AI動画制作ワークフローの全体像
AI動画制作は、魔法のボタンを押せば完成する作業ではありません。企画、脚本、絵コンテ、映像生成、音声、編集、書き出しという複数の工程を、AIと人間が分担しながら進める制作パイプラインです。従来の映像制作では、機材、撮影クルー、ロケ地、出演者、照明、音響などに多くの時間と費用がかかりました。生成AIは、これらの中でも特に「映像素材の生成」「音声の合成」「字幕の自動化」を大きく効率化します。
ただし、AIが得意なのはあくまで素材の生成や反復作業です。物語の意図、感情の起伏、ブランドのトーン、視聴者に残したいメッセージは、人間が設計する必要があります。ワークフローを組むときは、次の3層に分けて考えると整理しやすくなります。
- 企画・設計層：目的、視聴者、尺、トーン、構成、脚本
- 生成・素材層：映像クリップ、画像、音声、音楽、効果音
- 編集・仕上げ層：カット編集、色調整、字幕、音声ミックス、書き出し
この3層を明確に分けるメリットは、どこで問題が起きたかを切り分けやすいことです。たとえば「映像がチラつく」問題は生成・素材層、「テンポが悪い」問題は編集・仕上げ層、「伝わらない」問題は企画・設計層に原因があることが多くなります。
AI動画制作の代表的な流れは次のとおりです。
- 目的と配信先を決める
- 企画書と脚本を作る
- 絵コンテとショットリストを作る
- 使用する生成モデルを選ぶ
- プロンプトを設計してクリップを生成する
- 音声、音楽、効果音を用意する
- 編集ソフトで組み立てる
- 字幕と色調整を行う
- 書き出して公開する
- 反応を見て改善する
この流れは一直線ではありません。生成結果を見て脚本を修正したり、編集で足りないカットに気づいて追加生成したりと、前後に戻るのが普通です。最初から完璧を目指すより、短いループを何度も回すほうが現実的です。
制作前に決める要件とプリプロダクション
AI動画制作でありがちな失敗は、いきなりプロンプトを書き始めることです。目的が曖昧なまま生成を始めると、使えるカットが増えず、時間だけが溶けます。まずはプリプロダクションで次の要件を固めます。
目的・視聴者・プラットフォーム
動画の目的は、認知、教育、販売、エンタメ、採用、社内共有などさまざまです。目的によって、尺、テンポ、情報密度、トーンが変わります。視聴者が誰か、どのプラットフォームで見るかも先に決めます。YouTubeの横長動画、TikTokやReelsの縦長ショート、ウェブサイトの背景動画、プレゼン用の説明動画では、必要な解像度、縦横比、最初の3秒の作り方が異なります。
尺・縦横比・解像度
尺は最初に決めます。15秒、30秒、60秒、3分、10分では、脚本の構造がまったく変わります。縦横比は16:9、9:16、1:1、4:5などから選びます。解像度は1080pを基準に、必要なら4Kを検討します。ただし生成モデルによって対応解像度や最大クリップ長が違うため、後から変更すると再生成が増えます。
予算と時間の現実的な見積もり
AI動画は従来より安く作れますが、無料ではありません。生成回数、クラウドGPU、音声合成、音楽、編集ソフト、ストレージなどにコストがかかります。また、生成には待ち時間があり、複数回のリテイクが発生します。1本の動画に対して、企画に全体の20%、生成に40%、編集に30%、確認と修正に10%といった時間配分を目安にすると計画しやすくなります。
権利と安全性の確認
公開前に、使用するモデルの利用規約、学習データに関するポリシー、商標、肖像、著作権、音楽ライセンスを確認します。実在の人物に似せる、ブランドロゴを模倣する、第三者の作品に酷似させるといった使い方は避けます。AI生成であることの表示が必要なプラットフォームもあります。
企画・脚本をAIで固める手順
アイデア出し
