生成AI動画は「ツール探し」から「工程設計」へ
生成AIを使った動画制作は、この数年で性格を大きく変えた。少し前までは「どのツールが最もきれいな映像を作れるか」が議論の中心だった。現在の実務で問われているのは、むしろ「複数のモデルをどう組み合わせ、再現性のある工程に落とし込むか」である。
理由は単純だ。モデルごとに得意分野がはっきり分かれている。人物の肌や髪の質感に強いモデル、カメラワークの指示に忠実なモデル、イラスト調の画風を崩さないモデル、静物や商品カットに強いモデル、長回しで一貫性を保つモデル。どれか一つで全てをまかなおうとすれば、どこかで必ず妥協が生まれる。
ショート動画は尺が短いぶん、1カットの破綻が致命傷になる。15秒の動画に3秒の不自然な手指の動きが混ざれば、視聴者はそこで離脱する。逆に言えば、カット単位で最適なモデルを割り当てる「分割発注」の設計ができれば、品質は安定する。
この記事では、特定のサービスに依存しない形で、AI動画でプロ品質のショート動画を量産するワークフローを整理する。モデル選定の判断軸、企画の型、キャラクターの一貫性維持、編集パイプライン、品質チェック、量産体制の作り方までを順に扱う。
単一モデル依存が失敗する3つのパターン
最初に、うまくいかない典型例を押さえておこう。
第一は、全カットを同じモデルで生成するパターン。人物カットの質感は良いのに、商品の寄りカットがのっぺりする、といった偏りが出る。第二は、その逆で、思いつきで毎回モデルを変えるパターン。カットごとに色温度やレンズ感が変わり、素人が撮った継ぎ接ぎ映像のように見える。第三は、モデルのバージョン更新を追いかけず、古い設定のまま量産を続けるパターン。同じプロンプトでも出力傾向は変わるため、以前の感覚のままでは歩留まりが落ちる。
対策は共通している。プロジェクトごとに「主モデル」と「補助モデル」を決め、色と質感の基準を固定すること。そしてモデルの変更は、必ずテスト生成を挟んでから本番に反映することだ。
ワークフロー全体像
量産体制は、次の7工程に分けると整理しやすい。
- 企画と構成（尺・カット割り・訴求軸）
- 素材準備（参照画像・ロゴ・テロップ原稿）
- モデル割り当て（カットごとに最適な生成方式を決める）
- テスト生成と基準固定（色・質感・動きの基準を決める）
- 本生成（バッチ処理）
- 選別と編集（採用カットの確定、音声・字幕・BGM）
- 品質検査と書き出し（アスペクト比・音量・字幕タイミング）
この工程を文書化しておくと、担当者が変わっても品質が落ちない。属人化を防ぐことが、量産の前提条件になる。
モデル選定の判断軸：6つの評価項目
モデルは「有名かどうか」ではなく、自分の案件の要件に照らして選ぶ。評価軸を6つに絞ると判断が速くなる。
1. 画面の質感と被写体の再現性
人物・動物・静物・風景のどれが主役かで評価は変わる。人物が主役なら、肌の質感、髪のディテール、目の輝き、手指の形状を重点的に見る。静物が主役なら、反射や影の自然さ、素材感の再現度を見る。同じモデルでも、被写体によって評価が反転することがある。
2. モーションの制御性
カメラの動きをどこまで指示できるかは、ショート動画では決定的に重要だ。プッシュイン、パン、ドリー、オービット、スローモーション。指示に忠実なモデルは、テンポの速い編集と相性が良い。逆に動きが暴れるモデルは、カットを短く切って誤魔化す前提で使う。
3. 一貫性と参照画像への対応
参照画像をどれだけ尊重するか、複数の参照を混ぜられるか、同一人物を別カットでも維持できるか。シリーズ物や連続投稿を作るなら、ここが最重要の評価項目になる。
4. 生成速度とコスト
1本あたりの生成時間と、1本あたりの生成コストは、量産本数に直結する。速くて安いモデルでラフを作り、採用カットだけ高品質モデルで作り直す「二段階方式」は、最も費用対効果が高い。
5. アスペクト比と解像度
縦型9:16、横型16:9、正方形1:1。投稿先によって必要な比率は違う。後からトリミングすると画角が破綻しやすいので、最初から対応比率で生成できるモデルを選ぶ。解像度は、最終的にアップスケールする前提なら標準解像度でも問題ない。
6. ライセンスと商用利用条件
意外に見落とされるのがここだ。生成物の商用利用可否、学習データの扱い、クライアント案件での再配布条件。案件受注前に必ず確認し、確認結果をプロジェクトファイルに残しておく。
評価軸の優先順位を一覧で整理する
| 評価軸 | 人物が主役 | 商品が主役 | 大量投稿 |
