AI動画生成ワークフローの全体像：単発プロンプトから制作工程へ
AI動画生成は、もはや単発のプロンプトで遊ぶ段階を終えました。現在は、広告の15秒クリップ、商品紹介、eラーニング教材、SNSの縦型ショート、個人制作の短編まで、実際に公開される映像の一部としてAI生成素材が使われています。ところが、同じツールを使っても成果に大きな差が出ます。差を生むのはモデルの性能そのものではなく、制作工程の設計です。
AI動画制作は、おおまかに七つの工程に分かれます。第一に企画、第二にスクリプト、第三にショットリストと絵コンテ、第四にキービジュアルや動画クリップの生成、第五に音声と音楽、第六に編集と合成、第七に書き出しと配信です。多くの初心者がつまずくのは、第二から第三を飛ばして第四に飛び込んでしまう点です。行き当たりばったりでクリップを作ると、後から「尺が足りない」「画角がつながらない」「トーンが揃わない」という問題が一気に噴き出します。
工程を先に決めると、使うべきモデルの種類も自ずと決まります。人物の表情を長時間保つ必要があるのか、風景をゆっくり見せるのか、商品を回転させたいのかで、適した生成方式は変わります。つまりモデル選定は工程設計の結果であり、出発点ではありません。
もう一つの原則は、反復を前提にすることです。AI生成は一発で決まることはほとんどありません。同じプロンプトでもシードを変えれば別物が出ます。そのため、一度に長い動画を作ろうとせず、ショット単位で作り、使えるものを残していく進め方が現実的です。三秒から五秒のショットを十本作り、そのうち六本を採用する。この方が、二十秒を一発で当てようとするより速く、そして安定します。
この記事では、企画から書き出しまでの工程を順番にたどりながら、各段階で何を決め、どのツールをどう使い分け、どこで失敗しやすいのかを整理します。特定のサービスに依存しない形でまとめているので、Runway、Kling、Sora系、Flux系、Pika、Luma、Stable Diffusion系、ComfyUI など、手元にある環境に置き換えて読んでください。
企画と設計：目的・尺・配信先を最初に固定する
AI動画は「作ってから使い道を考える」とほぼ確実に失敗します。最初に決めるべきは、目的、尺、配信先、そして視聴デバイスの四点です。
目的別の基本テンプレート
- 商品告知の15秒：フック3秒、課題提示3秒、解決策5秒、行動喚起4秒
- サービス紹介の60秒：課題10秒、解決策20秒、証拠15秒、導線15秒
- 解説動画の3分：導入15秒、論点を3つ、各50秒、まとめ15秒
- 縦型ショート30秒：つかみ2秒、展開20秒、オチ8秒
テンプレートを使う理由は、尺の配分が決まるとショット数が自動的に決まるからです。15秒なら概ね5〜7ショット、60秒なら15〜20ショットが目安になります。ショット数が決まれば、生成すべきクリップの本数も決まります。
配信先で縦横と解像度が変わる
横型16:9はYouTubeやウェブ埋め込み、縦型9:16はショート系、1:1はフィード投稿に向きます。ここを後から変更すると、構図が破綻して作り直しになります。生成の時点でアスペクト比を固定しておくことが、後工程の作業量を大きく左右します。
スクリプトとショットリストの作り方
スクリプトは「誰が、どこで、何をして、どう感じるか」を一文で書きます。次に、その一文を映像でどう見せるかに分解し、ショットリストの表に落とします。表の列は、番号、秒数、内容、カメラ、ライト、場所、登場人物、必要素材、担当、状態の九つで十分です。この表があると、生成中のクリップがどの穴を埋めるのかが常に見えます。
モデル選定の判断基準：四つの軸で比べる
モデルは日々入れ替わります。名前で覚えるより、判断軸で覚えた方が長持ちします。
軸1：画質と質感
フォトリアルな人物、シネマティックな光、イラスト調、3Dレンダー調など、得意分野が分かれます。人物の肌や髪は、モデルごとに差がはっきり出ます。まずリファレンス画像を一枚決め、複数モデルに同じプロンプトを投げて見比べるのが最短です。
軸2：時間方向の一貫性
生成AIの弱点は、フレーム間で形が変わることです。顔立ち、服装の柄、背景の建物などが揺れるモデルは、長回しに向きません。短いカットを繋ぐ編集でカバーするか、一貫性に強いモデルを選ぶかの判断が必要です。
軸3：制御性
カメラワーク、開始フレーム、終了フレーム、動きの強さ、シード固定など、どこまで指定できるかは作業効率に直結します。制御できないモデルは、運任せのガチャになり、締切のある案件では使えません。
軸4：速度とコスト効率
プレビュー用の低品質高速生成と、本番用の高品質低速生成を分けるのが定石です。構成の検討段階では速さを優先し、確定したショットだけ高品質で作り直します。この二段構えにするだけで、手戻りの痛みが大幅に減ります。
スタイル別の使い分け早見表
- 実写風の人物インタビュー：フォトリアル系 + 顔の参照画像
- 商品の回転・接写：制御性の高い画像→動画系
