AI動画生成は「デモ」から「納品物」へ
少し前まで、AI動画生成は「数秒の派手なデモを作る技術」として語られることが大半でした。プロンプトを一行入れると、奇妙で美しい映像が出てくる。それだけで十分に話題になり、SNSでも拡散されました。しかし制作の現場では、評価の軸が静かに入れ替わっています。問われているのは「映えるか」ではなく「使えるか」です。
実務における合格ラインは、おおむね次の5点に集約されます。
- 一貫性：同じ人物、同じ商品がカットをまたいでも同じに見えるか
- 尺：15秒、30秒、60秒といった納品尺を最後まで破綻なく埋められるか
- 再現性：同じ指示で、翌週にもう一度同じ品質を出せるか
- 音声と字幕：映像と音がずれず、テキストに誤字がないか
- 権利と出所：素材や生成物の扱いを説明できるか
この5点を満たそうとすると、単発の生成ではなく「工程」として組み立てる必要が出てきます。モデルは工程の中の一部品にすぎず、その前後に絵コンテ、参照画像の準備、ショット分割、編集、音声調整、レビューが並びます。本記事では、この工程を実際に回すための手順と判断基準を順を追って整理します。
重要なのは、どのツールが優れているかというランキング的な発想から離れることです。現場で効くのは「この用途にはこの条件を満たすモデルを選ぶ」という条件分岐であり、その条件を自分の案件に合わせて書き換えられる力です。以下では、選定基準、設計、生成、仕上げ、運用という流れで、その条件を具体化していきます。
用途別に見るモデル選定の判断基準
モデル選びで失敗する典型的なパターンは、出力サンプルの美しさだけで決めてしまうことです。サンプルは多くの場合、そのモデルが最も得意とする被写体と尺で作られています。自分の案件がその条件から外れていれば、実際の出力はサンプルより大きく劣化します。そこで、案件を先に分類し、それぞれで重視する軸を決めておきます。
短尺SNS向け（縦型・3〜15秒）
縦型の短尺は、第一印象の強さがすべてです。ここで重視するのは、1カットあたりの情報量と動きの派手さ、そして生成の速さです。尺が短いので一貫性の要求は相対的に低く、カット間で人物が多少変わっても、テンポと音楽でカバーできます。逆に、動きの指定が効きにくいモデルを選ぶと、静止画がわずかに揺れるだけの退屈な映像になりがちです。
判断の目安としては、次の順で確認します。
- カメラワークの指定（プッシュイン、パン、ドリー、オービット）がどの程度効くか
- 被写体の動作指示（走る、振り向く、振る）が破綻せずに反映されるか
- 1本あたりの生成にかかる待ち時間が、反復試行に耐える範囲か
商品・広告向け（実写素材との合成を含む）
商品広告では、商品そのものの形状が崩れることは許されません。ここでは形状保持とライティングの再現性が最優先になります。多くの場合、完全生成ではなく「背景だけ生成して商品は実写を合成する」あるいは「生成した素材を部分的にマスクして使う」というハイブリッド構成が現実的です。
この用途では、次の条件を満たすモデルが向いています。
- 参照画像を渡したときに、その形状を大きく変えない
- 光の方向と色温度をプロンプトで指定できる
- 生成結果の解像度が、配信面の要求を満たす
長尺ストーリー・ナラティブ
30秒を超えるストーリー仕立ての映像では、時間的一貫性が最大の難所になります。人物の顔、衣装、小道具、背景のディテールが、カットをまたいで維持される必要があります。ここでは単一モデルの性能よりも、参照画像の設計とシーンの分割設計のほうが結果に効いてきます。
長尺案件では、最初から「1本の長い動画を作る」と考えないことが重要です。ショット単位で作り、編集でつなぐ。この前提に立てば、尺の長さは編集工程の問題になり、生成の難易度は跳ね上がりません。
実写素材との合成
実写の人物や風景にAI生成の要素を足す場合、選定基準は「単体での美しさ」ではなく「既存素材とのなじみやすさ」に変わります。グレインの量、被写界深度、レンズ歪み、色収差といった要素が合っていないと、合成した瞬間に違和感が出ます。この場合は、生成側で完璧を狙うより、編集側でグレインや色を寄せるほうが早く解決します。
プリプロダクション：絵コンテとショットリストの作り方
AI動画生成で最も差がつくのは、実は生成前の準備です。プロンプトの腕を競うより、ショットの分解がうまい人のほうが、最終的な品質は高くなります。