|---|---|---|---|
| 質感と再現性 | 最重要 | 重要 | 標準 |
| モーション制御 | 重要 | 重要 | 標準 |
| 一貫性 | 最重要 | 標準 | 重要 |
| 速度とコスト | 標準 | 標準 | 最重要 |
| ライセンス | 重要 | 要確認 | 重要 |
迷ったら、次の順で優先する。シリーズ展開するなら一貫性。単発の広告なら質感とモーション。大量投稿なら速度とコスト。クライアントワークならライセンス。
ショート動画の企画設計：尺から逆算する
生成の前に、構成を決める。尺が決まればカット数が決まり、カット数が決まれば必要な生成本数が決まる。
15秒の型
- 0〜2秒：フック（最も強い映像か、最も意外な一言）
- 2〜6秒：問題提起
- 6〜12秒：解決策の提示
- 12〜15秒：締めと誘導
15秒はカット4〜6本が上限。1カット2〜3秒で刻む。
30秒の型
- 0〜3秒：フック
- 3〜10秒：背景と共感
- 10〜22秒：具体策を2〜3点
- 22〜27秒：証拠（ビフォーアフター、数値、実例）
- 27〜30秒：締め
60秒の型
- 0〜3秒：フック
- 3〜15秒：課題の構造化
- 15〜40秒：手順を3〜5ステップ
- 40〜52秒：失敗例と回避策
- 52〜60秒：まとめと次の行動
フック設計の実務
フックは「映像で引く」「言葉で引く」の2種類しかない。映像で引くなら、動きの大きいカット、逆再生、急なズーム、非日常的な情景を1カット目に置く。言葉で引くなら、結論を先に言い切る、数字を出す、常識を否定する。迷ったら両方入れる。冒頭のテロップと映像の両方で引っ張ると、離脱率が下がる。
カット割りを先に書く
構成が決まったら、カット表を作る。列は「カット番号・尺・内容・カメラワーク・必要な素材・生成方式・採用モデル・備考」。この表があるだけで、生成後の選別作業が半分になる。表を作らずに生成を始めると、使わない素材が大量に発生する。
プロンプト設計の実践テクニック
モデル選定と同じくらい、書き方の設計が結果を左右する。
書く順序が結果を変える
テキストから動画を生成する場合、書く順序が出力の優先順位に影響する。基本は「主役 → 動作 → カメラ → 光 → 背景 → 画質」の順だ。主役を後ろに書くと、背景に引っ張られて人物が小さく扱われることがある。
否定形ではなく肯定形で書く
「ぼやけない」ではなく「くっきりした輪郭」と書く。多くのモデルは肯定形の指示の方が安定して反映する。避けたい要素は専用の除外指定欄にまとめ、本文には入れない。
数値で指定できるものは数値で
カメラの高さ、焦点距離、被写体の位置、時間帯。曖昧な形容詞より数値の方が再現性が高い。たとえば「少し上から」より「目線より30センチ上から」の方が、毎回同じ結果になりやすい。
1カット1メッセージ
1つのカットで伝える情報は2つまで。人物の動きと背景の変化とライティングの変化を同時に指示すると、どれも中途半端になる。情報を増やしたいときはカットを分ける。これがショート動画の基本原則だ。
キャラクターの一貫性を保つワークフロー
シリーズ投稿で最も難しいのが、同一人物を毎回同じ顔で出すことだ。ここは技術というより段取りで解決する。
参照画像セットを作る
最初に、基準となるキャラクター画像を3〜5枚用意する。正面、斜め45度、横顔、上半身、全身。表情は無表情かごく自然な微笑みにする。これらは画像生成でも実写撮影でも構わないが、ライティングと背景を揃えておくと後の工程が楽になる。
重要なのは、参照画像を「完成品」ではなく「設計図」として扱うことだ。装飾や小物は増やしすぎない。服装や髪型の要素が多すぎると、モデルがどの要素を優先すべきか判断できず、出力がぶれる。
固定要素と可変要素を分ける
プロンプトは二層に分けて管理する。
固定層（毎回同じ）：人物の骨格、髪型、髪色、目の色、肌のトーン、服装の基本形、レンズの焦点距離感、ライティングの方向。
可変層（カットごとに変える）：ポーズ、表情、背景、カメラアングル、時間帯、動きの種類。
この二層をテキストファイルに分けて保存し、生成時は必ず連結して使う。口頭や記憶で運用すると、必ず抜けが出る。
マルチイメージ融合の実務手順
複数の参照画像を同時に渡せる生成方式を使う場合の手順は次の通り。
- 基準画像を1枚決める（これを主参照とする）
- 補助参照は2枚までに絞る（角度違い・表情違い）
- 主参照の重みを最大にし、補助参照は従属させる
