AI動画生成ワークフローの全体像
動画生成AIの出力品質は急速に向上し、テキストから数秒の映像を作るだけなら、特別な専門知識がなくても数分で結果が出るようになりました。しかし制作現場で求められるのは「一本の動画」です。単発のショットではなく、複数のカットが同じ人物・同じ世界観・同じトーンでつながっていて、初めて視聴者はそれを作品として認識します。つまり重要になるのは、生成技術そのものよりも工程の設計です。
生成単体では作品にならない
生成AIは「絵」を出すのは得意ですが、「演出」はしません。カットの順番、間の取り方、視線の誘導、感情の起伏、これらは人間が設計する領域です。逆に言えば、ここを設計できる人にとって動画生成AIは強力な増幅装置になります。逆に設計を放棄してプロンプトだけを投げ続けると、断片的に美しいだけの、意味のない映像が大量に生まれることになります。
7つの工程とそれぞれの成果物
実務で破綻しないワークフローは、おおむね次の7段階に分かれます。
- 目的と尺の定義：誰に、どこで、何秒見せるのかを決める。成果物は企画メモ一枚。
- 台本と絵コンテ：ログライン、ビート、ショットリスト。成果物はカット表。
- ルック開発：色調・質感・レンズ感・時代感の基準を固める。成果物はスタイルガイド。
- キャラクター素材の作成：基準となる参照画像セット。成果物は三面図と表情差分。
- ショット生成：カットごとにモデルを使い分けて撮る。成果物はテイク群。
- 音声と音楽：ナレーション、セリフ、BGM、効果音。成果物は音声トラック。
- 編集と仕上げ：つなぎ、テンポ、カラー統一、書き出し。成果物はマスター。
各工程の成果物を「次工程でも再利用できるアセット」として残すことが、量産体制への分岐点になります。
ボトルネックはどこにあるのか
初心者が最初にぶつかる壁は「生成が遅い」ことではありません。多くの場合、ボトルネックは次の3つです。第一に、カット数が増えたときの人物の同一性維持。第二に、モーション指示が意図どおりに通らないこと。第三に、生成物をつないだときのテンポの悪さです。これらはすべて、生成の前に決めておくべき設計事項に起因します。
企画と絵コンテ設計：生成の前に決めること
生成を始める前に決めるべきことは、実は生成中に決めることよりもはるかに多いです。ここを飛ばすと、後工程で何度も作り直すことになります。
ログラインからビート、そしてショットリストへ
まず一行のログラインを書きます。「誰が、何を求め、何に阻まれ、どう変わるか」の4要素が入っていれば十分です。次にビートに分解します。30秒の動画なら3〜5ビート、3分なら10〜15ビートが目安です。ビートは「感情や情報の単位」であり、カットとは一致しません。1つのビートを複数カットで描くことも、1カットで複数ビートを処理することもあります。
ビートが決まったらショットリストを作ります。推奨する列は、カット番号、尺、被写体、アクション、カメラ、場所、時間帯、ライト、使用モデル、テイク番号です。表計算ソフトで十分です。この表があるだけで、生成のリトライ回数は体感で半分以下になります。
プロンプトに分解する7要素
映像生成のプロンプトは、次の7要素に分解すると安定します。
- 被写体：年齢感、髪型、服装、体型、持ち物
- 動作：何をするか、どのくらいの速度で、どの方向へ
- 環境：場所、天候、時間帯、周囲の物、人の有無
- 光：光源の種類、方向、硬さ、色温度
- カメラ：アングル、距離、レンズ感、動き
- 質感：フィルムグレイン、被写界深度、色調、解像感
- 時間：尺、速度、ループの有無
この7要素を毎回同じ順序で書く癖をつけると、結果のばらつきが減り、何を変えたら何が変わったのかが追跡できるようになります。
尺とカット数の設計
縦型ショートの場合、1カットは1.5〜3秒が心地よいテンポです。30秒なら10〜15カット、60秒なら18〜25カットが目安になります。長尺ナラティブでは、逆に1カットを5〜8秒まで伸ばし、余韻を作ります。大切なのは、生成モデルが扱いやすい尺と、演出として必要な尺が一致しないことが多いという点です。生成は短めに切り、編集で伸ばすか、逆に長めに生成して編集で詰めるほうが安全です。