まず尺を分解する
15秒の動画なら、3〜4ショットに分けるのが標準的です。1ショット3〜5秒というのは、AI生成がもっとも破綻しにくい長さでもあります。長い1ショットに挑むより、短いショットを複数作り、編集でつなぐほうが、結果的に滑らかで見やすい映像になります。
分解の型は、たとえば次のようになります。
- ショット1（3秒）：状況提示。引きの画で場所と人物を示す
- ショット2（4秒）：主動作。ミディアムで手元や表情を見せる
- ショット3（4秒）：反応。寄りで感情の変化を捉える
- ショット4（4秒）：締め。商品やロゴ、余韻のカット
ルックリファレンスを先に固定する
色調、質感、レンズ感、時代感。これらを言葉だけで共有しようとすると、メンバーごとに解釈がずれます。そこで、参照画像を3〜6枚集めたムードボードを先に作り、それを全ショットのプロンプトに共通の語彙として埋め込みます。
ムードボードに含めるべき要素は次のとおりです。
- 色温度とコントラストの基準になるカット
- レンズの焦点距離感（広角か、望遠か）
- 光の質（硬い直射か、柔らかい拡散か）
- 人物のスタイリングの基準
ショットリストのフォーマット
表計算ソフトで構いません。最低限、次の列を用意します。
- ショット番号
- 尺（秒）
- 内容（何が起きるか）
- カメラ（位置と動き）
- 参照素材のファイル名
- 優先度（必須／代替可）
「優先度」の列が地味に効きます。生成がうまくいかないショットが出たとき、代替可能なショットであれば方針を変えて先に進めます。全ショットが必須だと、1つの失敗でプロジェクト全体が止まります。
プロンプト設計：4層モデルで組み立てる
プロンプトは思いついた順に書くのではなく、層を分けて組み立てると再現性が上がります。実務で使いやすいのは、次の4層モデルです。
第1層：被写体とアクション
最初に書くのは「誰が／何が、何をするか」です。ここが曖昧だと、後続の指定がすべて無駄になります。人物であれば年齢感、服装、表情、姿勢まで。動作は「〜している最中」という進行形で書くと、動きのある出力になりやすくなります。
悪い例：男性が歩く
改善例：40代の男性が、薄手のコートを着て、雨上がりの歩道をゆっくり歩いている
第2層：カメラ
カメラの指定は、映像らしさを決める最大の要素です。語彙をあらかじめ決めておくと、指示が安定します。
- ショットサイズ：引き、全身、ミディアム、バストアップ、寄り
- アングル：目線の高さ、俯瞰、あおり、肩越し
- 動き：固定、パン、ティルト、ドリーイン、プッシュイン、オービット、ハンドヘルド
- レンズ感：広角、標準、望遠、浅い被写界深度
カメラの動きは、1ショットにつき1つに絞るのが原則です。「プッシュインしながらオービット」のような複合指示は、たいてい破綻します。
第3層：光と質感
光は、被写体の見え方を支配します。時間帯、光源の方向、硬さ、色温度を指定します。
- 時間帯：早朝、昼、ゴールデンアワー、夕暮れ、夜
- 光源：窓からの自然光、逆光、リムライト、実用的な照明
- 質：柔らかい拡散光、硬い直射光、コントラストの強い光
- 空気感：霧、ほこり、雨、湯気
第4層：スタイルと時間
最後に、全体のルックと時間の流れを指定します。フィルム調、デジタルでクリーン、アニメ調など。時間については「スローモーション」だけでなく、動きの速度そのものを言葉で調整すると効果的です。
- 「ゆっくりとした自然な動き」：動きが暴走しやすいときに有効
- 「素早い一連の動作」：アクションを強調したいとき
- 「静止した構図で、わずかな動きのみ」：ポートレート的なカットに向く
否定形より言い換えを使う
「〜しないで」という指示は、意外なほど効きません。モデルは指定された語の概念に引きずられるため、「テキストなし」と書くとテキストが現れることがあります。代わりに、望む状態を肯定的に書きます。「文字のない、無地の壁」のように、存在してほしいものを描写するほうが安定します。
キャラクターと画風の一貫性を守るワークフロー
一貫性は才能ではなく、手順で担保するものです。次の順序で進めると、カット間の揺れが大幅に減ります。
手順1：キャラクターシートを作る
本番の生成に入る前に、人物の基準となる画像を正面・斜め・横の3方向で用意します。AI生成で作っても、実写の素材を使っても構いません。このシートをすべてのショットで参照画像として渡します。参照がない状態でカットごとに生成すると、顔も衣装も毎回変わります。
