はじめに：AI動画生成は「生成」ではなく工程管理の技術である
AI動画生成のツールを触り始めた人が最初にぶつかる壁は、モデルの性能差ではない。工程設計の不在である。同じモデル、同じプロンプト、同じ素材を使っているのに、出来上がる映像の完成度が3倍も4倍も違う。この差を生んでいるのは、生成ボタンを押す前後の作業、つまりプリプロダクションとポストプロダクションの密度だ。
生成そのものは、いまや数秒で終わる。しかし「どのシーンを、どの順番で、どの尺で見せるか」を決める作業は、人間が担わなければならない。AIは指示されたことを実行するが、指示の設計図が曖昧であれば、曖昧な映像しか返してこない。これは料理と同じで、火力が強力なコンロを手に入れても、献立と段取りがなければ夕食は完成しない。
本記事では、AI動画生成を継続的に運用するための実務ワークフローを、企画から書き出しまで工程順に整理する。単発の「すごい映像を作るコツ」ではなく、毎回同じ品質に到達できる再現性のある体制づくりに焦点を当てる。読み終えたときには、自分の制作フローにどの工程が欠けているのかが具体的に分かるはずだ。
制作前に決める3つの前提条件
工程の話に入る前に、最初に潰しておくべき前提がある。ここを飛ばすと、後工程で必ず手戻りが発生する。
用途と配信先を最初に固定する
縦型のショート動画なのか、横型の長尺なのか。音声は必須なのか、字幕で成立させるのか。配信先が決まれば、解像度、尺、テンポ、そして「どこまで破綻を許容できるか」の基準が自動的に決まる。たとえば縦型のフィード動画であれば、1カットの尺は短く、被写体は画面中央に寄り、テロップの余白を上または下に確保する必要がある。逆に横型の解説動画では、カットの長さを伸ばし、情報の密度を上げたほうが視聴維持率が上がる。
配信先を決めずに作り始めると、撮り直しならぬ「生成し直し」が大量に発生する。最初の30分をこの決定に使うだけで、後工程の無駄な試行が半分以下になる。
尺と縦横比の設計
尺は「作りたい長さ」ではなく「見せたい情報量」から逆算する。15秒なら1メッセージ、30秒なら2〜3メッセージ、60秒なら導入・展開・結論の3幕構成が基本だ。1カットあたりの尺は、横型なら2〜4秒、縦型なら1〜2秒を目安にすると、視聴者の注意を切らさずに済む。
縦横比は16:9、9:16、1:1、そしてシネマティックな2.39:1まで選択肢がある。注意したいのは、生成時に指定した縦横比と編集ソフトのシーケンス設定が食い違うと、意図しないトリミングが発生する点だ。プロジェクト開始時に「配信用の書き出し設定」まで決めておき、生成の段階から同じ比率で揃える。
品質基準と許容できる破綻
AI生成映像には必ず破綻が混ざる。手指の形状、文字、背景の人物、物理法則の矛盾。問題は破綻の有無ではなく、どの破綻なら許容できるかだ。動きの速いアクションシーンでは、1フレームの指の崩れはほぼ誰も気づかない。しかし人物のアップで視線が定まらない、口の動きと音声がずれるといった破綻は、視聴者の離脱に直結する。
プロジェクトの最初に「絶対に許容しない破綻リスト」を作ることを強く勧める。チェック項目は5つほどで十分だ。判断基準が明文化されていれば、テイクを選ぶ速度は劇的に上がる。
プリプロダクション：AIに渡す前に人間が固めるべき要素
ログラインとシーン表の作り方
まず1文のログラインを書く。「誰が、何を求めて、何に阻まれ、どうなるか」の4要素が入っていれば合格だ。次にそれを6〜10行のシーン表に分解する。各行には、場所、時間帯、登場人物、感情のトーン、そして「このカットで視聴者に伝えたい1つのこと」を書く。
このシーン表が、そのままプロンプトの設計図になる。行が曖昧なまま生成を始めると、映像はつながっても物語がつながらない「映像の寄せ集め」が完成する。逆にシーン表が整っていれば、1カットだけ生成して差し替えるという柔軟な運用が可能になる。
キャラクター一貫性を保つ設定シート
複数カットに同じ人物を登場させる場合、外見の記述を毎回ゼロから考えるのは避けたい。年齢、髪型と髪色、体型、服装の素材と色、特徴的な小物、そして表情の癖を10〜15個のキーワードに固定し、それを全カットで使い回す。参照画像を用意できる環境なら、同じ人物の正面・斜め・横の3カットを用意しておくと一貫性が大きく向上する。
一貫性が崩れる最大の原因は、記述の揺れだ。「赤いジャケット」と「深紅のアウター」は人間には同じでも、生成側には別物として扱われることがある。表記を統一するだけでも結果は変わる。
ルック開発：光・色・レンズの言語化
映像の印象を決めるのは被写体よりも光だ。光源の方向、強さ、色温度、そして質（硬い／柔らかい）を言葉にする。「夕方の逆光で、色温度は低め、輪郭にリムライト」といった具体度が高いほど、狙った画に近づく。