- 背景は別途テキストで指定し、参照画像の背景に引っ張られないようにする
- 生成後、目・鼻・輪郭の3点を前カットと比較する
この比較作業を省略すると、3カット目あたりで別人になる。目と鼻と輪郭だけを見れば、比較は10秒で終わる。
一貫性が崩れたときの戻し方
崩れたときは、モデルを変えるのではなく、いったん参照画像を見直す。原因の多くは参照画像側にある。背景がごちゃついている、光が強すぎる、顔が小さすぎる、複数の人物が写っている。これらを解消すると、同じモデルでも安定する。
生成から納品までのパイプライン
命名規則とフォルダ構成
量産では、ファイル名が資産管理のすべてになる。おすすめの規則は次の形だ。
プロジェクト名_カット番号_テイク番号_日付_状態
例：spring_sale_c03_t02_state-approved
フォルダは「01_参照素材」「02_生成素材（未選別）」「03_採用カット」「04_編集プロジェクト」「05_書き出し」「06_納品」のように番号を振る。番号を振る理由は、エクスプローラーやファインダーで並び順が固定されるからだ。
アップスケールとフレーム補間
生成した素材は、そのまま書き出すとディテールが甘いことがある。工程は次の順で行う。
- 不要カットを削除（尺を揃える）
- アップスケール（解像度を上げる）
- フレーム補間（24fpsから60fpsなど）
- カラー調整（カット間の色温度を統一）
順番を逆にすると、補間で生じたノイズまでアップスケールしてしまう。必ず解像度を上げてから動きを滑らかにする。
音声・字幕・BGMの統合
ショート動画は音で8割決まる、と言われる。手順は次の通り。
- ナレーションは先に収録し、それに映像を合わせる（映像に音を合わせると尺が破綻する）
- 字幕は1行あたり全角15〜18文字以内、表示は2〜4秒
- BGMはナレーションの帯域（おおむね200Hz〜4kHz）を軽く下げる
- 効果音はカットの切り替え点に置くと、編集の粗が隠れる
音声合成を使う場合も、無音区間を詰めてテンポを上げるだけで印象が大きく変わる。
品質チェックリストとよくある失敗
公開前チェックの12項目
- 1カット目の1秒で内容が伝わるか
- 手指・足先に破綻がないか
- 目線が不自然に泳いでいないか
- 背景の文字やロゴが崩れていないか
- カット間で色温度が揃っているか
- 同一人物の顔が全カットで一致しているか
- 字幕の誤字脱字と改行位置
- 字幕と音声のタイミングずれ
- 冒頭3秒に無音区間がないか
- 縦型の場合、上下セーフエリアに文字がかかっていないか
- 最終カットの余韻が0.5秒以上あるか
- 書き出し設定（ビットレート・音量）が投稿先の推奨値か
よくある失敗と対策
失敗1：素材が多すぎて選べない。対策は、生成前にカット表を作り、1カットあたりのテイク上限を3本と決めること。
失敗2：複数モデルを混ぜた結果、色がバラバラになる。対策は、カラー調整を編集工程に必ず入れ、基準カットを1本決めて他を寄せること。
失敗3：プロンプトが長すぎて意図が薄まる。対策は、1カットにつき伝えたいことを2つまでに絞ること。
失敗4：尺が足りずに早口になる。対策は、最終尺の1.3倍で台本を書き、編集で削ること。
失敗5：同じ構図ばかりになる。対策は、カット表にカメラアングルの列を設け、同じアングルを連続させないこと。
量産体制の作り方
プロンプトのテンプレート化
量産の鍵は、プロンプトを文章ではなくテンプレートとして持つことだ。次のような穴埋め形式にする。
[被写体] + [動作] + [カメラワーク] + [ライティング] + [背景] + [画質指定] + [除外指定]
穴の数を増やしすぎると管理できない。7つ前後が上限だ。
バッチ生成と選別
10本の動画を作るなら、カット単位でまとめて生成する。1本ずつ完成させようとすると、モデルの切り替えと設定変更に時間を取られる。生成はまとめて、選別もまとめて行う。
選別は2段階にする。一次選別は「使えるか使えないか」だけを1秒で判断する。二次選別でA・B・Cの3段階に分け、Aのみを本編に使う。迷った素材は捨てる。迷う素材は本番でも輝かない。
外注・分業する場合の設計
分業する場合は、渡すものを明確に定義する。参照画像セット、カット表、プロンプトテンプレート、命名規則、書き出し設定。この5点を渡せば、担当者のスキル差は大きく吸収できる。逆に、これらを渡さずに「いい感じで」と依頼すると、修正の往復で時間が溶ける。