- アニメ調の短編：イラスト特化モデル + キャラ参照
- 抽象的な背景やトランジション：テキスト→動画の軽量モデル
- 長尺の語り映像：固定カメラ + 音声主導の構成
テキストから動画：プロンプト設計の実践
プロンプトは「呪文」ではなく「演出指示書」です。書き方の型を決めると再現性が上がります。
ショット単位で書く
一つのプロンプトに複数のアクションを詰め込むと、モデルはどれかを無視します。「男が歩き、ドアを開け、振り返る」ではなく、「男が廊下を歩く」で一本作ります。アクションが変わる地点でカットを割るのが基本です。
基本の五要素
- 被写体：誰が、何が、どんな外見で
- 動作：一つの動詞に絞る
- 場所と時間：屋内か屋外か、朝か夜か
- カメラ：固定、パン、ドリー、手持ち、俯瞰
- 光と質感：逆光、柔らかい窓光、ネオン、フィルムグレイン
この順番で書くと、抜けが減ります。特にカメラ指定を省略すると、勝手に動くカメラになり、後で繋がらなくなります。
カメラとライティングの語彙を持つ
カメラ側は、固定、ゆっくりパン、ティルトアップ、ドリーイン、プッシュイン、オービット、クレーン、手持ち、俯瞰、ローアングル。ライト側は、柔らかい窓光、逆光のリム、ゴールデンアワー、曇天の拡散光、ネオン反射、単一光源の硬い影。このボキャブラリを20語ほど持っておくと、指示の精度が一段上がります。
ネガティブ指定と禁止事項
避けたい要素は明示します。余計な人物、文字やロゴの混入、指の破綻、二つの頭、急なズーム、画面のちらつきなどです。ただしネガティブ指定は万能ではなく、長く書くと効きが薄れる傾向があります。本当に避けたい三つ程度に絞るのが実用的です。
シードとバリエーション管理
google 検索のように一度で正解を探すのではなく、同じプロンプトで四本出し、シードを変えて四本追加する。合計八本から一本選ぶ。この進め方が最も速く安定します。採用したシードは必ず記録し、後から同じ画調を再現できるようにします。
画像から動画、動画から動画：素材を起点にするワークフロー
テキストだけでは狙った構図を出すのは困難です。実務では画像を起点にする方が再現性が高くなります。
キーフレーム生成から動画化へ
まず狙った構図の静止画を作ります。構図、色、光、人物の位置を静止画の段階で固め、それを動画化します。この方法なら、破綻したら静止画に戻って直せるため、無駄な生成時間を大幅に削減できます。
参照画像でキャラクターを固定する
同じ人物を複数カットに登場させる場合、顔の参照画像を用意し、各ショットで同じ参照を使います。服装、髪型、年齢感をテキストでも固定し、参照とテキストの両方で指定するのがコツです。片方だけだと、どちらかが抜けて揺れます。
開始フレームと終了フレームを使う
カットの始まりと終わりを静止画で指定できるモデルなら、編集点が明確になり、繋ぎが滑らかになります。特にトランジションを意図的に作る場合、この機能は強力です。
既存映像のスタイル変換
手持ちの映像を別の画調に変換する用途もあります。ただし元映像の権利確認は必須です。第三者素材や既存作品を無断で変換して公開することは避けてください。
アップスケールとフレーム補間
生成したクリップは解像度が低かったり、動きがカクついたりします。アップスケールとフレーム補間を組み合わせると、見た目の印象が大きく改善します。ただし補間は破綻を増幅することがあるため、人物の手や細い物体では控えめに設定します。
音声・音楽・字幕：見られる動画の半分は音
AI動画で最も差がつくのに軽視されがちなのが音です。無音のまま書き出して「なんとなく安っぽい」と感じるなら、原因はほぼ音にあります。
ナレーション
テキスト読み上げは、句読点の入れ方で自然さが変わります。一文を短くし、息継ぎの位置に読点を置きます。固有名詞や数字は読み間違えやすいので、事前に読みを確認します。感情の起伏が必要な場合は、複数の話者やトーンを試して一本に絞ります。
BGMと効果音
iStock などのライブラリでも、生成型の音楽ツールでも構いません。大切なのは、音量バランスと、カットの切り替わりに効果音を合わせることです。シュッという短い効果音が一つ入るだけで、繋ぎの粗が目立たなくなります。
リップシンク
人物の台詞を入れる場合、リップシンクは現在もっとも破綻しやすい工程です。顔の正面性が高く、動きが少ないカットを選ぶと成功率が上がります。長い台詞を一人に任せず、聞き手のカットを挟む編集にすると、破綻が露出しません。
字幕とテロップ
縦型では字幕が事実上必須です。読みやすいフォント、余白、表示時間、強調のタイミングをテンプレート化しておくと、以降の制作が速くなります。自動生成した字幕は、専門用語や固有名詞を必ず目視で校正します。
編集・合成・仕上げ：生成物を「作品」に変える工程
生成したクリップは素材です。編集して初めて作品になります。
カット割りとテンポ
最初の2秒で離脱が決まります。冒頭は最も強いカットを置き、以降は情報量の多い順に並べます。同じ画角が三つ以上続くと単調になるため、寄りと引きを交互に配置します。