同様に、レンズの焦点距離（広角の歪みか、望遠の圧縮か）、被写界深度（背景のボケ量）、カメラの位置（アイレベル、ローアングル、俯瞰）も数値と言葉で指定する。ルックは3〜5パターン試して1つに絞り、それをプロジェクト全体の「基準ルック」として固定する。カットごとに雰囲気が変わると、素人っぽさが一気に露出する。
プロンプト設計の実務：映像モデルに伝わる書き方
4層構造で書く
映像生成のプロンプトは、次の4層に分けて書くと整理しやすい。第一層は被写体（誰が／何が）、第二層は動作（何をしているか）、第三層は環境（どこで、天気、時間帯、周囲の要素）、第四層は映像技術（カメラ、レンズ、ライティング、フィルムの質感、色調）。
この順番で書く理由は、前半が「何の映像か」、後半が「どう撮られているか」という役割分担になっているからだ。順序を入れ替えたり、層を混ぜたりすると、生成側の解釈がぶれやすくなる。
カメラワークと動きの指定
動きの指定は、カメラの動きと被写体の動きを分けて書く。カメラ側は「ゆっくりパン」「ドリーイン」「手持ちの揺れ」「固定」「首振り」など。被写体側は「歩き出す」「振り返る」「手を伸ばす」など。両方をひとつの文に詰め込むと、どちらかが無視される確率が上がる。
また、動きの速度も重要な情報だ。「ゆっくり」「素早く」といった副詞を必ず添える。速度指定がないと、生成側は平均的な速度を選ぶため、意図より速すぎる、あるいは遅すぎる結果になりがちだ。
尺とカットの設計
1回の生成で長い尺を狙うと、後半ほど破綻が増える傾向がある。実務的には短い尺で複数生成し、編集でつなぐほうが安全で、結果的に完成度も高い。長回しが欲しい場合は、生成した短いカットをつなぎ目が目立たないように編集で連結し、動きのベクトルを揃える。
失敗を減らすネガティブ指定
避けたい要素は明示的に書く。手や指の乱れ、余分な手足、文字化けした看板、不自然な関節、過度なスローモーション、彩度の飽和。これらは多くの場面で共通のノイズになる。プロジェクトごとに「除外リスト」をテンプレート化しておき、全プロンプトに貼り付ける運用が効率的だ。
生成フェーズ：量産と選別の分離
テイク管理のルール
生成と選別は、必ず別の作業として分ける。生成中に良し悪しを判断すると、判断が甘くなり、似たような失敗テイクを延々と作り続けてしまう。まず各シーンにつき4〜6テイクを機械的に生成し、ファイル名に「シーン番号・テイク番号・一言メモ」を付けて保存する。
選別はまとめて行う。同じシーンのテイクを並べて比較すると、単体で見たときには気づかなかった差がはっきり見える。この「生成は量、判断は集中」というリズムが、制作速度を最も大きく左右する。
評価チェックリスト
テイクを見るときの観点を固定する。一貫性（人物・服装・小物が前後カットと合っているか）、動作の自然さ（重心移動が物理的に成立しているか）、カメラの安定（意図しない揺れがないか）、構図（被写体が適切な位置にいるか、視線の余白があるか）、そして破綻の有無。
5項目をそれぞれ3段階で採点し、合計が一定以下のテイクは迷わず捨てる。惜しいからと保留にしたテイクは、ほぼ最終的に使われない。
破綻パターン別のリカバリ
人物の顔が崩れる場合は、顔のアップを避けて引きの構図に変えるか、後ろ姿・横顔・影の利用に切り替える。手指が崩れる場合は、手を画面外に出す、ポケットに入れる、物を持つなど、手の描写自体を減らす。背景が溶ける場合は、被写界深度を浅くして背景をぼかすか、背景の要素を減らす。
音声と口の動きが合わない場合は、口元を画面外にするか、後ろ姿のトーキングヘッドに切り替える。物理法則の破綻は、カットを短くして気づかれる前に切るのが最も現実的な解決策だ。
ポストプロダクション：編集・音・仕上げ
カット割りとテンポ
編集の役割は、生成された断片を「時間の体験」に変換することだ。最初の1秒で視聴者を掴み、3秒以内に「何の映像か」を伝える。序盤はテンポを速く、中盤で情報を届け、終盤で余韻を作る。
カットのつなぎ方にも意図を持たせる。同じ構図のカットをつなぐと時間経過を感じさせ、逆に大きく異なる構図をつなぐと衝撃を生む。動きの方向を揃えると滑らかになり、逆方向につなぐと緊張感が生まれる。
音声・BGM・効果音
AI生成映像は音が弱いと一気に安っぽく見える。逆に、音が丁寧であれば、映像の粗はかなり隠せる。ナレーションを入れる場合は、1文を短くし、息継ぎの位置を編集で整える。BGMは映像のトーンに合わせ、盛り上がりの山を映像の山と一致させる。
効果音は控えめに。足音、衣擦れ、ドアの開閉、環境音を数点入れるだけで、映像の「実在感」は大きく変わる。逆に効果音を詰め込みすぎると、映像が騒がしくなり、情報が届かなくなる。
