AI動画生成は、プロンプトを一本打ち込めば作品が完成する魔法ではありません。実際の現場では、企画、参照素材の準備、モデルの選定、ショット設計、音声の統合、レビューと修正という複数の工程を、意図を持ってつなぐ必要があります。この記事では、15秒の短尺広告から数分のナラティブ映像まで通用する実践的なAI動画制作ワークフローを、工程順に整理します。特定のサービスに依存しない形でまとめているため、使用中のツールが変わっても、そのまま自分の制作フローに当てはめられます。
ワークフロー設計が動画品質を決める理由
生成モデルの進化が速い今、もっとも多い失敗は「ツールを先に決めてしまう」ことです。モデルごとに得意分野ははっきり分かれています。人物の顔立ちと肌の質感に強いモデル、激しい動きやアクションに強いモデル、アニメ調の線を安定して保つモデル、長回しの構図維持に強いモデル。ひとつのツールだけで全カットを賄おうとすると、どこかに品質の谷が生まれ、視聴者はそこだけを覚えてしまいます。
逆に、工程を先に設計しておけば、カットごとに最適なエンジンを割り当てられ、破綻した部分だけを差し替えられます。制作の腕は「良いプロンプトを書く力」から「工程を分解して管理する力」へと移っています。
生成AI動画の現在地
数秒のクリップを生成する段階はすでに通過しました。現在は、複数カットをつなぎ、同一キャラクターを維持し、セリフに口の動きを同期させ、BGMと字幕を載せて一本の映像に仕上げる段階です。言い換えれば、求められているのは生成技術そのものより、編集設計の能力です。
同時に、生成結果のばらつきは依然として残ります。同じプロンプトでも日によって表情が変わり、手の形が崩れ、背景の小物が消えることがあります。この不確実性を前提に組み立てるのが、実務的なワークフローです。
破綻が起きる3つの原因
一つ目は一貫性の欠如です。カットごとに顔、髪型、服装、小物が変わるパターンで、長尺作品ほど致命的になります。二つ目は物理挙動の不自然さです。歩行、扉の開閉、液体の動き、布の揺れなど、モデルが苦手とする領域は決まっています。三つ目は制御の過多です。動き、カメラ、照明、表情をすべて一度に指定すると、モデルは優先順位を失い、どれも中途半端になります。
対策は共通しています。一貫性は参照素材と固定プロンプトで担保し、物理は苦手箇所を短いカットと編集で逃げ、制御は一カットにつき注文を二つまでに絞る。覚えておくと、修正にかかる時間が大きく変わります。
工程を分割する効果
工程を分ける最大の利点は、修正コストの局所化です。絵コンテ段階での修正は数分で済みますが、完成間際の修正は音声、字幕、尺、書き出し設定まで巻き込んで数時間を奪います。
もう一つの利点は再現性です。手順と命名規則を決めておけば、別の担当者が引き継いでも同じ品質に到達できます。属人的な職人芸ではなく、チームの資産として制作を積み上げられるようになります。
企画フェーズ：絵コンテの前に固める要素
多くの人が最初に絵コンテを描きますが、AI動画では順序が逆です。先に決めるべきは、目的、尺、トーン、カット数であり、絵コンテはそれらの結論を書き出す作業です。
目的と尺を先に決める
用途によって設計はまったく変わります。SNS広告の15秒なら、掴み、提示、行動喚起の3ブロック。30秒なら課題提示を挟んで4ブロック。60秒の商品紹介なら機能を3点に絞り、それぞれに実演カットを割り当てます。3分のナラティブなら、導入、転換、対立、解決の四幕構成が扱いやすい形です。
尺が決まるとカット数が決まり、カット数が決まると生成回数とレビュー工数が決まります。逆算して考える習慣をつけると、無駄な生成が減ります。
トーン&マナーと参照集の作り方
トーンは言葉で指定するより、参照画像と参照映像で共有したほうが速く正確です。色温度、コントラスト、レンズの焦点距離、フィルムグレインの有無、照明の方向。この5点を参照集としてまとめておくと、プロンプトの記述量を減らしつつ安定した結果が得られます。
