AI動画の品質を決めるのはツールではなく工程設計
動画生成AIの進化は非常に速く、数か月単位で新しいモデルが登場します。しかし、実際に「最後まで見られる動画」を作れるかどうかは、どのツールを選ぶかよりも、工程をどう組み立てるかで決まります。理由は単純です。生成AIは1カットの映像を作るのは得意ですが、複数カットにまたがる物語の運び、キャラクターの同一性、ナレーションとの同期、配信フォーマットへの最適化までは自動では面倒を見てくれません。
現場でよく起きる失敗は、いきなり生成画面を開いてプロンプトを打ち始めることです。出来上がったカットは美しいのに、つなげると人物の顔が変わり、背景の時間帯が飛び、尺が足りず、音を載せると間延びする。これはモデルの性能不足ではなく、設計工程の欠落です。
この記事では、AI動画制作を「企画層・生成層・仕上げ層」の3層に分け、各層で何を決め、どの順番で手を動かすのかを実践ベースで解説します。特定のサービスに依存しない汎用的な手順としてまとめているので、使用モデルが入れ替わってもそのまま使い回せます。
制作前の設計：目的・尺・配信先を先に固定する
撮影でも生成でも、最初に決めるべきは絵ではなく条件です。ここを曖昧にしたまま生成を始めると、後工程でほぼ確実に作り直しが発生します。
目的を一文で言語化する
「認知拡大」「製品理解の促進」「問い合わせ獲得」「ブランド世界観の提示」のどれを狙うかで、必要なカットの種類が変わります。認知目的なら冒頭3秒のインパクトとテンポが最優先、理解促進なら図解や手元のアップ、獲得目的なら具体的なベネフィット提示と行動喚起が必要です。目的が定まらないと、どれも中途半端な動画になります。
尺とアスペクト比を決める
縦型ショートは9:16で15〜60秒、横型の解説や広告は16:9で30秒〜3分、SNSのフィード用は1:1か4:5が基本です。縦型は被写体を画面中央に寄せ、横型は空間の広がりを見せられます。生成時点でアスペクト比を確定させておくと、後からトリミングで構図が崩れる事故を防げます。
素材と権利を棚卸しする
自社のロゴ、実写素材、既存のイラスト、参照してよい写真を先にリスト化します。参照画像として使える素材が増えるほど、生成結果の再現性は跳ね上がります。逆に、権利が不明な画像を参照に混ぜると、公開後に取り下げ対応が必要になるリスクがあります。
合格ラインを数値で決める
「なんとなく良さそう」を避けるため、解像度、フレームレート、1カットの長さ、カット数、想定する視聴完了率などを先に決めておきます。たとえば「1080×1920、30fps、1カット2〜4秒、総カット数24、冒頭3秒で被写体を提示」といった具合です。合否基準があると、生成のやり直し判断が速くなります。
企画から絵コンテへ：文章を映像に翻訳する工程
ログラインからビートへ分解する
まず動画全体を一行のログラインにします。「朝の準備に追われる会社員が、あるアプリで5分を取り戻す」といった粒度です。次に、その一行を3〜5個のビート（場面の塊）に割ります。導入、課題提示、解決、根拠、行動喚起が基本の骨格です。ビートが決まると、各ビートに必要なカット数が自然に見えてきます。
ショットリストを作る
ビートごとに「何を、どこから、どのくらいの長さで見せるか」を表にします。列はショット番号、内容、カメラ（寄り・引き・俯瞰・主観）、尺、必要な参照画像、音の予定で構成すると、後工程の抜け漏れが減ります。表を作る手間は、生成のやり直し回数を減らすことで確実に回収できます。
1ショット1動作の原則
生成AIは1つのカットに複数の動作を詰め込むと破綻しやすくなります。「歩きながら振り返り、同時に扉を開ける」より、「歩く」「振り返る」「扉を開ける」を3カットに分けたほうが、結果が安定し、編集でテンポも調整できます。カットを細かく分けることは、品質を上げる最も安価な手段です。
ラフ絵コンテとアニマティック
うまく描く必要はありません。棒人間と矩形で構図と視線誘導が伝われば十分です。これを動画編集ソフトに並べ、各カットを静止画のまま尺どおりに配置してアニマティックを作ります。この段階で間延びや情報不足が露呈するので、生成前に構成を修正できます。
プロンプト設計とキーフレーム生成の実践
プロンプトの5要素
映像プロンプトは「被写体」「動作」「カメラ」「光」「スタイル」の5要素に分けて書くと安定します。
- 被写体：年齢、服装、髪型、小物など識別に必要な要素
- 動作：1つだけ。動作の速さや方向も明記する
- カメラ：寄り／引き、パン、ドリー、手持ち風など
- 光：逆光、柔らかい拡散光、夜のネオンなど
- スタイル：実写風、フィルムグレイン、アニメ調、配色の傾向
たとえば「30代女性、薄いグレーのニット、窓辺に立つ／ゆっくり振り向く／胸上アップのゆるやかなドリーイン／朝の柔らかい逆光／フィルムグレインの実写風」のように組み立てます。要素を分けておくと、意図しない結果が出たときにどこを直すべきかが判断できます。
