AI動画生成ワークフローの全体像
AI動画生成は、ボタンを一度押せば完成する魔法ではありません。実際の制作現場では、企画、脚本、素材準備、モデル選定、ショット生成、編集、音声、レビューという複数の工程が連なっており、それぞれに判断ポイントがあります。工程をばらばらに進めると、前半で決めた世界観と後半で生成した映像が噛み合わず、手戻りが膨らみます。
そこで有効なのが、制作を一つのパイプラインとして先に設計しておく方法です。パイプラインを固定すると、次の三つの効果が得られます。
- 生成のやり直しが減り、同じ品質に再現性をもって到達できる
- チーム内で「今どの工程にいるのか」が共有でき、レビューが速くなる
- 使用するモデルやツールを差し替えても、工程そのものは使い回せる
本記事では、企画から書き出しまでの流れを七つの工程に分け、各工程で何を決め、どこでつまずきやすいのかを実務目線で整理します。
生成AIが得意なことと苦手なこと
最初に押さえておきたいのは、現在のAI動画生成の得手不得手です。
得意な領域は、質感のある映像の量産、照明や天候のバリエーション出し、実写では撮影コストが高いカットの試作、複数パターンの絵コンテ検証です。短いカットを何十通りも試せるため、方向性の比較には非常に強い味方になります。
一方で苦手な領域は、長尺の一貫性維持、複雑な手指の動き、画面内の文字やロゴの再現、論理的に連続するアクションの描写です。これらは「生成した後に人間が直す」前提で設計したほうが現実的です。
ワークフローを固定する三つのメリット
第一に、指示の書き方が属人化しなくなります。プロンプトの型が決まっていれば、担当者が変わっても出力の傾向が大きくは変わりません。第二に、失敗の原因を切り分けやすくなります。絵が崩れたのか、動きが不自然なのか、編集で壊れたのかを工程ごとに確認できます。第三に、外注や協業がしやすくなります。工程が明文化されていれば、一部だけを外部に任せることも可能です。
企画と脚本：人間が決めるべき範囲
AIに任せてよい部分と、人間が握るべき部分を最初に切り分けます。結論から言えば、目的・対象視聴者・尺・トーン・伝えるべきメッセージは人間が決めます。逆に、表現のバリエーション出しやラフ案の生成はAIに任せたほうが速いです。
目的と配信先を先に固定する
同じ三十秒でも、縦型ショート動画と横型の商品紹介では必要な画角もテンポもまったく違います。最初に決めるべきは次の五点です。
- 配信先（縦型・横型・正方形、字幕の有無）
- 想定視聴者と視聴環境（音声ありか、無音視聴か）
- 尺とカット数
- 伝えるべき単一のメッセージ
- トーン（実写風、アニメ調、CG調、レトロ調）
特に無音視聴を想定する場合、字幕前提の設計が必要です。字幕の文字数が多すぎると画面が潰れるため、脚本の段階で一文を短くしておくのが定石です。
脚本をAIと共同で作る手順
脚本づくりでは、いきなり完成形を書かせるのではなく、段階を分けます。まず構成案を三通り出させ、次に選んだ構成をカット割りに展開し、最後にナレーション原稿を整えます。この三段階を踏むと、方向性の修正が楽になります。
ナレーション原稿は読み上げ時間で管理します。日本語の一般的な読み上げ速度は一分あたり三百字前後が目安です。三十秒の動画なら百五十字前後、六十秒なら三百字前後が上限と考え、そこから映像の余白を差し引いて計算します。
絵コンテとショットリストの作り方
脚本が固まったら、カットごとに次の情報を表形式で整理します。
| 項目 | 記入内容 |
|---|---|
| カット番号 | 撮影順ではなく編集順で付番 |
| 尺 | 秒数（二〜五秒単位が扱いやすい） |
| 画面内容 | 被写体、動作、背景 |
| カメラ | 固定、パン、ドリー、手持ち風 |
| 照明 | 逆光、ソフトライト、夜、室内 |
| 音 | ナレーション、環境音、BGM |