AIチャットツールに、目的、視聴者、尺、トーン、必須メッセージを伝え、複数の企画案を出させます。このとき「10案出して」と依頼し、それぞれの切り口、想定視聴者、冒頭のフック、ラストの印象を表形式で整理すると比較しやすくなります。人間は、その中からブランドに合う案を選び、足りない要素を追加します。
構成と脚本
選んだ企画を、オープニング、課題提起、解決策、具体例、まとめ、行動喚起のような構造に展開します。AIには「各パートを3行で」「ナレーション用に話し言葉で」「専門用語を中学生にもわかる言葉で」といった制約を与えます。生成された脚本はそのまま使わず、事実確認、法務確認、表現の調整を行います。
人間による推敲
AIの文章は、情報の密度が高すぎたり、逆に抽象的すぎたりすることがあります。次の観点で推敲します。
- 最初の3秒で視聴者の疑問や欲求に触れているか
- 1文が長すぎないか
- 映像で見せる部分とナレーションで説明する部分が分かれているか
- 感情の山場が1つ以上あるか
- 最後に明確な次の行動があるか
脚本の段階で、どのカットにどの情報を乗せるかをメモしておくと、後の絵コンテ作りが楽になります。
絵コンテとショットリストの作り方
ショット割り
脚本をシーンとショットに分解します。ショットとは、カメラが切り替わるまでの一続きの映像単位です。各ショットに番号を振り、内容、尺、カメラアングル、動き、ライティング、セリフやナレーション、必要な素材を記録します。ショットリストは、生成AIに依頼する単位にも、編集で並べる単位にもなります。
AIによる絵コンテ生成
画像生成AIを使って、各ショットの参考画像を作ります。絵コンテは完成映像のクオリティを決めるものではなく、関係者間の認識を合わせるための設計図です。ラフで構いません。重要なのは、構図、被写体の位置、背景、色調、ライティングの方向を視覚的に共有することです。
撮影順・生成順の整理
実写では撮影順を効率化しますが、AI生成では同じキャラクターや背景を連続して生成すると一貫性を保ちやすくなります。シーンごと、キャラクターごとにまとめて生成し、後で編集順に並べるのがおすすめです。また、背景だけ、小道具だけ、エフェクトだけを別生成しておくと、編集時の自由度が上がります。
映像生成モデルの選び方と判断基準
モデルの分類
映像生成モデルは、大きく分けて次の種類があります。
- テキストから動画を生成するモデル
- 画像から動画を生成するモデル
- 動画から動画へ変換するモデル
- モーションやカメラワークを制御するモデル
- リップシンクやアバター生成に特化したモデル
- アップスケールやフレーム補間を行うモデル
万能なモデルはありません。得意分野が異なるため、ワークフローの中では複数のモデルを組み合わせるのが現実的です。たとえば、企画や絵コンテには画像生成モデル、主要カットには高品質な動画生成モデル、動きの制御には専用モデル、仕上げにはアップスケーラーを使うといった分担です。
比較の観点
モデルを選ぶときは、次の観点で比較します。
- 生成品質：解像度、ディテール、自然さ
- 一貫性：キャラクター、背景、スタイルの維持
- 制御性：カメラワーク、モーション、構図の指定
- 速度：1クリップあたりの生成時間
- コスト：従量課金、サブスクリプション、GPU利用料
- ライセンス：商用利用、再配布、学習利用の可否
- インターフェース：API、ウェブUI、ローカル実行
- 安全性：フィルタ、透かし、ポリシー
複数モデルの使い分け
最初のテストでは、同じプロンプトを複数モデルで生成し、画風、動き、破綻の傾向を比較します。特定のモデルが顔や手の描写に強い、別のモデルが風景や雲の動きに強い、といった傾向が見えてきます。本番では、ショットごとに最適なモデルを割り当て、必要に応じて生成結果を合成します。
プロンプト設計と一貫性を保つコツ
基本構造
