AI動画制作に「ワークフロー」が必要な理由
生成AIの登場によって、動画制作の入口は劇的に下がった。テキストを数行入力すれば、数秒から数分でカットが出てくる。かつては撮影機材、スタジオ、出演者、撮影クルーが必要だった映像が、デスク一台で形になる時代になった。
しかし、実際に一本の動画を完成させようとした人の多くが、同じ壁にぶつかる。ショット単体では見栄えがするのに、つなげると別々の作品のように見える。キャラクターの顔がカットごとに変わる。指定したはずの動きが再現されない。BGMとカットのテンポが噛み合わない。結果として、素材フォルダだけが膨らみ、完成品はいつまでも出てこない。
このギャップの正体は、生成技術の性能ではなく、工程設計の不在にある。AI動画は「生成する作業」ではなく「設計して組み立てる作業」であり、設計図なしに走り出すと、試行錯誤のコストがそのまま制作時間に跳ね返る。
ワークフローを用意する目的は、単なる効率化ではない。第一に、手戻りの削減。第二に、再現性の確保。第三に、チームや外注先との共有可能性。この三つが揃うと、制作は「運が良ければ良い絵が出る賭け」から「狙って品質を作れる工程」に変わる。
ワークフローがないときに起こること
- プロンプトを思いつきで書き換え続け、どの条件が効いたのか分からなくなる
- 生成した素材のファイル名が乱雑で、どれが最新版か判別できない
- 途中でトーンがぶれ、前半と後半で別の動画のような印象になる
- 尺が確定していないため、編集段階で大量のカットを捨てることになる
- 音声や字幕を後回しにし、最後の詰めで破綻する
逆に言えば、これらを最初に潰しておくだけで、制作時間は体感で半分以下になることが多い。
全体像：7つのフェーズと成果物
| フェーズ | 主な作業 | 成果物 | 失敗しやすい点 |
|---|---|---|---|
| 1. 企画 | 目的・視聴者・尺の定義 | 企画メモ、コンセプトシート | 目的が曖昧なまま生成を始める |
| 2. 設計 | 台本、絵コンテ、ショットリスト | ショットリスト表 | カット割りを飛ばす |
| 3. 選定 | 用途別にモデルとツールを決める | ツール構成表 | 一つのツールで全部やろうとする |
| 4. 生成 | ショット単位のプロンプト設計 | 素材（複数テイク） | 一発で決めようとする |
| 5. 一貫性 | キャラ・スタイル・色の固定 | 参照画像、スタイル辞書 | 参照を毎回作り直す |
| 6. 編集 | アセンブリ、音声、カラー | 編集タイムライン | 音声を後回しにする |
| 7. 仕上げ | 品質チェック、書き出し | 完成ファイル | 書き出し設定のミス |
この表を印刷して壁に貼るだけでも、工程の抜け漏れはかなり減る。以降では各フェーズを順に掘り下げる。
フェーズ1：企画とコンセプト設計
AI動画制作で最も軽視され、最も損を生むのがこの段階だ。「とりあえずかっこいい映像を作りたい」という状態で生成を始めると、後工程のすべてが曖昧になる。
目的と配信先を先に決める
同じ30秒でも、SNSの縦型フィード、動画サイトの横型、店舗サイネージ、プレゼン資料の埋め込みでは、必要な情報密度がまったく違う。配信先を決めると、自動的に以下が決まる。
- アスペクト比（縦型か横型か、正方形か）
- 1カットの長さ（フィードは短く、プレゼンは長め）
- 字幕の必要性（音声オフ視聴の比率）
- 冒頭3秒で何を見せるか
特に冒頭は重要だ。フィード型の配信では、最初の数秒で離脱が決まる。逆に、プレゼンや講座用途では、冒頭で結論を出す構成のほうが理解が早い。
尺とカット数の関係を先に計算する
尺が決まれば、必要なカット数が逆算できる。目安として、情報量の多い説明動画では1カット3〜5秒、印象重視のプロモーションでは1〜2秒、ドラマ調の映像では4〜8秒が扱いやすい。
たとえば60秒の動画で平均4秒のカットを想定するなら、約15カット必要になる。1カットにつき3テイク生成するとして45本の素材が要る。この数字を最初に把握しておくと、後の工程がどれだけの物量になるかが現実的に見える。
トーン&マナーを言語化する