この表があると、生成時のプロンプトを機械的に組み立てられます。逆にこの表がないまま生成を始めると、カットごとにトーンがばらつき、編集でつなげられない素材が大量に生まれます。
モデル選定の判断基準
AI動画生成のツールは多数あり、それぞれ設計思想が異なります。重要なのは「一番高性能なもの」を選ぶことではなく、「今回の用途に合っているもの」を選ぶことです。
用途別のカテゴリ比較
| カテゴリ | 向いている用途 | 注意点 |
|---|---|---|
| テキストto動画 | ラフ案の量産、情景カット、抽象表現 | 構図の制御が弱く、狙った構図は出にくい |
| 画像to動画 | 商品紹介、キャラクター主体のカット | 元画像の品質がそのまま結果に影響する |
| 動画to動画 | 実写素材のスタイル変換、色調整 | 元映像の権利確認が必須 |
| アップスケール | 最終書き出し前の解像度向上 | 元の破綻は拡大される |
| 音声合成 | ナレーション、多言語展開 | 固有名詞の読みは要確認 |
| 編集支援 | 字幕生成、カット選別 | 誤変換のチェック工程は省略できない |
選定チェックリスト
モデルを選ぶ際は、次の観点で比較すると判断がぶれません。
- 一貫性：同一キャラクターを複数カットで維持できるか
- 制御性：カメラワークや被写体の動きを指示できるか
- 尺：一回の生成で得られる秒数と、延長のしやすさ
- 解像度：最終的な書き出しサイズに耐えるか
- 速度：試行回数を稼げるレスポンスか
- 料金体系：従量か定額か、試行錯誤のコストが読めるか
- 商用利用条件：利用規約と学習データの扱い
特に重要なのは、試行回数をどれだけ確保できるかです。AI動画生成は一発で決まることは稀で、十回から二十回の試行の中から使えるカットを選ぶのが標準的な運用です。単価が高すぎるモデルは、結果的に品質が伸びにくいという逆説があります。
複数モデルを使い分ける前提で設計する
実務では、一つのモデルで全カットを賄おうとすると無理が出ます。人物のクローズアップは画像to動画、風景のパンはテキストto動画、最後の質感調整はアップスケール、というように役割を分けるほうが安定します。そのためには、カットごとに使用モデルを記録する欄をショットリストに用意しておくと管理が楽になります。
素材準備とキャラクターの一貫性
動画生成の品質は、生成前の素材準備でおおよそ決まります。特にキャラクターが登場する作品では、参照画像の設計が成否を分けます。
キャラクターシートを作る
キャラクターシートとは、同一人物の正面、斜め、横、背面、表情違いを並べた資料です。これを静止画生成で先に作り込んでおくと、動画生成時の参照として使い回せます。ポイントは次の通りです。
- 背景を無地または単純なものに統一する
- 光源の方向を全カットで揃える
- 服装は基本形を一つ決め、変化形は別途管理する
- 髪型やアクセサリーなど識別要素を明文化する
テキストで説明するより、画像一枚を見せるほうが圧倒的に情報量が多いため、参照画像は言葉の指示を置き換える強力な手段になります。
参照画像を動画に引き継ぐコツ
静止画から動画へ移す際、動きの量を欲張ると顔が崩れます。最初は小さな動き（まばたき、わずかな髪の揺れ、呼吸）から始め、成功したら徐々に動きを足すのが安全です。また、参照画像と同程度のアスペクト比で生成すると、余計なトリミングによる構図のズレを防げます。
背景と小道具の管理
背景も同様に、ロケ地ごとの基準画像を用意しておくと統一感が保てます。室内なら窓の位置、屋外なら時間帯と天候を固定します。小道具は色と形状をメモしておくと、カット間の食い違いを防げます。
プロンプトとショット設計
プロンプトは文章術ではなく設計です。要素を分解し、順番を固定すると再現性が上がります。
プロンプトの基本構造
実務で使いやすいのは、次の順序で記述する型です。
- 被写体（誰が、何が）
- 動作（何をしているか）
- 環境（どこで、天候、時間帯）
- カメラ（画角、動き、被写界深度）
- 照明（光源の方向と質）