ネガティブ指定の使いどころ
避けたい要素は明示します。手指の崩れ、余分な人物、文字の混入、過度な彩度、チラつきなどです。ただしネガティブ指定を盛りすぎると、モデルが萎縮して動きが小さくなる傾向があります。まずは3〜5項目に絞り、結果を見ながら追加するのが現実的です。
反復の回し方
同じプロンプトを何十回も回すのは非効率です。まず3案を出し、構図・動き・光のどれが最も目的に近いかを評価します。次に勝ち筋の案を基準に、カメラか光のどちらか一方だけを変えて2〜3案を出します。変数を1つに絞ることで、良し悪しの原因が追えます。
参照画像の活用
画像から動画を生成する方式は、構図と人物の再現性でテキストのみより優れます。参照画像は解像度が高すぎても低すぎても不安定になるため、長辺1024〜1536ピクセル程度に整え、被写体が明瞭に写っているものを選びます。背景がごちゃついた参照画像は、その情報まで引き継いでしまう点に注意してください。
シーン間の一貫性を保つ技術
長尺のAI動画で最も評価を落とす要因は、カットごとの人物・色・場所の不一致です。ここは技術というより運用で解決します。
キャラクターシートを作る
正面、斜め45度、横、背面の4方向と、表情差分を数枚用意します。衣装は1着に固定し、アクセサリーの位置まで書き留めます。カットごとに参照画像を差し替えるのではなく、必ず同じシートから派生させると、顔立ちの揺れが抑えられます。
色と光のスタイルガイド
「色温度はやや寒色寄り」「ハイライトは柔らかく」「彩度は控えめ」「レンズは50mm相当」といった共通条件を文書化します。生成後のカラー調整でも同じ方向に寄せられるため、映像全体の統一感が保てます。
場所の連続性を台帳で管理する
同じ部屋、同じ通り、同じ時間帯が出てくる場合は、背景の参照画像と説明文を台帳にまとめます。生成のたびに背景を作り直すと、窓の位置や家具の配置が変わります。台帳があれば、別の担当者が作業しても統一が保たれます。
動きの連続性を意識する
前のカットで右に歩いていた人物が、次のカットで左に歩き出すと観客は混乱します。映像の方向性はカットをまたいで維持するのが原則です。視線の向きも同様で、話している相手の方向と視線の先が一致しているかを毎回確認します。
生成モデルの選び方と使い分け
モデルは万能ではなく、用途ごとに得意分野が異なります。1本の動画を1モデルで作ろうとすると必ず無理が出ます。
| 用途 | 向いている方式 | 選定のポイント |
|---|---|---|
| 情景カット・背景 | テキストから動画 | 動きの大きさ、パンやズームの自然さ |
| 人物の演技 | 画像から動画 | 参照画像への追従性、顔の安定度 |
| 商品の見せ場 | 画像から動画＋軽いカメラワーク | 質感の再現、反射や光沢の扱い |
| 話している人物 | リップシンク系 | 音声との同期精度、口元の自然さ |
| アニメ・イラスト調 | スタイル特化モデル | 線の安定、塗りの破綻の少なさ |
| 最終的な精細化 | アップスケール系 | 細部の作り込み、ノイズ抑制 |
選定の実務的な基準
最初に見るべきは、尺と解像度の上限です。次に、動きの大きさに対する安定性。激しいアクションを求めるなら、静かな情景向けのモデルでは破綻します。3つ目は一貫性、4つ目は音声の同時生成可否、5つ目が処理時間と費用対効果です。性能だけで選ぶと、待ち時間と再試行回数で工程が破綻します。
ハイブリッド運用が現実解
実際の現場では、情景はA、人物はB、仕上げはCというように役割分担させます。同じクリップを複数モデルで生成し、良い部分だけを採用する方法も有効です。切り替え前提で作ると、特定モデルの仕様変更に振り回されにくくなります。
編集・音声・仕上げの工程
カット割りとテンポ
編集の第一原則は「情報が変わった瞬間に切る」です。動きの途中で切ると自然につながり、動きが止まってから切ると間延びします。ショート動画では1カット2〜4秒が目安ですが、機械的に当てはめるのではなく、視聴者が次を知りたくなるタイミングで切ります。
ナレーションと音声合成
音声合成を使う場合、話速は1分あたり300〜350文字程度が聞き取りやすい目安です。句読点の位置で間を取り、強調したい語の前後に短い無音を入れると、機械的な印象が和らぎます。固有名詞や数字は読み間違いが起きやすいため、表記を調整するか、読みを直接指定します。
BGMと効果音
BGMは動画の感情を決めるため、最初に方向性を決めます。音量はナレーションより明確に下げ、ナレーションが主役になるバランスにします。効果音は場面転換や動作の強調に絞って使い、多用すると安っぽく聞こえます。
字幕とテロップ
音を出せない環境で視聴される前提で、字幕は必須と考えます。1行あたり全角15〜20文字、表示は1.5〜3秒が読みやすい目安です。テロップは装飾より可読性を優先し、背景とのコントラストを確保します。
カラー調整とノイズ処理
