、顔立ちが大きく変わります。
同じキャラクターでも「昼用参照」「夜用参照」「室内用参照」の3種類を用意しておくと、カット間の差が縮まります。
崩れる原因と予防策
一貫性が崩れる典型的な原因は次の五つです。
- 参照画像と本番カットの照明条件が離れすぎている
- 顔のアップと全身でモデルが参照する情報量が変わる
- 動きが大きすぎて、フレーム内で顔の向きが何度も変わる
- 衣装や髪型をプロンプトで毎回書き換えている
- 背景の色温度がカットごとに違う
対策はシンプルです。参照を固定し、プロンプトの固定部分と可変部分を明確に分け、可変部分にはカメラと動きだけを書きます。衣装や髪型は可変部分に書かないというルールを守るだけでも、別人化はかなり減ります。
生成モデルの選び方：用途別の判断基準
モデルは日々入れ替わります。名前を覚えるより、比較の軸を持ったほうが長く使えます。
比較すべき六つの軸
- 写実性：肌や布の質感が自然か
- 動きの自然さ：歩行、手振り、髪の揺れに破綻がないか
- カメラ制御：指定したカメラワークに従うか
- 参照の効き：指定した人物や物体を保てるか
- 生成時間とやり直しのしやすさ
- 縦横比と尺の対応範囲
この六軸を、自分の題材に合わせて重み付けします。商品の質感を見せる広告なら写実性と参照の効きが最優先です。アニメ調のショートなら、動きの自然さとカメラ制御のほうが重要になります。
画像生成と動画生成を分けて考える
安定した制作では、いきなりテキストから映像を作らず、まず一枚のキーフレームを作ります。この画像を何度も修正してから動かすほうが、結果の予測がしやすく、やり直しの被害も小さくなります。テキストから直接映像を作る方式は、勢いのある一発勝負に向いています。
試作と本番でモデルを変える
すべてのカットを最高品質の設定で作る必要はありません。構図の確認、尺の確認、つなぎの検証は軽い設定で行い、採用が決まったカットだけを高品質で作り直します。この二段構えにすると、制作時間と処理量の両方を抑えられます。
判断に迷ったら、「このカットは最終的に画面の何割を占めるか」を自問してください。画面の一割しか映らないカットに高品質設定は不要です。
プロンプト設計：シーンを言語化する技術
プロンプトは呪文ではなく仕様書です。曖昧な指示は曖昧な結果を生みます。
一枚の絵として書き出す
最初に書くべきは被写体ではなく「どんな絵か」です。次の順で書くと整理しやすくなります。
- 被写体と外見の固定情報
- 場所と時間帯
- 光源の種類と方向
- 構図とレンズ感
- 動きと時間の流れ
- 画面の雰囲気と色調
たとえば「薄暗い書斎、窓から差し込む午後の光、机に向かう女性を斜め後ろから見た中景、浅い被写界深度、ゆっくりとページをめくる手」という書き方です。修飾語を増やすより、情報の種類を増やすほうが効きます。
動きの記述は「何が」「どう」
動きの指定は「何が」「どう動くか」「どのくらいの速さか」の三点で書きます。「髪が風に揺れる」「ゆっくりと右手を持ち上げる」「画面左へ歩き去る」。逆に「ダイナミックに」「躍動感あふれる」といった抽象語は、モデルにとって情報量がほぼゼロです。
動きを増やしすぎると、一貫性と引き換えになります。1カットにつき主要な動きは一つか二つに絞るのが実践的です。
ネガティブ指定と除外ルール
避けたい要素は明示します。指の本数がおかしい、文字が溶ける、画面が二重になる、余計な人物が入る、といった現象は除外指定である程度抑えられます。ただし除外指定を大量に並べると、今度は画面が硬直して動きが止まります。多くても五つ程度に絞りましょう。
テンプレート化して再利用する
採用したカットのプロンプトは必ず保存します。次のカットは、その文の可変部分だけを書き換えて作ります。これにより、作品全体のトーンが自然にそろいます。プロンプトを毎回ゼロから書くのは、一貫性を壊す最も確実な方法です。
ショット設計とカメラワークの基本
カットが単体で美しくても、つながると壊れることがあります。映像は編集で意味が生まれるからです。
つながりを守る三つのルール
第一に、同じシーンでは人物の左右の位置関係を固定します。会話する二人の位置がカットごとに入れ替わると、視聴者は強い混乱を覚えます。第二に、視線の方向をそろえます。右を見ている人物の次に、右側に何かがあるカットを置きます。第三に、画面の明るさと色温度の急変を避けます。昼から夜へ飛ぶなら、間に中間のカットを挟みます。
カメラの動きで感情を操る
カメラの動きは感情の記号です。ゆっくり寄る動きは注目と緊張を生み、引く動きは解放と孤独を表します。横に流れる動きは移動や時間の経過を示します。被写体の周囲を回る動きは、その場の状況を立体的に見せます。
ただし、生成モデルでは大きなカメラ移動ほど破綻しやすいという現実があります。迷ったら「固定」か「ごく小さく寄る」を選んでください。動きは編集のカット切り替えで補えます。
インサートとトランジション
キャラクターの一貫性に不安があるときは、インサートカットが強い味方になります。手元、足元、湯気の立つコーヒー、窓の外の雨。これらは人物の顔を映さずに時間経過や心理を伝えられます。会話シーンでは、相手の反応、手元、背景を挟むだけで、顔のカット数を減らせます。
トランジションは基本のカットつなぎで十分です。凝った効果は、物語上の意味があるときだけ使います。
編集・音声・仕上げの工程
生成した素材は、そのままでは作品になりません。ここからが本番です。
カットのテンポを決める