生成モデルの選定基準
モデルは日々入れ替わります。特定の名前を覚えるよりも、評価軸を持って自分で比較できることのほうが長期的に価値があります。
評価すべき6つの軸
- プロンプト追従性：書いた要素のうち、どれだけ反映されるか。特に複数被写体や位置関係の指示。
- モーション品質：動きの自然さ。関節の破綻、髪や布の揺れ、歩行の接地感。
- 一貫性：参照画像を与えたときの人物・衣装・背景の維持度。
- 解像度と尺：出力できる最大解像度とクリップ長。
- 速度と反復性：1テイクあたりの待ち時間、同じ入力でどれだけ近い結果が返るか。
- 権利と商用条件：学習データの扱い、生成物の利用範囲、第三者素材との関係。
用途別の使い分け
実写風の人物ドラマでは、肌の質感と照明の再現性が高いモデルが有利です。アニメ調では、線の安定性とキャラクターの造形維持が優先されます。商品紹介では、ロゴや文字の再現性、背景の整合性、回転や手元の動きが重要になります。3Dルックや建築パースでは、遠近の正確さと直線の歪みの少なさが決め手になります。
つまり「最強のモデル」は存在せず、ショット単位で最適なモデルが変わるということです。実際のプロジェクトでは、3〜5種類のモデルを併用するのが現実的です。
複数モデルを併用するときの注意点
モデルを混ぜると、色調や質感がカットごとにばらつきます。これを防ぐには、編集工程で共通のカラー処理をかける、あるいはスタイルガイドに「基準となるフレーム」を1枚決めて、すべてのカットをそれに寄せる運用が有効です。生成段階で完璧を目指すより、仕上げ段階で統一するほうがコストが低く済みます。
キャラクターとスタイルの一貫性を保つ
一貫性は、AI動画制作で最も多く質問されるテーマです。そして最も多くの失敗が起きる領域でもあります。
参照画像セットの作り方
まず主人公の参照画像を、正面・斜め45度・横顔の3方向で用意します。可能なら全身とバストアップの両方があると、カットの距離感に対応できます。表情は「無表情・微笑み・驚き・悲しみ」の4種があると、会話シーンで困りません。衣装は本編で使うものを固定し、替えがあるならバリエーションとして別セットにします。
参照画像は画像生成で作っても、写真を加工しても構いません。重要なのは、同じ人物だと機械が判断できる一貫した特徴が含まれていることです。具体的には、顔の輪郭、目の間隔、眉の形、髪の分け目、首から肩のライン、服装の色と素材感です。
マルチイメージ参照と固定パラメータ
複数の参照画像を同時に投入できるモデルでは、1枚目に顔のアップ、2枚目に全身、3枚目に背景やトーンを指定するのが定石です。加えて、乱数シードを固定し、カメラや光の記述をカット間で揃えます。人物の説明文も、語順まで含めてコピー&ペーストで使い回すのが安全です。
一貫性が崩れる典型パターン
- 顔が別人になる：参照画像の解像度が低い、または顔が小さすぎる。顔のアップ参照を追加する。
- 衣装が変わる：色名が曖昧。「濃紺のウールコート、大きめのシルバーのボタン」のように素材とディテールまで書く。
- 年齢が揺れる：動作指示に「走る」「跳ぶ」など身体能力を連想させる語を入れると、若く描かれやすい。
- 背景が毎回変わる：場所の記述が抽象的。家具や看板など具体的な小道具を指定する。
ショット設計とカメラワークの指示
生成AIにカメラワークを指示するのは、実写の撮影指示よりも難しい面があります。語彙を分解して渡すのがコツです。
カメラ語彙を分解する
カメラの指示は4つに分けると整理できます。
- アングル：ローアングル、ハイアングル、アイレベル、俯瞰、あおり
- 距離：クローズアップ、バストアップ、ミディアム、フルショット、ロングショット
- 動き：固定、パン、ティルト、ドリー、トラッキング、クレーン、ハンドヘルド
- 速度：ゆっくり、一定、加速、停止
「かっこいいカメラで」は通じません。「アイレベル、ミディアムショット、被写体の正面から右へゆっくりパン」のように、選択肢の中から選ぶ形で書きます。
モーション指示の書き方