映像生成のプロンプトは、次の要素を順に書くと整理しやすくなります。
- 被写体：誰が、何が
- 動作：何をしているか
- 環境：どこで、いつ、天気、時間帯
- 構図：クローズアップ、ロングショット、俯瞰
- カメラ：固定、パン、ドリー、手持ち
- ライティング：自然光、逆光、柔らかい光
- スタイル：実写風、アニメ、シネマティック
- 品質指定：高精細、シャープ、4K風
- 除外指定：崩れた手、余分な指、ぼやけ
長すぎるプロンプトは、モデルがすべてを解釈しきれず、逆に不安定になることがあります。重要な要素を前半に置き、不要な修飾語は削ります。
キャラクター一貫性
同じ人物を複数ショットに登場させる場合は、次の方法を組み合わせます。
- 基準となるキャラクター画像を用意する
- 髪型、服装、年齢、体型、特徴を毎回同じ言葉で指定する
- 参照画像を使えるモデルでは画像条件を固定する
- シード値を固定する
- 背景やライティングが変わっても、顔の角度と距離を揃える
- 必要なら別モデルで顔を修復する
完全な一貫性は難しいため、編集で目立たないカットに差し替える、顔を映す尺を短くする、といった逃げ道も用意します。
カメラワーク
カメラワークの指示は、モデルによって解釈が異なります。「ゆっくりパン」「被写体に近づく」「上方へドローン移動」など、動きを具体的に書きます。激しい動きは破綻しやすいため、まず固定カメラで安定したカットを作り、必要に応じて編集でズームや移動を加える方法も有効です。
ネガティブプロンプト
避けたい要素を指定します。例として、余分な手足、歪んだ顔、文字化け、透かし、過度な彩度、ちらつき、モーフィング、急なカットチェンジなどです。ただし、ネガティブ指定が強すぎると画面が平坦になることがあります。まずは少量の除外語から始め、結果を見ながら調整します。
音声・音楽・字幕の統合
ナレーション
ナレーションは、音声合成ツールで生成するか、人間が収録します。AI音声は、話速、抑揚、間、感情を調整できます。視聴者に信頼感を与えたい場合は、落ち着いたトーン、教育目的なら明瞭な発音、エンタメならテンポの速い話し方が合います。固有名詞や数字は読み間違いがないか確認します。
BGM・効果音
BGMは動画の感情を大きく左右します。音量はナレーションより十分に下げ、周波数帯が衝突しないようにイコライザーで調整します。効果音は、カットチェンジ、登場、強調、場面転換に使いますが、入れすぎると安っぽく聞こえます。最初は控えめにし、必要な場所だけに絞ります。
字幕
字幕は、視聴環境によっては必須です。自動文字起こしを使って下書きを作り、句読点、改行、表示時間を整えます。1行あたりの文字数、1秒あたりの文字数、画面下部の安全領域を守ります。縦長動画では、字幕がUIと重ならない位置に配置します。
編集・仕上げ・書き出し
編集ソフト
編集には、DaVinci Resolve、Adobe Premiere Pro、Final Cut Pro、CapCutなどを使います。無料で始めるならDaVinci ResolveやCapCutが有力です。AI生成クリップは、フレームレート、解像度、色空間がバラバラなことがあるため、プロジェクト設定を先に統一します。
カット編集
生成クリップは、始まりと終わりに不要なフレームが含まれることがあります。頭と尻を切り、テンポよく繋ぎます。カットの長さは一定にせず、情報量と感情に合わせて変えます。会話やナレーションに合わせて、聞き手のリアクションやカットアウェイを挟むと自然になります。
カラー調整
生成モデルごとに色味が違うため、カラー調整で統一します。露出、コントラスト、ホワイトバランス、彩度を揃え、必要ならLUTを適用します。ただし、過度な補正はディテールを潰します。まずは一次補正で揃え、次にルックを作ります。
音声ミックス