- スタイル（質感、フィルム感、色調）
- 制約（避けたい要素、不要なもの）
例えば「赤いコートの女性が、雨の歩道をゆっくり歩く。腰から上のミディアムショット、ゆっくり前進するドリー、左からの柔らかい街灯、粒子の細かいフィルム調」といった具合です。要素が揃っていると、修正すべき点も特定しやすくなります。
カメラワークの語彙を揃える
チームで制作する場合、カメラ用語を統一しておくと指示の揺れが減ります。固定、パン、チルト、ドリーイン、ドリーアウト、トラッキング、クレーン、手持ち風、オービットなど、十前後の語彙に絞ると運用しやすくなります。あまりに細かい指定は生成側が解釈しきれず、かえって破綻を招きます。
動きの量は控えめに設計する
短い尺で大きな動きを指定すると、フレーム後半で被写体が崩れる典型パターンに入ります。二秒から四秒のカットで、動作は一つだけにするのが基本です。歩く、振り返る、手を伸ばす、といった単一動作を積み重ねるほうが、結果的に滑らかな映像になります。
失敗しやすい指示の例
避けたい指定の代表例は次の通りです。
- 抽象的すぎる形容（美しい、迫力のある、感動的な）
- 同時に複数の動作を求める指示
- 画面内に長い文字を描かせる指示
- 極端なローアングルと高速パンの組み合わせ
- 人物の全身と顔のクローズアップを同時に求める指示
これらは生成モデルの構造的な弱点を突くため、避けるか、複数カットに分割して対応します。
生成から編集までのパイプライン
ここからは実際の流れを工程順に追います。
バッチ生成と命名規則
カットごとに五から十パターンを一気に生成し、ファイル名にカット番号、モデル名、連番、日付を入れて保存します。命名規則を決めておかないと、後から使える素材を探すだけで時間が溶けます。フォルダ構成も、プロジェクト、カット、バージョンの三段階で分けておくと迷いません。
選別とマーキング
生成した素材は、そのまま編集に持ち込まず、選別の工程を挟みます。使える、条件付きで使える、使えないの三段階で評価し、採用したものだけを別フォルダに複製します。判断基準は、被写体の破綻がないか、カメラの動きが自然か、前後のカットと色調が合うかの三点です。
編集ソフトへの取り込み
編集は解像度とフレームレートを揃えたタイムラインで行います。カットの長さは、生成された尺より少し短めに切ると、動きの破綻が画面に残らず済みます。つなぎ目は、同じ方向の動きで結ぶか、似た色調のカットを隣接させると自然に見えます。
音声、BGM、字幕の統合
音は映像の印象を大きく左右します。ナレーションは読みの確認を兼ねて一度通しで聞き、固有名詞や数字の誤読をチェックします。BGMはナレーションの邪魔にならない帯域を避け、カットの切り替わりに合わせて音量を微調整します。字幕は一文を短くし、画面下三分の一に収めます。
書き出し仕様の確認
配信先ごとに推奨の解像度、フレームレート、ビットレート、音声形式が異なります。縦型は九対十六、横型は十六対九、フィード用は一対一か四対五が基本です。書き出し前に、先方の規定を必ず確認してください。
品質を安定させる運用のコツ
属人的な成功を再現可能な手順に変えるための工夫を紹介します。
プロンプトライブラリを作る
うまくいったプロンプトは、そのまま保存して資産化します。カテゴリは、人物、風景、商品、抽象、トランジションなど、用途別に分けます。各項目には、使用したモデル、尺、解像度、うまくいった理由のメモを添えます。
テンプレート化とバージョン管理
ショットリスト、プロンプト、生成ログはテンプレート化し、プロジェクトごとに複製して使います。修正が入った場合は、上書きせずに新しいバージョンとして保存します。これにより、うまくいった時点へ戻れます。
生成ログを残す
どのモデルで、どのパラメータを使い、何回試したかを記録します。このログがあると、次回同じようなカットを担当するときに再現が容易になります。特に、乱数シードや参照画像の有無は必ず記録します。
時間配分の目安