動作は「始点」と「終点」を書くと安定します。「手を上げる」ではなく「右手を腰の位置から胸の高さまで3秒かけて上げる」と書きます。同時に、体の他の部分を固定する指示も添えます。「足は動かさない」「視線はカメラの少し左を固定」などです。
カット間の連続性を守る
編集でつないだときに違和感が出る原因は、多くの場合この3つです。
- スクリーン方向：右から左へ歩いていた人物が、次のカットで左から右へ歩く。
- アイライン：話し手の視線の方向と、聞き手の位置が逆になっている。
- ライトの向き：前のカットは右斜め上からの光、次のカットは正面からの光。
ショットリストにこの3項目の列を追加しておくと、生成前に矛盾を発見できます。
音声・BGM・リップシンクの組み立て
映像が整っても、音が弱いと作品の印象は大きく落ちます。逆に、音を丁寧に作ると同じ映像でも数段よく見えます。
ナレーションと音声合成
ナレーションは先に完成させ、その尺に合わせてカットを調整するのが基本です。音声合成を使う場合、句読点の打ち方で間の取り方が変わります。長い文は短く切り、読点を増やし、強調したい語の前後に余白を作ります。話速は1分あたり280〜320文字が聞き取りやすい目安です。
リップシンクの精度を上げる
セリフのあるシーンでは、顔がはっきり写っているカットを短く刻むのが安全です。口元が画面の3分の1以上を占めるクローズアップは、同期のズレが目立ちます。バストアップ程度に留め、必要なら編集で口元をわずかに隠す構図に調整します。音声の冒頭に0.1〜0.2秒の無音を入れると、頭の同期ズレが軽減されます。
BGMと効果音のミックス
BGMは動画全体のトーンを決めるため、生成前に1曲選んでおくことをおすすめします。カット割りのテンポをBGMのビートに合わせると、視聴維持率が上がります。効果音は「動きのあるカット」にだけ入れます。すべてのカットに入れると騒がしくなります。ナレーションがある場合、BGMは-18〜-22dB程度まで下げ、セリフの帯域と衝突しないようにイコライザで調整します。
編集と仕上げの工程
生成したクリップをつなぐ段階では、演出の意図を取り戻す作業が中心になります。
テイク選別とアセット管理
1カットにつき3〜5テイクを生成し、次の基準で選びます。人物の同一性、モーションの自然さ、構図、フレーム全体のちらつきの少なさ。選ばなかったテイクも削除せず、別フォルダに残しておくと、後から差し替えができます。ファイル名は「シーン番号_カット番号_テイク番号_モデル名」のように機械的にします。
つなぎとテンポ
つなぎは大きく分けて、カットバック、マッチカット、ジャンプカット、ディゾルブです。テンポを上げたいときはジャンプカット、時間経過を示したいときはディゾルブを使います。ただし生成AIの素材はフレーム間の連続性が完全でないことがあるため、長いディゾルブは乱れを目立たせます。0.3秒以内の短いトランジションに留めるのが無難です。
カラー統一と書き出し
最後に、全カットに対して同じカラーグレーディングを適用します。リフト・ガンマ・ゲインで黒と白の基準を揃え、彩度をわずかに落とすと、カット間の色差が目立たなくなります。解像度は配信先に合わせ、縦型は1080×1920、横型は1920×1080を基本にします。ビットレートは1080pで10〜16Mbps、4Kで35〜50Mbpsが目安です。
よくある失敗とトラブルシューティング
指や手足が崩れる：手が画面の主要素になっているカットで頻発します。手前に物を置く、手を隠す構図にする、または手のアップを別カットとして分離するのが有効です。
動きが途中で止まる：クリップの尺に対して動作指示が長すぎる場合に起きます。動作を前半と後半に分割し、2つのクリップとして生成して編集でつなぎます。
背景が溶ける：環境の記述が不足しています。柱、窓、家具、看板など、動かない物体を3つ以上指定します。
フレームごとにちらつく：質感やライトの指示が矛盾している可能性があります。まず指示を減らして生成し、問題がないことを確認してから要素を足します。