コストと時間の最適化
生成コストの見積もり方
見積もりは「カット数 × テイク数 × 単価」で計算する。15秒の動画でカット5本、テイク3本なら15回の生成。ここに失敗分として2割を上乗せする。この計算を最初にやっておくと、途中で予算が尽きる事故を防げる。
コストを下げる方法は3つある。第一に、ラフは低コストの生成方式で行い、採用カットのみ高品質で作り直す。第二に、テイク数を減らすために参照画像とプロンプトの精度を上げる。第三に、背景やエフェクトは編集ソフトで後乗せする。
時間を短縮する順番
時間短縮の効果が大きい順に並べると、次のようになる。
- カット表を先に作る（手戻りが激減する）
- プロンプトのテンプレート化（入力時間が半分以下になる）
- 参照画像セットの整備（再生成の回数が減る）
- 命名規則とフォルダ設計（素材探しが消える）
- 選別基準の明文化（会議が減る）
編集テクニックの習得よりも、この5つの方が効く。順番を間違えないことが重要だ。
用途別の組み合わせ例
SNS向け縦型ショート
人物カットは質感重視の生成方式、背景カットは軽量な生成方式、テロップは編集ソフトで後乗せ。15秒でカット5本、テイク2本。1日の制作本数の目安は3〜5本。
商品紹介
静物カットは反射と影の再現度が高い生成方式、使用シーンは人物に強い生成方式。カメラワークはスローなプッシュインとパン中心。色は商品の実物に寄せるため、生成後のカラー調整を必須にする。
教育・解説コンテンツ
実写風の生成より、図解やテロップ主体の方が伝わる。AI生成は背景映像と挿入カットに限定し、情報はテロップで伝える。ナレーション先行で尺を決めるのが鉄則だ。
ストーリー性のあるシリーズ
一貫性重視の生成方式を主軸にし、参照画像セットを厳密に管理する。1話ごとに新しい要素を足すより、同じ要素を維持した方が視聴者の定着率が高い。
よくある質問
どのモデルを最初に試すべきですか
用途で変わります。人物が主役なら質感と一貫性に強いもの、商品なら静物再現に強いもの、大量投稿なら速度とコストに優れたものから試してください。まず3種類を同じプロンプトで比較し、基準カットを作るのが最短です。
生成した映像が不自然に動くときの対処法は
動きの量を減らすのが基本です。プロンプトから大きな動作を削り、カメラワークも固定に近づけます。それでも改善しない場合は、カットを短くして2つに分割し、それぞれを静的な指示で生成します。
同じ人物を何本も作るには
参照画像セットを3〜5枚作り、固定層と可変層に分けたプロンプトを運用します。生成後は目・鼻・輪郭の3点を前カットと比較し、崩れていれば参照画像を見直します。
縦型と横型で同じ素材は使えますか
使えますが、後からトリミングすると画角が破綻しやすいので、可能なら最初から両方の比率で生成します。被写体を中央に寄せ、上下に余白を確保しておくと、トリミング耐性が上がります。
生成コストを抑えるコツは
低コストの生成方式でラフを作り、採用カットだけ高品質で作り直す二段階方式が最も効果的です。加えて、テイク上限を決める、背景を編集で後乗せする、の2点で無駄が減ります。
品質が安定しないときは何を見直すべきですか
参照画像、プロンプトの長さ、モデルのバージョンの3つを見直します。特に参照画像の背景がごちゃついていると、出力が不安定になります。背景を単色にした参照画像で再テストすると改善することが多いです。
どこまで自動化できますか
生成、選別の一次判定、字幕の自動生成、書き出しは自動化しやすい領域です。逆に、フックの設計、選別の最終判断、カラー調整は人の判断が品質を大きく左右します。自動化は工程の後半に寄せるのが安全です。
運用をチームに広げるには
手順書を先に作ってください。カット表のフォーマット、プロンプトの二層管理、命名規則、チェックリストの4点を文書化し、初回は一緒に1本作りながら確認します。言葉で説明するより、1本を共同で完成させる方が定着が早いです。
まとめ：量産の本質は段取りである
AI動画の品質は、モデルの性能だけで決まらない。カット表を作る、参照画像を整える、プロンプトを二層に分ける、命名規則を決める、選別基準を明文化する。地味な段取りの積み重ねが、最終的な品質と生産量を決める。
最初から完璧な体制を作る必要はない。まず1本作り、工程を記録し、次に2本目を作るときに同じ手順を再現する。この繰り返しで、自分専用のワークフローが出来上がる。モデルは入れ替わっても、工程は残る。だからこそ、投資すべきはツールではなく手順書だ。