繋ぎの技法
カットの頭と尾を数フレーム削るだけで、繋がりが大きく改善します。ジャンプカット、マッチカット、画面外への動きを使った繋ぎを意識すると、AI生成の不自然さを隠せます。
カラー調整とルック
複数モデルで作ったクリップは、色温度もコントラストもばらばらです。編集ソフトのカラー調整で全体を揃え、最後にフィルムグレインや軽いブルームをかけると一体感が出ます。AI生成特有のツルツルした質感を少し崩すのがポイントです。
書き出し設定
配信先ごとに解像度、ビットレート、コーデックを決めます。縦型は1080×1920、横型は1920×1080が基本線です。音声は-14 LUFS前後に揃えると、プラットフォーム間の音量差が目立ちません。
一貫性を保つテクニック：シリーズ化の鍵
複数本を続けると、作品ごとに画風が変わって見える問題が必ず起きます。対策は仕組み化です。
キャラクター一貫性
参照画像、テキストの人物記述、使用モデル、シードをセットで保存し、テンプレートとして使い回します。人物の年齢、体格、髪色、服装の色を数値化してメモしておくと、担当者が変わっても再現できます。
世界観と画風の固定
カラーパレットを三色に絞り、ライティングの方向を統一し、レンズの焦点距離感を決めます。曖昧なまま作ると、回を追うごとに別作品のようになります。
命名規則とバージョン管理
ファイル名は、案件_エピソード_ショット_テイク_状態の形式に統一します。生成物は採用、保留、却下の三種に分類し、同じフォルダに混在させないこと。これだけで探す時間が半分になります。
品質チェックのチェックリスト
- 冒頭2秒で内容が伝わるか
- カットの繋がりに不自然な跳びがないか
- 人物の顔や手が崩れていないか
- 文字やロゴが意図せず写り込んでいないか
- 音量が一定で、台詞が聞き取れるか
- 字幕の誤字脱字がないか
- 権利処理と表記が必要な素材に漏れがないか
よくある失敗とトラブルシューティング
人物の手や指が崩れる
手を画面外に出す、手前に物を置いて隠す、寄りすぎない画角にする。生成段階で避け、どうしても必要なら後で合成します。
フレームごとにちらつく
フレーム補間の設定を弱め、動きの強さを下げ、テンポの速いカメラワークを避けます。編集で短く切ってしまうのも有効な解決策です。
カメラが勝手に動く
プロンプトの冒頭に固定カメラの指定を明記します。それでも暴れる場合、静止画から動画化する方式に切り替えると安定します。
色がカットごとに変わる
同じモデルとシードで統一し、編集段階でカラーを揃えます。時間帯と光源の設定を全カットで揃えることも効きます。
尺が足りない、間が持たない
尺が足りない原因は、ショット数ではなく情報量の不足です。話を一つ足すか、聞き手のリアクションカットやディテールカットを挿入します。
生成が遅くて進まない
解像度を下げ、秒数を短くし、並列で回します。本番用の高品質生成は、構成が固まってから一括で行います。
権利や表記の見落とし
生成物であっても、参照した素材や実在の人物、商標の扱いには注意が必要です。公開前に必ず確認し、必要な表記を入れます。
よくある質問と運用のコツ
Q1. どのモデルから始めればよいですか
まずは短尺のテキスト→動画を一本、次に画像→動画を一本試します。この二つで自分の用途に合う方向性が見えます。最初から長尺に手を出さないのが上達の近道です。
Q2. 生成AIだけで完結できますか
短尺のSNS用途なら可能です。ただし尺が伸びるほど、編集、音声、カラーの工程が必要になります。生成は工程の一部と考えるのが現実的です。
Q3. プロンプトは長い方が良いですか
長さより構造です。被写体、動作、場所、カメラ、光の五要素が揃っているかで判断してください。冗長な修飾は効果が薄れます。
Q4. 学習や練習の進め方は
毎回テーマを一つに絞ります。今回はカメラワークだけ、次はライティングだけ、その次は一貫性だけ。一つずつ検証すると再現性が身につきます。
Q5. チームで制作する場合の注意点
ショットリストを共有の唯一の正とし、命名規則とレビュー手順を先に決めます。担当が分かれても、同じ参照画像と同じプロンプトテンプレートを使うことが品質を保つ条件です。
Q6. どこでつまずきやすいですか
企画とショットリストを飛ばすこと、音を後回しにすること、一貫性の設計をしないこと。この三点が大半を占めます。逆に言えば、この三点を押さえるだけで完成度は大きく変わります。
最後に：工程を持つ人が勝つ
AI動画生成の技術は今後も速いペースで更新されます。新しいモデルが出るたびに、できることは増え、指示の書き方も変わります。しかし、企画を立て、ショットに分解し、素材を集め、音を載せ、編集で仕上げるという骨格は変わりません。ツールは入れ替わっても工程は残ります。まずは小さな一本を、最初から最後まで通して作ってみてください。その経験が、次にどのツールを選ぶべきかを教えてくれます。