参照集は10枚以内に絞るのが実務的です。多すぎる参照はモデルにとってノイズになり、色味だけが混ざって意図しない画風になることがあります。
カット割りの粗設計
AI生成は1カットあたり2〜5秒が扱いやすい長さです。これを超えると被写体の輪郭や背景のディテールが崩れ始めます。したがって、長回しに見せたい場面でも、実際には短いカットを連ねて編集でつなぐ設計にします。
粗設計の段階で、各カットに「誰が」「何を」「どこで」「どのくらいの長さで」を書き添えます。この4項目が埋まっていないカットは、生成段階で必ず迷いが生じます。
モデル選定の判断基準と評価方法
モデル選びは流行ではなく、用途との相性で決めます。ここでは判断軸を整理し、実際に比較する手順まで示します。
用途別の評価軸
| 用途 | 重視する要素 | 確認ポイント |
|---|---|---|
| 人物の会話カット | 顔の安定、口の動き | 連続カットで輪郭や髪型が崩れないか |
| 商品・料理 | 質感、照明の再現 | 手や指の形状が破綻しないか |
| アクション | モーションの滑らかさ | 速度変化が自然につながるか |
| 風景・空撮 | スケール感、遠近 | カメラ移動でパースが崩れないか |
| アニメ調 | 線の太さ、色の均一性 | フレーム間で線がちらつかないか |
| 説明用の図解風 | 文字の再現、整列 | 図形や文字が歪まないか |
この表を自社のプロジェクトに合わせて書き換えるだけで、選定の会話が具体化します。
テストクリップで比較する手順
同じプロンプト、同じ参照画像、同じ秒数で3カットを生成し、並べて見ます。判定は、顔の安定、動きの自然さ、背景の一貫性、テクスチャの密度、そして修正のしやすさの5項目。主観で選ぶより、項目ごとに点数を付けたほうが後悔が少なくなります。
注意したいのは、1回の結果で判断しないことです。同じ条件でも結果は揺れるため、各モデルにつき最低3回は生成し、平均的な品質と失敗の傾向を見ます。失敗の仕方に個性があることが多く、それが最も有用な判断材料になります。
組み合わせ運用という現実解
現場では単一モデルにこなすより、役割を分ける運用が現実的です。人物の接写は顔が安定するモデル、引きの風景は解像感の高いモデル、動きの激しいカットはモーションに強いモデル。つなぎの部分だけ別モデルで生成し、編集でなじませる手法も有効です。
ただし、モデルを増やすほどトーンが散らばります。3つまでに絞り、それぞれの担当範囲を決めておくのが扱いやすい上限です。
キャラクター一貫性を保つ実践テクニック
一貫性は才能ではなく設計です。参照素材、プロンプト、編集の3層で担保します。
参照画像セットの設計
用意するのは、正面、左右斜め、横顔、そして表情違いを2〜3枚。背景は無地か単純なものに統一し、解像度は高すぎても低すぎてもいけません。顔のパーツが明確に判別できる程度が適切です。
服装と髪型はカット間で変えない前提にします。物語上どうしても着替える場合は、着替えのカットを明示的に挟むことで、視聴者に変化を納得させられます。
プロンプトの固定と差分管理
プロンプトは固定ブロックと可変ブロックに分けます。固定ブロックには人物の特徴、服装、画風、照明、レンズ感を書き、全カットで一字も変えません。可変ブロックにはカットごとの動作、構図、背景を書きます。
記述順も重要です。一般的には、被写体、動作、構図、背景、画風、技術指定の順に並べると意図が伝わりやすくなります。順序を入れ替えると、同じ内容でも結果が変わることがあります。
破綻したときのリカバリ
顔が崩れた場合、まず疑うのはカットの長さと動きの量です。尺を半分にし、動作を一つに絞ると改善することが多くあります。それでも直らない場合は、最後のフレームを参照画像として次のカットを生成し、連続性を人工的に作り出します。
どうしても安定しないカットは、引きの画に変更するか、後ろ姿や小物越しの構図に逃がすのが実務的な解決策です。完璧な正面の接写に固執すると、制作全体が遅れます。
小物と背景の一貫性