アップスケール・フレーム補間・色調整
最終工程では、解像度の引き上げ、フレームレートの補間、そして色調整を行う。フレーム補間は滑らかさを得られる一方で、動きの速いシーンでは不自然な残像を生むことがあるため、適用範囲を限定する。色調整では、黒レベルを持ち上げず、ハイライトを飛ばさないこと。生成映像はコントラストが強すぎる傾向があるので、少し抑えるだけでシネマティックな印象に近づく。
パイプライン設計と自動化
命名規則とディレクトリ構造
プロジェクトごとに、プリプロ、生成素材、音声、編集、書き出しの5つのフォルダを作る。生成素材は「シーン番号_テイク番号_採用可否」で命名する。地味な作業だが、命名規則がないプロジェクトは必ず迷子になる。
バッチ生成とキュー管理
同じ環境で複数カットを生成する場合、プロンプトの共通部分をテンプレート化し、可変部分だけを差し替える。共通部分には基準ルック、除外リスト、比率の指定を含める。これにより、カット間のトーンが揃い、選別の基準も一定になる。
品質ゲートとレビュー体制
工程の要所に確認ポイントを置く。シーン表の承認、基準テイクの承認、ラフカットの承認、そして最終書き出し前の確認。各ゲートで見る観点を1つか2つに絞ると、レビューが形骸化しない。
よくある失敗と回避策
ひとつ目は、最初から完璧を狙うこと。1カットに20テイク費やすより、6テイクで一度通しを作り、後から弱いカットだけ作り直すほうが速く、品質も安定する。
ふたつ目は、カットごとにルックが変わること。基準ルックを固定し、全プロンプトに同じ記述を貼る運用で防ぐ。
みっつ目は、音声を後回しにすること。音の設計は脚本の段階で決まっているべきで、後から合わせると尺が破綻する。
よっつ目は、1カットの尺を長く取りすぎること。生成の破綻率は尺に比例して上がる。短く作ってつなぐのが原則だ。
いつつ目は、テイクを消さないこと。没テイクを残し続けると、選別の判断が鈍り、ストレージも圧迫する。採用したテイク以外は定期的に整理する。
むっつ目は、視聴環境を確認しないこと。スマートフォンで見たときに人物が小さすぎる、テロップが読めないという失敗は非常に多い。書き出し前に必ず小さい画面で確認する。
ななつ目は、テンポを一定にすること。同じテンポが続くと、内容に関係なく視聴者は飽きる。意図的に緩急を作る。
やっつ目は、権利と商用利用の確認を後回しにすること。使用する素材、音源、参照画像の扱いを最初に確認しておく。
用途別の最適解
SNSショート動画
冒頭1秒で視覚的なフックを置き、テロップで意味を補う。1カット1〜2秒、全体で15〜30秒。音声は必須ではないが、字幕は必須と考えたほうがよい。
商品紹介・広告
被写体のディテールを見せるカットと、使用シーンのカットを交互に配置する。光は柔らかく、背景は整理する。尺は15〜45秒、最後に必ず1つのメッセージに絞る。
教育・解説コンテンツ
情報の正確さが最優先になるため、生成映像は補助的に使う。図解やテロップを主軸にし、生成カットは比喩やイメージの提示に限定すると破綻のリスクを避けられる。
短編ストーリーテリング
キャラクターの一貫性が最重要になる。設定シートを厳密に作り、同一人物のカットは連続して生成する。尺は60〜180秒、3幕構成を守る。
よくある質問と最後のチェックリスト
どのくらいのテイク数を用意すればよいですか
シーンの重要度で変える。物語の鍵となるカットは6〜8、つなぎのカットは3〜4が目安だ。
生成と編集、どちらに時間をかけるべきですか
編集に7割をかけるべきだ。編集で救えない映像は、生成をやり直すしかない。
同じ人物を別カットで再現するコツはありますか
外見の記述を固定し、参照画像を用意し、連続して生成する。この3点で大半のケースは解決する。
音声は後から足すべきですか
脚本の段階で尺とセリフ量を決め、音声を先に作ってから映像を合わせるほうが破綻が少ない。
生成がうまくいかないときはどうすればよいですか
プロンプトを一度リセットし、被写体と動作だけの短い文に戻す。そこから要素を1つずつ足していくと、どの記述が悪さをしているかが特定できる。
学習や練習にはどんな進め方が向いていますか
1つの短いシーンを題材に、プリプロから書き出しまでを最後まで通すこと。途中で止めると、どの工程がボトルネックなのかが見えないままになる。
最後に、書き出し前のチェックリストを挙げる。冒頭1秒で伝わるか。テロップは小さい画面で読めるか。音の山と映像の山は一致しているか。人物の一貫性は保たれているか。破綻が目立つカットは残っていないか。この5つを確認できれば、公開して問題ない水準に到達している。AI動画生成は、才能ではなく工程で差がつく領域だ。仕組みさえ整えてしまえば、あとは反復するだけで品質は安定して上がっていく。