ナレーション、BGM、効果音のバランスを取ります。目安として、ナレーションを最も聞き取りやすくし、BGMはその下、効果音は瞬間的に前に出るようにします。スマートフォンのスピーカーでも確認し、低音が出過ぎていないか、声が埋もれていないかをチェックします。
書き出し設定
配信先に合わせて、解像度、フレームレート、ビットレート、コーデックを設定します。YouTubeならH.264またはH.265、1080pまたは4K、ビットレートは高めにします。SNSの縦長動画なら1080x1920、30fpsまたは60fpsが一般的です。書き出し後に必ず再生し、音ズレ、黒フレーム、字幕の欠けがないか確認します。
よくある失敗とトラブルシューティング
映像がちらつく・形が崩れる
原因は、モデルの限界、プロンプトの矛盾、動きの大きさ、解像度不足などです。対策として、動きを小さくする、ショットを短くする、参照画像を使う、アップスケーラーで安定させる、複数回生成して良いテイクを選ぶといった方法があります。
キャラクターが別人になる
髪型、服装、顔の特徴を毎回同じ言葉で指定し、参照画像やシード値を固定します。それでも難しい場合は、顔のアップを避け、後ろ姿や手元、シルエットで見せる編集に切り替えます。
尺が足りない・長すぎる
脚本の段階で尺を決め、ショットリストに秒数を割り振ります。足りない場合は、追加カット、テロップ、ナレーション、Bロールで補います。長すぎる場合は、重複する説明、不要な挨拶、同じ意味のカットを削ります。
音ズレ・音量差
フレームレートの不一致や編集ソフトの設定ミスが原因になります。プロジェクト設定を確認し、音声を波形で合わせます。ナレーションとBGMの音量差は、ラウドネスメーターで確認し、配信先の基準に合わせます。
権利・ポリシー違反
実在人物、商標、著作物、音楽、フォントのライセンスを確認します。AI生成物の利用規約はサービスごとに異なります。公開前にチェックリストを作り、法務担当者やプラットフォームのポリシーを確認します。
FAQと次のアクション
Q1. AI動画制作は初心者でも始められますか？
はい。最初は30秒以内の短い動画から始めるのがおすすめです。企画、絵コンテ、生成、編集の各工程を一度体験すると、どこに時間がかかるかが見えます。
Q2. 無料ツールだけでも作れますか？
短い動画なら可能です。ただし、無料枠には生成回数、解像度、透かし、商用利用の制限があることがあります。公開目的なら、利用規約を確認し、必要に応じて有料プランやクラウドGPUを検討します。
Q3. どの生成モデルを選べばいいですか？
目的によります。実写風なら高精細なモデル、アニメ調ならスタイル特化モデル、動きの制御ならモーション対応モデルが向いています。複数モデルを試し、ショットごとに使い分けるのが現実的です。
Q4. 一貫性を保つ最も効果的な方法は？
参照画像、シード値、同一のプロンプト、同じ背景・服装・ライティングの指定を組み合わせることです。それでも完全ではないため、編集でカバーする前提で計画します。
Q5. 音声はAIと人間のどちらがいいですか？
速さとコストを優先するならAI音声、信頼感や感情表現を重視するなら人間の収録が向いています。ハイブリッドで、ナレーションは人間、補助的な説明はAI音声という使い方もできます。
Q6. 公開前に必ず確認すべきことは？
権利、ポリシー、事実確認、音ズレ、字幕の誤変換、スマートフォンでの表示、最初の3秒のフック、ラストの行動喚起です。チェックリストを作り、第三者にレビューしてもらうと見落としが減ります。
次のアクション
まずは1分以内の動画を1本作り、ワークフローを記録します。使用したモデル、プロンプト、生成回数、かかった時間、失敗した点をメモすると、2本目以降の精度が上がります。AI動画制作は、ツールの知識よりも、目的を定義し、小さく試し、改善を繰り返す習慣が成果を左右します。