手順2：共通パラメータを固定する
生成のたびに変える値と、変えない値を分けます。
- 固定するもの：画風の記述、色調の記述、参照画像、乱数シード
- 変えてよいもの：カメラ、アクション、背景の細部
この切り分けを守るだけで、シリーズ全体の統一感が保たれます。逆に、シードを毎回ランダムに変えてしまうと、同じプロンプトでも別人が出てきます。
手順3：衣装と小道具をルール化する
衣装は特に崩れやすい要素です。色、素材、シルエットを文章で固定し、ショットリストの冒頭に貼っておきます。小道具も同様に、形状と位置を決めておくと、編集でつないだときの違和感が減ります。
手順4：シーン間の連続性をチェックする
生成が終わったら、カットをつなぐ前に次の項目を確認します。
- 顔の造形が一致しているか
- 衣装の色がシーン間で飛んでいないか
- 光の方向が矛盾していないか（左から光が当たっているのに、次のカットで右から当たっているなど）
- 背景の小物の位置が変わっていないか
矛盾が見つかった場合は、編集でごまかすより、そのショットだけ再生成するほうが最終的な品質は上がります。
音声・編集・仕上げのパイプライン
生成した映像は、そのままでは納品物になりません。音と編集を経て初めて完成します。
ナレーションと音声合成
音声合成を使う場合、読み上げの速度は映像のテンポと直結します。まず音声を作り、その長さに合わせて映像の尺を調整する順序がおすすめです。逆にすると、音声を無理に詰め込むことになり、不自然になります。
声の選び方では、次の点を確認します。
- 文末の抑揚が自然か（機械的な下降になっていないか）
- 固有名詞や数字の読みが正しいか
- 話速が1分あたり250〜320字程度に収まっているか
効果音とBGM
AI生成の映像は、動きに対して音が足りないため、そのままだと「浮いた」印象になります。足音、衣擦れ、環境音、空気感を最低限足すだけで、映像の説得力は大きく変わります。BGMは、カットの切り替わりにビートを合わせると、生成の継ぎ目が目立ちにくくなります。
編集でのつなぎ方
カットをつなぐとき、単純に並べるだけでは不自然なジャンプが出ます。次のテクニックが有効です。
- ディゾルブ：0.2〜0.4秒の短いクロスフェードで、光や色の差を吸収する
- マッチカット：動きの方向がそろっているカット同士をつなぐ
- 音先行：次のカットの音を0.3秒早く入れて、切り替わりを意識させない
- 速度調整：1〜3パーセントの微調整で、動きのリズムをそろえる
カラーとグレインの統一
最後に、全カットに共通のルックを適用します。コントラスト、彩度、色温度をそろえ、必要に応じてグレインを均一に足します。生成モデルごとに質感が違う場合でも、この工程で見た目の差を大きく縮められます。
チーム運用と試行回数の管理
個人制作なら気にならない点でも、チームになると運用ルールが必要になります。
命名規則を最初に決める
ファイル名は、案件名、ショット番号、バージョン、日付の順で統一します。この規則がないと、どのファイルが最新か誰も判断できなくなります。
例：project-a_shot03_v04_0812
レビューのタイミングを固定する
生成をすべて終えてからレビューすると、手戻りが大きくなります。最初の3ショットができた時点で一度確認し、ルックと方向性を確定させます。残りはその基準に沿って作るだけになります。
試行回数の上限を決める
1ショットあたりの試行回数に上限を設けることは、品質管理として有効です。目安としては、3〜5回で方向性が見えないなら、プロンプトではなく設計を見直します。カメラの指定が難しすぎる、参照画像が不適切、尺が長すぎる。こうした原因を疑うほうが、当てずっぽうに再生成を繰り返すより効率的です。
素材ライブラリを育てる
うまくいったプロンプト、参照画像、ルック設定は、再利用できる形で保存します。数か月単位で運用すると、このライブラリが制作速度の大部分を決めるようになります。
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
対策は、そもそも手を画面に入れないことです。ポケットに入れる、後ろに組む、物を持つ。構図で解決するのが最も確実です。どうしても必要な場合は、寄りすぎず、手を画面の端に置きます。
顔がカットごとに変わる