AI生成映像はカットごとに色味がずれやすいため、最後にまとめてカラー調整を行います。彩度を少し落とし、シャドウを統一するだけで、別々に生成したカットが同じ作品に見えてきます。細部のチラつきは軽いデノイズとシャープ処理で緩和できます。
書き出し設定と配信先の最適化
コーデックとビットレート
一般的な配信ではH.264が最も互換性が高く、編集途中の保管にはProResや高ビットレートのH.265が向きます。ビットレートは1080pで8〜12Mbps、4Kで35〜50Mbps程度を目安にし、動きの多い映像では上乗せします。
プラットフォーム別の調整
縦型ショートは音声が突然始まらないよう冒頭に字幕を置き、横型の長尺はチャプターや冒頭の要約を入れると離脱が減ります。音声のラウドネスは、配信先の基準に合わせて-14 LUFS前後に調整しておくと、音量差による違和感を避けられます。
サムネイルとタイトル
サムネイルは1つのメッセージに絞ります。要素を3つ以上入れず、文字は大きく短くします。タイトルは検索意図を満たしつつ、動画で得られる結果を具体的に示すものが有利です。
権利と開示
音源、フォント、素材のライセンスを確認し、必要に応じてAI生成であることの開示を行います。実在の人物やブランドに似た表現は、意図せずとも問題になることがあるため、公開前のチェック項目として必ず組み込みます。
よくある失敗とトラブルシューティング
手や指が崩れる
上半身より遠い構図にし、手を画面の主要素にしないことで回避できます。どうしても必要な場合は、手元だけ別カットとして撮影・生成し、編集でつなぎます。
動きが不自然に速い、または止まる
プロンプトの動作記述を1つに絞り、速度を明示します。尺に対して動作量が多い場合は、カットを分割するか、フレーム補間で滑らかにします。
カットごとに顔が変わる
参照画像を共通化し、シード値を固定し、衣装と照明条件をそろえます。それでも揺れる場合は、顔のアップを減らし、後ろ姿や手元を挟んで視聴者の記憶を補助します。
色味がバラバラになる
生成時の照明条件をそろえ、編集で一括のカラー調整を行います。カットごとに個別調整すると、かえって全体の統一が崩れます。
音と口の動きがずれる
先に音声を確定させ、それに合わせて映像を生成します。逆順で作ると同期の修正に大きな手間がかかります。
尺が足りない、または余る
アニマティックの段階で尺を確定し、不足分は情景カットや図解で補います。余る場合は、繰り返しの説明や冗長な導入を削ります。
よくある質問
無料の範囲でも実用的な動画は作れますか
短尺のテスト制作や構図の検証は無料枠でも十分可能です。ただし、尺が伸びるほど再試行回数が増え、待ち時間と従量のコストが膨らみます。まずは15秒の完成品を1本作り、工程全体を体験してから尺を伸ばすのが安全です。
高性能なPCは必要ですか
クラウド型の生成サービスを使う場合、必要なのは安定した回線とブラウザを動かせる環境です。一方、編集やアップスケールをローカルで行うなら、メモリ16GB以上、GPUを搭載した構成が快適です。作業のどこをローカルに置くかで必要要件が変わります。
何本作れば上達しますか
同じテーマで10本作ると、プロンプトの当たり外れの傾向が見えてきます。30本を超えたあたりから、初稿の成功率が明確に上がります。本数をこなすよりも、各本で変えた変数を1つに絞って記録することが上達の近道です。
商用利用で気をつけることは
利用するモデルと素材それぞれのライセンス条件を確認します。生成物の権利の扱いはサービスごとに異なるため、契約前に規約を読み、必要であれば法務の確認を取ります。実在の人物、商標、楽曲の扱いには特に注意が必要です。
実写と組み合わせてもよいですか
むしろ推奨される手法です。実写の人物にAI生成の背景を合わせたり、AI生成の情景に実写の手元を差し込むことで、説得力が大きく上がります。合成時は照明の方向と色温度をそろえることが最重要です。
どのくらいの頻度でワークフローを見直すべきですか
新しいモデルが使えるようになったタイミングで、生成層だけを差し替える運用が現実的です。企画層と仕上げ層はモデルに依存しないため、基本的に作り直す必要はありません。工程を層で分けておくこと自体が、変化への備えになります。
まとめ：工程を分けるほど、AI動画は安定する
AI動画制作で成果を分けるのは、最新モデルの知識量ではなく、工程の分解度です。目的と尺を先に固定し、ビートとショットリストに落とし、1カット1動作で生成し、参照画像とスタイルガイドで一貫性を保ち、編集と音声で仕上げ、配信先に合わせて書き出す。この流れを一度型として確立すれば、使用するモデルが変わっても同じ品質で作り続けられます。
最初から長尺を狙う必要はありません。15秒の動画を1本、企画から書き出しまで通しで作ってみてください。そこで見つかった詰まりポイントこそ、次に改善すべき工程です。ツールは入れ替わっても、設計した工程はあなたの資産として残ります。