「かっこいい」「かわいい」は指示として機能しない。言語化すべきは、光の質、色温度、レンズの印象、被写体との距離、動きの速度だ。
例として、次のように書き出す。
- 光：柔らかい拡散光、逆光気味、コントラストは中程度
- 色：彩度低め、寒色寄り、影は青みを含む
- レンズ：35mm相当、被写界深度は浅め
- カメラ：ゆっくりしたスライドと固定中心、手持ちは使わない
- 質感：微細な粒子感を残し、過度なシャープ化はしない
この「スタイル辞書」は後のプロンプト設計でそのまま使い回せる。毎回ゼロから言葉を探す手間が消えるだけでなく、カット間の統一感も自然に保たれる。
フェーズ2：台本・絵コンテ・ショットリスト
設計フェーズの成果物は三つある。台本、絵コンテ、ショットリスト。どれも完璧である必要はなく、更新できる形であることが大切だ。
台本は「読む台本」と「作る台本」を分ける
読む台本は、ナレーションやセリフを整えた文章だ。作る台本は、映像として何が映るかを書いたメモである。この二つを混ぜると、映像に不要な説明文が残り、生成の指示がぼやける。
作る台本には、各カットについて次の3点だけを書けば十分だ。
- 何が映っているか（被写体と状況）
- どこから見ているか（アングルと距離）
- 何が動くか（被写体の動き、カメラの動き）
絵コンテはラフでいい
手描きの棒人間で構わない。目的は絵の上手さではなく、カットの順序とリズムの検証だ。描いてみると、同じような構図が続いている、逆に唐突なジャンプがある、といった問題が紙の上で見つかる。紙の上での修正は数分で済むが、生成後の修正は数十分から数時間かかる。
ショットリストへの変換
絵コンテを表形式に落とし込む。列は「カット番号、内容、尺、カメラ、ライティング、音、優先度」程度で十分だ。優先度の列を設けるのが地味に効く。制作が押したときに、どのカットを削れるかが即座に判断できるからだ。
ショットリストは、生成・編集・確認のすべての工程で共通の台帳になる。ファイル名にもカット番号を必ず含め、リストと素材を一致させる。
フェーズ3：モデルとツールの選定
現在のAI動画制作は、単一のツールで完結しない。用途ごとに最適なモデルが異なるため、目的別に役割を分担させるのが現実的だ。
テキストから動画を生成するモデル
プロンプトから直接カットを作るタイプ。短いカットを大量に試すスピード勝負に向く。構図の自由度は高いが、細かい動きや一貫性の制御は苦手なことが多い。ラフなテスト生成や、背景だけのカット、抽象的なカットで力を発揮する。
画像から動画を生成するモデル
静止画を起点に動きを与えるタイプ。構図とキャラクターを先に固定できるため、シリーズものや一貫性が重要な作品ではこちらが主軸になる。参照画像を丁寧に作ることが品質に直結する。
音声・リップシンク系のツール
話す人物を扱うなら、音声合成とリップシンクは分けて考える。音声を先に確定させ、その波形に口の動きを合わせる順序が安定する。逆順にすると、口の動きに合わせて台詞を調整する羽目になり、不自然さが残る。
アップスケール・補間・ノイズ除去
生成された映像は、解像度が不足していたり、フレームレートが低かったり、細部にちらつきがあったりする。ここを補う後処理ツールを工程に組み込んでおくと、最終的な見栄えが一段上がる。順序は「ノイズ除去 → 補間 → アップスケール」が基本で、逆にするとノイズまで強調される。
選定の判断基準
| 判断軸 | 確認すべきこと |
|---|---|
| 一貫性 | 参照画像をどこまで忠実に維持できるか |
| 制御性 | カメラワークや動きの指示にどこまで従うか |
| 尺 | 1回の生成で得られる最大長と、その品質 |
| 速度 | 1テイクあたりの待ち時間と並列実行の可否 |
| 後処理 | 書き出し形式、解像度、フレームレート |
| 権利と用途 | 商用利用や再配布の条件 |
重要なのは、すべての軸で最高のツールを探すことではなく、自分の制作物にとっての優先順位を決めることだ。一貫性が最優先なら画像起点のモデルを主軸にし、スピードが最優先ならテスト生成を軽量モデルで回す、という具合に役割を分ける。
フェーズ4：ショット単位のプロンプト設計