編集ソフトに素材を並べ、まず音を入れずに通しで見ます。長すぎるカット、意味の重複したカットを削ります。AI生成のカットは往々にして「動き出し」と「動き終わり」が冗長なので、前後を詰めるだけでテンポが改善します。
目安として、説明のカットは短く、感情のカットは長くします。均等な長さで並べると単調に見えます。
音楽・効果音・ナレーション
無音のAI動画は、どれだけ映像が良くても素人作品に見えます。環境音を敷くだけでも大きく変わります。屋外なら風と遠くの街音、室内なら空調の低い音。そこに効果音を足し、最後に音楽を重ねます。
音楽は権利処理が明確な素材を選びます。ナレーションを入れる場合は、先に音声を録ってから映像の尺を合わせるほうが、結果的に速く仕上がります。
リップシンクとセリフ
セリフを喋らせる場合、口元のカットは短く、そして少なくします。口元の同期は完璧にはならないため、正面のアップを長く見せると破綻が目立ちます。聞き手の反応カットや手元を挟み、喋っているカットは2秒から3秒で切り替えるのが定石です。
色調整・アップスケール・書き出し
最後に全カットへ同じ色調整をかけます。カットごとに個別調整すると、かえって不統一になります。同じルックを全編に適用するほうが、生成由来の揺らぎは目立たなくなります。
解像度が足りない場合はアップスケールを行い、必要に応じて軽いノイズ除去と手ぶれ補正をかけます。書き出しは配信先に合わせます。縦型は1080×1920、横型は1920×1080、ビットレートは音声込みで十分な値を選びます。
制作パイプラインの効率化
制作が3本目、5本目と増えてくると、ボトルネックは生成速度ではなく管理になります。
フォルダと命名規則
作品ごとにフォルダを切り、その下に「01_設定」「02_採用画像」「03_生成素材」「04_音声」「05_編集」「06_書き出し」を置きます。ファイル名は「作品名_カット番号_テイク番号_状態」の形式に統一します。命名規則を決めておくと、後から探す時間が消えます。
テイク管理と比較
同じカットの候補は3本から5本に絞って並べ、見比べてから採用します。採用理由を一言メモしておくと、後で「なぜこれを選んだのか」が分からなくなったときに助かります。
プロンプトのバージョン管理
プロンプトは文章で保存し、変更履歴を残します。修正前の文を消してしまうと、良かった結果を再現できなくなります。テキストファイルで十分です。
チームで回すときの受け渡し
分担する場合、脚本とキャラクター設定シートを先に固め、担当者はその固定情報を変更しないことを約束します。カット単位で分担し、同じカットを二人が触らないようにします。
よくある失敗とトラブルシューティング
同じ人物が別人になる
参照画像を固定し、照明条件の近い参照を使い分けてください。それでも崩れる場合は、アップのカットを減らし、インサートで代替します。
手や文字が崩れる
手は画面外に出す、物阴で隠す、被写界深度でぼかす。文字は生成物に任せず、編集ソフトで後から乗せます。これが最も確実です。
映像がちらつく・溶ける
動きの量を減らし、尺を短くし、カメラ移動を小さくします。それでも直らない場合は、別のテイクを採用するか、静止画にわずかな動きを加える方式に切り替えます。
動きが速すぎる／遅すぎる
編集ソフトの速度調整で対応できます。AI生成素材は速度を変えても不自然になりにくいため、まず編集で直すのが合理的です。
音と映像がずれる
セリフの尺を先に確定させ、それに合わせて映像を切ります。映像から音を作ると、どうしてもずれが残ります。
よくある質問（FAQ）
初心者は何から始めればよいですか
10秒、3カットの作品を作ってください。それだけで、企画、生成、編集、書き出しの全工程を一度体験できます。尺を伸ばすのは、この一周を回してからで十分です。
一本作るのにどれくらい時間がかかりますか
30秒の作品で、慣れるまでは数日、慣れれば半日から一日が目安です。時間の大半は生成ではなく、ショットリストの作成と編集に費やされます。
スマートフォンだけで作れますか
可能です。縦型のショートなら、生成はブラウザ経由、編集はモバイルアプリで完結します。ただしカット数が増えると管理が苦しくなるため、長い作品はPCを推奨します。
どのモデルを選べばよいですか
題材で決めます。実写調の人物ドラマなら参照の効きと写実性、アニメ調なら動きの自然さとカメラ制御を優先します。迷ったら、短いテストカットを同じプロンプトで複数モデルに出し、見比べて決めるのが最短です。
商用利用で気をつけることは
各ツールの利用条件と、生成物に関する権利の扱いを必ず確認してください。実在の人物や著名人に似た人物、既存作品に酷似したデザイン、商標を含むロゴの生成は避けます。
一貫性がどうしても出ません
アップのカットを減らし、シルエットとインサート中心の構成に切り替えてください。人物を直接見せない演出は、制約を回避するだけでなく、作品としての格も上げます。
縦型と横型、どちらを先に作りますか
配信先を先に決めます。ショート中心なら縦型で作り、横型への展開は構図を広げて別撮りするほうが破綻しません。同じ素材のトリミングだけで両対応しようとすると、どちらも惜しい仕上がりになります。
まとめ：設計が品質を決める
AI動画生成の品質は、モデルの性能だけで決まりません。ショットリストの精度、キャラクター設定の固定、参照の使い分け、そして編集での詰め。これらが揃って初めて、見られる映像になります。
まずは短い一本を最後まで完成させてください。完成させる過程で、自分にとってのボトルネックが必ず見えます。そこを改善するほうが、新しいツールを次々と試すより、はるかに速く上達します。