人物だけでなく、背景の家具、看板の文字、小物の位置も揺れます。対策として、背景の要素を減らし、視線を被写体に集める構図にすると破綻が目立ちにくくなります。どうしても必要な要素は、編集段階で静止画として合成する方法が確実です。
ショット設計とカメラワークの指示術
映像らしさは、カメラの動きとカットのつなぎで生まれます。
動きの指示語を使い分ける
パンは左右の首振り、チルトは上下、ドリーは前後の移動、トラックは並行移動、オービットは被写体の周回、クラッシュズームは急速な寄り。これらを一度に二つ以上指定すると、モデルは動きを混ぜて不自然な結果を出します。一カットにつき一つの動きが原則です。
手持ち風の揺れを加えると臨場感が出ますが、揺れが強すぎると被写体の輪郭が流れます。繊細な質感を見せたいカットでは、固定カメラのほうが結果が良くなります。
カットのつなぎを設計する
つなぎは、動きの方向をそろえる、視線の先を合わせる、色温度を連続させる、この3点で自然になります。逆に、同じ構図のまま被写体だけが変わるつなぎは不自然に見えるため、間に挿入カットを挟みます。
編集段階では、各カットの前後を0.2〜0.5秒だけ重ねてなじませる手法が有効です。生成のつなぎ目を隠すだけで、体感品質が一段上がります。
尺とリズムの設計
短いカットを連ねると速く、長いカットを置くと落ち着いた印象になります。前半は短く、後半は長くという緩急をつけると、視聴者の集中が持続します。冒頭3秒で「何の映像か」を伝える構図を必ず用意してください。
音声・BGM・字幕を統合する工程
音声は後付けではなく、可能な限り早い段階で作ります。セリフの長さがカットの長さを決めるためです。
音声生成とリップシンク
先に音声を生成し、その波形に合わせて映像の尺を決めると、口の動きと台詞のずれが減ります。逆順で作ると、映像に合わせて台詞を切り詰める作業が発生し、不自然な間が生まれます。
日本語の場合、母音の口の開きが英語より小さいため、口の動きの再現が難しくなります。話者の顔を極端に大きく映さず、上半身までの構図にすると違和感が目立ちません。
BGMと効果音のレイヤリング
音は3層で考えます。台詞、効果音、BGMです。台詞が最優先で、その他の音は台詞を邪魔しない範囲に収めます。効果音はカットの切り替わりと動作の開始点に置くと、映像の輪郭がはっきりします。
無音の区間を意図的に作ることも重要です。ずっと音が鳴り続けると、視聴者は疲れます。山場の直前に1秒の静けさを置くだけで、次のカットの印象が強まります。
字幕とテロップの設計
字幕は1行あたり全角15〜20文字程度、同時表示は2行まで。表示時間は読み切れる長さを確保します。画面下に固定する場合は、被写体の口元と重ならない位置に調整します。
縦型の動画では、上下にUIが重なる領域があるため、字幕の位置は中央やや下に置くのが安全です。テロップの装飾は1種類に統一し、色は2色までに絞ると全体が締まります。
レビューと反復：破綻を早期に潰す
品質は生成の回数ではなく、レビューの設計で決まります。
3段階のレビュー
第一段階は粗レビュー。生成した全カットを並べ、構図と尺だけを確認します。第二段階は細レビュー。顔、手、小物、背景の破綻を一つずつ潰します。第三段階は最終レビュー。音声、字幕、色、音量バランスを通しで確認します。この3段階を混ぜると、作業のたびに全項目を見直すことになり、時間がいくらあっても足りません。
破綻チェックリスト
- カット間で髪型、服装、小物が変わっていないか
- 指の本数と関節の向きが自然か
- 背景の直線が歪んでいないか
- 被写体の移動方向が前後で矛盾していないか
- 影の向きと光源が一致しているか
- 口の動きと音声がずれていないか
- 字幕が画面端や被写体と重なっていないか
- 冒頭3秒で内容が伝わるか
- 音量が急に跳ねていないか
- 書き出しの解像度とフレームレートが企画どおりか
この10項目を確認するだけで、公開後の手直しが大幅に減ります。
チーム運用とテンプレート化
複数人で作る場合は、命名規則を先に決めます。プロジェクト名、シーン番号、カット番号、バージョン番号の4要素をファイル名に含めれば、最新版の取り違えがなくなります。