参照画像を使っていない、あるいは乱数シードを毎回変えていることが原因です。参照画像を固定し、顔のアップのショットを先に確定させ、それを基準に他のカットを作ります。
画面に不要な文字が入る
看板、ポスター、本の背表紙などに文字が生成されます。対策は、文字が出そうな物体を構図から外すこと、そして「無地」「単色」といった表現で置き換えることです。
カメラが暴走する
動きの指定が複合的すぎる場合に起こります。1ショット1モーションに絞り、動きの速さを「ゆっくり」と明示します。
カット間で色が飛ぶ
モデルやシードが違うと色温度も変わります。編集でそろえる方法と、生成時に共通の光の記述を入れる方法の両方を併用します。
動きが速すぎて不自然
生成モデルは動きを大げさに解釈しがちです。スローモーション寄りの指定にするか、編集で0.8倍程度に落とすと自然になります。
生成したのに使えない解像度しか出ない
事前に配信面の要求解像度を確認し、そこに合うモデルを選びます。後から拡大すると、質感が失われて合成のなじみが悪くなります。
よくある質問
Q. 初心者は何から始めればよいですか。
15秒、3ショットの一本を作ることから始めてください。最初から60秒を狙うと、問題の切り分けができなくなります。短い一本を完成させ、工程を通しで体験するほうが学習効率が高くなります。
Q. 複数のモデルを使い分ける必要はありますか。
用途が複数あるなら使う価値があります。短尺のSNS用と、商品広告用では、必要な特性が違うためです。ただし最初から多数を試すと、どれも使いこなせないまま終わります。まず1つを深く使い、明確な不足を感じたときだけ追加します。
Q. プロンプトは英語のほうが精度が高いですか。
モデルによって傾向が異なります。英語の語彙のほうがカメラ用語や光の用語が通りやすい場合がある一方、日本語の情景描写が有効な場合もあります。実務的な解は、構造を英語で書き、情景のニュアンスを日本語で補う併用です。ただし、どちらが効くかは自分の被写体で試して確認してください。
Q. 生成した映像をそのまま納品できますか。
そのままの納品はおすすめしません。最低限、音の追加、色の統一、不要部分のトリミングを行います。この工程があるかどうかで、視聴者の受け取り方が大きく変わります。
Q. 一貫性がどうしても出ません。
参照画像、シード、画風の記述、光の記述の4つをすべて固定したうえで、変えるのはカメラとアクションだけにしてください。それでも崩れる場合は、ショットの尺が長すぎる可能性があります。3秒に縮めて試すと、たいてい改善します。
Q. 何回くらい生成すればよいですか。
1ショットあたり3〜5回を目安にしてください。それを超えて良い結果が出ない場合は、プロンプトの調整ではなく、ショット設計そのものを見直すサインです。
Q. 音声と口の動きが合いません。
口の動きの同期は、まだ完全ではありません。話しているカットは短くし、横顔や手元などのカットを挟むと、違和感が目立ちにくくなります。ナレーション主体の構成にするのも有効です。
Q. 学習のために何を記録すべきですか。
プロンプト、参照画像、シード、出力、そして評価の5点をセットで残します。成功だけでなく失敗も記録すると、同じ失敗を繰り返さなくなります。
次の一歩：小さく始めて型化する
AI動画生成を実務に取り入れるとき、最初から大きな仕組みを作ろうとすると挫折します。おすすめの順序は、次のとおりです。
- 1本作る：15秒、3ショット。工程を通しで体験する
- 型を書き出す：今回うまくいった手順を、チェックリストとして文章にする
- 2本目で検証する：同じ型で別の題材を作り、型が汎用かどうかを確かめる
- 分担を決める：絵コンテ、生成、編集、音声のどこを誰が担当するかを固定する
- ライブラリ化する：プロンプト、参照画像、ルック設定を再利用できる形で蓄積する
この順序を踏むと、ツールが更新されても制作の型は残ります。モデルは入れ替わりますが、ショットの分解、参照画像の設計、一貫性の担保、音と編集の仕上げという工程は、当分変わりません。
そして、最も見落とされがちなのは「完成させること」です。AI動画生成は試行錯誤が楽しく、つい実験を続けてしまいます。しかし、最後まで仕上げた1本から得られる学びは、途中で止めた10本の実験よりはるかに大きい。まずは短い一本を、音と色まで整えて完成させてください。そこから、あなた自身のワークフローが現実的な輪郭を持ち始めます。