制作時間の配分は、企画と脚本で二割、素材準備で二割、生成と選別で四割、編集と音声で二割が目安です。生成に時間をかけすぎて編集が雑になると、全体の印象が落ちます。
よくある失敗とトラブルシューティング
ここでは現場で頻出する問題と、その対処法を整理します。
顔や手指が崩れる
最も多い相談です。対処は、参照画像を使う、カットを短くする、動きの量を減らす、解像度を上げる、の四点です。それでも解決しない場合は、手や顔が画面に大きく映る構図を避け、別カットで補う編集に切り替えます。
カメラが勝手に動く
指定していないのにカメラが動く場合、プロンプトに動きを示す語が混ざっている可能性があります。カメラに関する記述を削除し、固定であることを明示すると落ち着きます。
被写体が途中で消える、変化する
尺が長い、動作が多い、参照が弱いことが原因です。カットを分割し、各カットの動作を一つに絞ります。
明滅やノイズが出る
フレーム間の一貫性が崩れている状態です。解像度を上げる、動きを減らす、アップスケールを後段に回すことで改善することがあります。
画面内の文字が崩れる
生成モデルは文字の再現が苦手です。文字は生成で作らず、編集ソフトで後から乗せるのが定石です。
前後のカットで色が合わない
カラーマッチングの工程を必ず入れます。基準カットを決め、他のカットをそれに寄せると統一感が出ます。
チーム制作でのレビュー体制と権利の確認
個人制作でも、公開する以上は確認すべき項目があります。
レビューの三段階
レビューは、企画段階、生成素材の段階、編集後の段階の三回に分けます。最初の二回で方向性と素材を確定させておくと、最後の修正が軽くなります。
権利と利用条件の確認
参照画像や素材の権利、使用モデルの商用利用条件、生成物の取り扱いについては、利用規約を必ず確認します。実在の人物に似た映像を生成する行為は、たとえ偶然でもトラブルになり得ます。
開示と表現の配慮
AIで生成したことを明示するかどうかは、配信先のガイドラインに従います。広告や報道に近い用途では、開示が求められる場合があります。
よくある質問
AI動画生成はどのくらいの学習期間が必要ですか
基本的な操作は数時間で覚えられますが、安定的に使えるカットを得る感覚は、おおよそ二十から三十本のカットを生成したあたりで身につきます。大切なのは、失敗の記録を残すことです。
一つのモデルで全部まかなうべきですか
おすすめしません。用途ごとに得意不得意があるため、二つから三つのモデルを役割分担させるほうが結果が安定します。
生成した映像はそのまま使えますか
そのまま使えるカットは全体の一割から二割程度です。選別、トリミング、色調整、音声の統合を経て完成形になります。
縦型と横型を同時に作るには
横型で作った映像を中央で切り抜くと、構図が破綻しがちです。最初から縦型用のカットを別途生成するか、主要被写体を中央に寄せた構図で撮り分ける設計にします。
音声はどうやって作りますか
音声合成で作る場合も、必ず一度は通しで聞いて誤読を確認します。数字、固有名詞、同音異義語は特に注意が必要です。
生成がうまくいかないときの最初の見直しは
参照画像、動作の数、尺の三つを確認します。この三点を調整するだけで改善するケースが大半です。
どこから自動化すべきですか
字幕生成、カット選別の一次スクリーニング、命名とフォルダ整理から自動化すると効果が高いです。企画と最終判断は人間が担うほうが安全です。
まとめ：工程を分けるほど品質は上がる
AI動画生成の品質は、モデルの性能だけで決まるわけではありません。企画で目的を固め、ショットリストで設計し、素材を整え、用途に合ったモデルを割り当て、生成後に選別と編集を丁寧に行う。この流れを毎回同じ順序で回すことが、再現性の高い制作につながります。
まずは三十秒の短い作品を一本、最後まで通して作ってみてください。工程を一周すると、自分の制作のどこがボトルネックなのかが見えてきます。そこを改善するだけで、次の作品の精度は大きく変わります。