プロンプトは文章術ではなく、設計図の記述である。感覚で書くと再現できない。要素に分解して書くと、どこを直せば結果が変わるかが分かる。
6要素テンプレート
- 被写体：誰が、何が、どのような状態で
- 状況：場所、時間帯、天候、周囲の要素
- 構図：アングル、距離、画面内の位置
- 光：光源の方向、質、色温度
- 動き：被写体の動きとカメラの動き
- 質感：フィルムかデジタルか、粒子感、シャープさ
この順序で書くと、修正すべき箇所を特定しやすい。たとえば光だけが気に入らないなら4番目だけを書き換える。全部を書き直す必要はない。
モーションの書き方
動きの指示は、速度と方向と終点をセットで書く。「ゆっくり右へパンし、被写体の顔で止まる」のように、終わりを明示すると破綻が減る。逆に「カメラが動く」だけでは、意図しない揺れや回転が混ざる。
被写体の動きも同様だ。「歩く」ではなく「画面手前から奥へ、一定の速度で歩き続ける」と書く。移動方向と速度が決まると、カット間のつながりが良くなる。
除外したい要素の書き方
避けたい要素は、肯定的な指示に置き換えて書くのがコツだ。「文字を入れない」と書くより「文字のない背景」と書くほうが安定しやすい。どうしても除外指定が必要な場合は、要素を絞って短く列挙する。長い除外リストは、かえって不要な要素を呼び込みやすい。
シードとバリエーション管理
同じプロンプトでも、実行ごとに結果は変わる。気に入ったテイクが出たら、その時点の設定を必ず記録する。記録する項目は、プロンプト全文、参照画像、生成設定、そして出力ファイル名だ。
記録を残す習慣があると、後から「あの質感をもう一度」が可能になる。逆に記録がなければ、同じ絵は二度と出せない。これは制作における最大の無駄のひとつだ。
フェーズ5：キャラクターとスタイルの一貫性
AI動画で最も多くの人が挫折するのがここである。技術的には、一貫性は「参照を固定する」「変化させる変数を絞る」の二点に集約される。
キャラクターの一貫性
まずキャラクター設定画像を複数アングルで作り、それを基準として固定する。正面、斜め、横、後ろ、表情違い。この基準セットがあるだけで、カット間の顔のぶれが大きく減る。
服装や小物も同様に固定する。色、素材、ディテールを言語化し、スタイル辞書に書き加える。
スタイルの一貫性
画風や色調は、カットごとに再指定するのではなく、共通のスタイル記述として使い回す。スタイル記述を変えるのは、意図的に場面転換をするときだけにする。
色とライティングの一貫性
シーンごとに光の方向と色温度を決めておくと、つなげたときの印象が揃う。屋外の昼、室内の夜、夕暮れなど、シーン単位で「光の設計」をメモしておく。
一貫性チェックの進め方
生成したカットを並べて、次の順に確認する。
- 顔と髪の形状が同じか
- 服装の色と素材が同じか
- 光の方向が同じか
- 色温度が同じか
- 背景のディテール密度が揃っているか
このチェックを編集前に行うと、後戻りが激減する。
フェーズ6：編集・音声・仕上げ
生成した素材は、まだ動画ではない。編集によって初めて動画になる。
アセンブリとテンポ
まず音声を置き、その上に映像を乗せる順序が扱いやすい。音声が尺の基準になるため、映像を無理に引き伸ばす必要がなくなる。
カットの長さは、情報の重さで決める。新しい情報を見せるときは長め、つなぎや移動は短め。同じ長さのカットが続くと、単調に見える。
音声とBGM
ナレーションは先に確定させる。仮の音声で編集を進め、後から差し替えると、口の動きやカットの尺が合わなくなる。
BGMは、テンポの基準になる。曲のビートにカットを合わせると、驚くほど自然につながる。逆にビートを無視すると、どれだけ映像が良くても散漫な印象になる。
カラー調整
生成素材はカットごとに色がわずかに異なる。統一するには、まず全体に共通のトーンを当て、その後でカットごとに微調整する。順序を逆にすると、調整が終わらない。
書き出し
書き出し設定は配信先に合わせる。縦型なら縦の解像度、横型なら横の解像度。ビットレートは高めに設定し、必要に応じてプラットフォーム側の推奨値に合わせる。
フェーズ7：品質管理チェックリスト
完成前に、次の項目を上から順に確認する。
- 冒頭3秒で内容が伝わるか