人物がカットごとに変わる：参照画像の使い回しができていないか確認します。シード、人物記述、衣装記述の3点を完全に同一にします。
文字やロゴが崩れる：生成AIは文字が苦手です。テキストは生成に含めず、編集ソフトで後から重ねるのが原則です。
全体が単調に見える：カットのサイズが揃いすぎています。ロングショットを1つ入れ、クローズアップを1つ入れるだけで印象が変わります。
尺が足りない：生成できるクリップ長には上限があります。長回しが必要な場面は、複数クリップに分けて同じ動きの続きを生成し、編集でつなぐ前提で設計します。
縦横比が意図と違う：最初に配信先を決め、プロジェクト全体で縦横比を固定します。途中で変えると、構図の再設計が必要になります。
同じ失敗を繰り返す：プロンプトの履歴と結果を記録していないことが原因です。成功したプロンプトはテンプレート化し、失敗パターンは禁止リストとして共有します。
チーム運用と量産体制のつくり方
個人制作から一歩進むと、属人性の排除が課題になります。
命名規則とフォルダ構造
プロジェクト直下に、台本、参照画像、生成クリップ、音声、編集、書き出しの6フォルダを用意します。ファイル名は半角英数字とアンダースコアで統一し、日本語やスペースを避けると、各種ツールでの読み込みトラブルが減ります。
レビューとバージョン管理
カット単位でレビューするのではなく、まず粗くつないだ「アニマティック」を10分の1の解像度で作り、そこで構成を確定させます。構成が固まる前に高解像度の生成を重ねると、手戻りのコストが跳ね上がります。
時間とリソースの最適化
すべてのカットを最高品質で生成する必要はありません。画面に大きく映るカットだけ高品質にし、短いカットや背景カットは軽い設定で済ませます。また、生成は待ち時間が発生するため、複数のショットをキューに積んで並行して回し、待ち時間に別の作業をする運用が効率的です。
FAQ：よくある質問
生成AIだけで完結した動画は作れますか
短い告知やSNS向けの運動量の多い映像であれば可能です。ただし人物の感情を描くドラマや、正確な商品説明が必要な映像では、編集ソフトでの調整や撮影素材との併用を前提にしたほうが現実的です。
何カットくらい生成すればよいですか
採用カット数の3〜5倍を用意するのが目安です。30秒の動画で採用が12カットなら、40〜60テイクを生成する計算になります。
一貫性を保つ最も効果的な方法は何ですか
参照画像の品質を上げることです。プロンプトの工夫よりも、顔がはっきり写った良質な参照画像を3枚以上用意するほうが効果は大きいです。
プロンプトは英語と日本語のどちらがよいですか
モデルによります。英語のほうが追従性が高い傾向がありますが、近年は日本語の理解も向上しています。判断に迷う場合は、同じプロンプトを両言語で試し、結果を比較して固定するのが確実です。
生成した動画の権利はどう考えればよいですか
利用するモデルやサービスの規約を必ず確認してください。商用利用の可否、生成物の帰属、第三者素材との関係はサービスごとに異なります。クライアント案件では、規約の該当箇所を記録として残しておくと安全です。
音声と映像のどちらを先に作るべきですか
セリフやナレーションがある場合は、音声を先に作ることを強くおすすめします。音の尺が決まれば、必要なカット数と尺が自動的に決まります。
スマートフォンだけで制作できますか
撮影と編集は可能ですが、生成処理は計算資源を必要とするため、クラウド上のサービスを利用する形が現実的です。外出先で構成を考え、帰宅後にまとめて生成する分業が効率的です。
学習のために何から始めればよいですか
まず15秒の動画を1本、最後まで完成させてください。途中で投げ出さずに書き出しまで到達すると、どの工程が自分にとって難しいのかが明確になります。2本目からは、その工程だけを重点的に改善します。
動画生成AIは、演出の知識を置き換えるものではなく、それを増幅する道具です。工程を分解し、各段階の成果物を残し、失敗を記録する。この地味な運用を続けたチームだけが、短い制作サイクルの中で高い品質を安定して出せるようになります。まずは今日、15秒の1本を完成させるところから始めてみてください。