プロンプトもテンプレート化します。固定ブロックを別ファイルに切り出し、カットごとの可変部分だけを書き足す方式にすると、担当者が変わってもトーンがぶれません。フォルダ構成は、素材、生成結果、音声、編集データ、書き出しの5つに分けるのが扱いやすい形です。
引き継ぎ時には、採用しなかったカットとその理由も残してください。同じ試行錯誤を繰り返さずに済みます。
よくある失敗と対処法
失敗の多くは、技術ではなく手順の抜けから生まれます。
一つ目は、カットごとにプロンプトを書き直すことです。固定ブロックを維持せずに書き直すと、同じ人物のはずが別人になります。テンプレートを使い、可変部分だけを編集してください。
二つ目は、参照画像が足りない、または多すぎることです。1枚では角度の変化に対応できず、20枚ではノイズになります。5〜8枚が実務的な範囲です。
三つ目は、1カットを長く取りすぎることです。8秒を超えると破綻の確率が上がります。長く見せたい場合は、同じ構図のまま短いカットを3本生成し、編集でつなぐほうが結果が安定します。
四つ目は、音声を最後に作ることです。尺の調整が後戻りになり、編集全体がやり直しになります。
五つ目は、動きの指示を盛りすぎることです。歩きながら振り返り、同時にカメラが寄る。このような指定は破綻を招きます。動作を分解し、カットを分けてください。
六つ目は、権利と利用条件の確認漏れです。参照画像に第三者が写っている場合、音源を使う場合、商標が画面に入る場合。公開前に必ず確認し、必要なら代替素材に差し替えます。
FAQ
初心者はどの工程から始めるべきですか
企画とカット割りから始めてください。生成の練習より、15秒で何を伝えるかを決める練習のほうが、最終的な品質に効きます。慣れてきたら参照画像の設計、次に音声の統合へと範囲を広げる順序が無理ありません。
1本の動画に何回の生成が必要ですか
15秒の動画で、採用カットが5〜8本、不採用を含めると30〜60回が目安です。慣れていないうちは多くなりますが、固定プロンプトと参照素材を整えることで回数は減っていきます。
顔が毎回変わるのですが、どうすれば安定しますか
参照画像の枚数と品質、カットの長さ、動作の数を順に疑ってください。この3点を調整するだけで大半は改善します。それでも不安定な場合は、顔のアップを避けた構図に切り替えるのが現実的です。
縦型と横型はどちらで作るべきですか
配信先が先です。SNSの縦型が主戦場なら縦型で作り、横型が必要になった時点で構図を組み直します。同じ素材を切り抜きで流用すると、被写体が切れたり余白が不自然になったりします。最初から両方の構図を想定して撮影・生成しておくと安全です。
生成した映像の品質はどのように判断すればよいですか
音を消して見て、内容が伝わるかを確認してください。伝わらなければ、映像ではなく構成に問題があります。そのうえで、破綻チェックリストを使って細部を確認する順序が効率的です。
外注する場合、何を渡せばよいですか
参照集、固定プロンプト、カット割り表、音声または台本、納品形式の5点です。特に固定プロンプトと参照集がないと、トーンの再現に時間がかかり、修正が増えます。
作業時間の目安は
15秒の動画で、慣れた担当者なら企画から書き出しまで半日から1日、不慣れな場合は2〜3日を見込みます。長尺になるほど、音声と字幕の工程が支配的になります。
まとめ
AI動画生成の成果を分けるのは、モデルの性能差よりも工程の設計です。目的と尺を決め、参照集を整え、固定プロンプトで一貫性を担保し、カットを短く刻んで編集でつなぐ。音声を先に作り、レビューを3段階に分け、チェックリストで破綻を潰す。どれも特別な技術ではなく、順序の話です。
最初から完璧を目指す必要はありません。まずは15秒の短い動画を一本、この手順どおりに作ってみてください。どこで詰まるかが記録できれば、次に改善すべき工程がはっきりします。その積み重ねが、短尺広告から長尺のナラティブ映像まで、安定した品質で作り続けられる制作体制につながります。