- 音声をオフにしても意味が通るか
- カット間に不自然なジャンプがないか
- キャラクターの顔と服装が全編で一致しているか
- 光の方向と色温度がシーン内で揃っているか
- 字幕の誤字脱字と表示タイミング
- 音量が一定で、BGMが邪魔をしていないか
- クレジット表記や権利表示が必要な箇所
- 書き出し形式と解像度が配信先に合っているか
- ファイル名が命名規則に従っているか
チェックは前後半に分けて行うと集中力が保てる。前半で構成と流れ、後半で細部と技術的な問題を見る。
よくある失敗とトラブルシューティング
カットごとに絵柄が変わる
原因は、参照の不在か、スタイル記述の揺れだ。まず基準画像を作り、スタイル記述を固定する。それでも揺れる場合は、生成モデルを画像起点のものに切り替える。
動きが指示どおりにならない
動きの指示が抽象的すぎる可能性が高い。速度、方向、終点を明示する。それでも不安定な場合は、カットを短く分割し、1カット1アクションに絞る。
手や指が崩れる
多くのモデルが苦手とする領域だ。対処は三つ。手を画面外に出す、手を使わない構図にする、後処理で部分的な修正を行う。最初の二つが最も確実で速い。
映像がちらつく
フレーム間の一貫性が不足している。生成の設定を見直し、必要であれば補間やノイズ除去を工程に追加する。
尺が足りない、または余る
編集段階で気づくと手遅れになりやすい。企画時点でカット数を逆算し、余裕を持たせる。余った分は削る前提で優先度をつけておく。
音声と口の動きがずれる
音声を先に確定させ、それに合わせて映像を調整する順序に変える。逆順のまま調整を続けると、終わらない作業になる。
チーム運用とよくある質問
複数人で制作するときの運用
ファイル名の命名規則を最初に決める。例として「作品名_カット番号_テイク番号_日付」の形式にすると、誰が見ても素材を特定できる。
レビューは、完成品ではなくショットリスト単位で行う。カット単位で承認を取っておけば、最後の確認は流れの確認だけで済む。
学習と改善のサイクル
制作が終わったら、うまくいったプロンプトと失敗したプロンプトを分類して残す。次回のスタイル辞書に反映させる。この蓄積が、制作速度と品質の差になる。
よくある質問
Q. どの工程から自動化すべきか。
A. 反復作業から始めるのが安全だ。素材の命名、書き出し、字幕の生成など、判断を伴わない作業は自動化の効果が大きい。判断を伴う工程は、自動化しても結局人が確認するため、効果が読みにくい。
Q. 生成モデルはいくつ使うべきか。
A. 主軸を一つ、補助を二つ程度に絞るのが扱いやすい。数を増やすほど、スタイルの統一が難しくなる。
Q. どのくらいのテイクを生成すべきか。
A. 重要なカットは多め、つなぎのカットは少なめにする。最初の数テイクで方向性が定まらない場合は、プロンプトではなく設計に問題があることが多い。
Q. 参考にした映像の雰囲気を再現したい。
A. 雰囲気を言語化して要素に分解する。特定の作品をそのまま模倣するのではなく、光、色、構図、動きの特徴を抽出して自分の設計に取り込む。
Q. 生成に時間がかかりすぎる。
A. 解像度を下げてテストし、採用が決まったカットだけ高品質で再生成する二段構えにする。待ち時間は工程設計で短縮できる。
Q. どこまでAIに任せるべきか。
A. 構成、テンポ、音の設計は人間の判断が効く部分だ。逆に、大量のバリエーション生成や後処理はAIに任せたほうが速い。線引きは「判断」か「作業」かで考えると分かりやすい。
Q. 完成した動画の見直しで最も多い指摘は何か。
A. 冒頭の情報不足と、音声オフ時の意味の欠落が多い。この二つは公開前のチェックリストで確実に拾える。
まとめ
AI動画制作の品質は、モデルの性能だけで決まらない。企画で目的を定め、設計でカットを組み、生成で要素を分解し、編集でテンポを作る。この流れを毎回同じ順序で回すことが、結果として最短の道になる。
最初から完璧なワークフローを作る必要はない。まずはショットリストを作る習慣から始め、記録を残し、次の制作で改善する。三本ほど制作すると、自分にとっての最適な工程が見えてくる。その時点で初めて、ツールの選び方や自動化の判断も精度を上げられる。
