生成AIによる動画制作は、もはや実験的な試みではなく、実際の制作フローに組み込まれる段階に入りました。テキストや一枚の画像から数秒から十数秒のクリップを生成し、撮影機材もロケもなしに映画的なライティングやダイナミックなカメラワークを再現できます。しかし、生成できることと、作品として成立させることは別問題です。AIが苦手とするのは「前後の文脈」と「積み上げ」であり、そこを埋めるのは人間の設計力です。本記事では、企画から編集までの流れを一本のパイプラインとして整理し、現場でそのまま使える手順、判断基準、つまずきやすいポイントをまとめます。
AI動画制作の現在地：何が変わり、何が変わっていないか
変わったこと：クリップ生成の精度と制御性
数年前の生成映像は、数秒のうちに被写体が溶けたり、手足が増えたりするのが当たり前でした。現在は、被写体の形状保持、肌の質感、布の動き、水面や煙のような半透明素材の扱いが大きく改善しています。画像から動画を生成する方式が普及したことで、構図や光の当たり方を事前に決めてから動かすという、写真撮影に近い進め方が可能になりました。カメラの移動指示、レンズの焦点距離、被写界深度、時間帯や天候の指定など、映像言語で指示できる範囲も広がっています。
変わっていないこと：構成・編集・音・目的設定
一方で、どのカットをどの順番で並べるか、どこで切ってどこでためるか、どの音を載せるかといった編集の原則は何も変わっていません。むしろ、生成できる素材が増えたぶん、選別と構成の巧拙が作品の質を大きく左右します。尺の設計、視聴者が離脱するポイント、情報の出し順といった地味な設計こそが仕上がりを決めます。
「一文のプロンプトで完結する」という誤解
もっとも多い失敗は、長い文章を一つ書けば一本の映像が出てくるという期待です。実際には、映像はショットの集合体であり、ショットごとに目的があります。生成側に任せる部分と、人間が決める部分を分けることが、再現性のある制作の第一歩です。
制作パイプライン全体像：7つの工程
AI動画制作は、大きく次の7工程に分けると整理しやすくなります。
- 目的と尺の定義：誰に、何を、どこで見せ、何を感じてもらうか
- 脚本とショットリスト：文章をカット単位に分解する
- ルック開発：色調、光、レンズ、質感の基準を決める
- 参照素材の準備：キャラクター、衣装、小物、背景の基準画像
- クリップ生成：ショット単位で複数案を出す
- 選別と編集：使えるテイクを選び、つなぎ、リズムを作る
- 音と仕上げ：環境音、効果音、音楽、ナレーション、字幕、色調整
工程ごとの「手戻りコスト」を意識する
上流で決めたことが下流のすべてに影響します。たとえばキャラクターの衣装を工程5で変更すると、すでに生成したカットの大半が使えなくなります。逆に、工程1から3に時間をかけると、生成のやり直しが激減します。目安として、制作時間の3割から4割を上流の設計に使うと、全体の手戻りが最も小さくなります。
短尺と長尺で変わるポイント
15秒から30秒の単発動画は、ショット数が3から6程度なので、一貫性の管理は比較的容易です。一方、1分を超える構成やシリーズものでは、キャラクター、衣装、照明、色調を「仕様書」として固定しないと破綻します。長尺では、編集のリズムと音の連続性が視聴維持率を左右します。
プリプロダクション：企画・脚本・絵コンテの作り方
目的と尺を先に決める
最初に決めるべきは、映像の目的です。認知拡大、商品理解、感情の喚起、操作説明では、必要なカットの種類も尺もまったく異なります。SNSの縦型ショートなら最初の1秒から2秒で掴む必要があり、説明動画なら情報の順序が優先されます。目的が曖昧なまま生成を始めると、使えないカットが大量に生まれます。
脚本は「ショットに分解できる形」で書く
AIに渡す前提の脚本は、地の文よりも動作と状況の記述が重要です。「彼女は駅に立っている」ではなく、「夕方の駅のホーム、彼女が右手に傘を持ち、電車の到着音で顔を上げる」のように、見える情報として書きます。感情は表情と仕草、光の状態で表現できる形に翻訳します。台詞がある場合も、口の動きを生成するよりも、聞き手の反応カットで処理したほうが破綻が少なくなります。
絵コンテはラフで十分
絵コンテは上手に描く必要はありません。四角いフレームに、被写体の位置、カメラの向き、動きの矢印、ライトの方向だけをメモします。この段階で「同じ方向から撮り続ける」「視線の向きが逆になる」といった破綻を潰せます。スマートフォンのメモ機能でも、手書きの落書きでも構いません。大事なのは、生成を始める前にショットの順番と役割が決まっていることです。
ルック開発で基準を作る
色調、コントラスト、粒子感、レンズの歪み、被写界深度を決め、リファレンス画像を数枚並べます。以後の生成では、この基準から外れたカットを捨てるだけで統一感が保てます。ルックは「雰囲気」ではなく「数値と言葉で説明できる基準」として残すと、チーム内でも共有しやすくなります。
プロンプト設計：カメラ・照明・動きを言葉にする
基本の型を決めて使い回す
プロンプトは毎回ゼロから書かず、型を作ります。被写体、動作、カメラ、照明、レンズ、雰囲気、制約の順で記述すると、抜けが減ります。例として「被写体：30代の女性、赤いジャケット／動作：ゆっくり振り返る／カメラ：腰位置からわずかに寄る、35mm相当／照明：夕方の逆光、柔らかいハイライト／雰囲気：静かで少し物悲しい／制約：文字なし、余計な人物なし」といった構成です。この型を表計算ソフトやノートに保存しておけば、ショットごとに値を差し替えるだけで指示が完成します。
カメラワークの語彙を増やす
映像らしさを決めるのは動きの語彙です。固定、パン、ティルト、ドリーイン、ドリーアウト、トラッキング、クレーンアップ、ハンドヘルド、オービット。これらを使い分けるだけで、同じ被写体でも印象が変わります。ただし、動きの指示を重ねすぎると破綻しやすいので、1カットにつき主となる動きは一つに絞ります。寄りながら回り込むような複合指示は、どうしても必要な場面だけに限定します。
ネガティブ指定と制約
避けたい要素は明示します。ロゴ、透かし、画面内の文字、余分な手足、フレームの揺れ、過度な美肌処理など、用途に応じて列挙します。制約を増やすと自由度は下がりますが、破綻率が下がり、結果的に採用率が上がります。とくに広告や企業案件では、意図しない文字や記号が混入しないよう、毎回同じ制約文を貼る運用が有効です。
バージョン管理を仕組みにする
プロンプトは必ず記録します。番号を振り、どのカットにどの指示を使ったかを表にまとめます。同じ画を後日作り直す必要が出たとき、記録がなければ再現できません。変更点を一行で書き残す習慣をつけると、後から見返したときに理由が追えます。
一貫性の設計：キャラクター・衣装・スタイルを固定する
キャラクターシートを作る
正面、斜め45度、横、背面の4方向に加え、表情違いを数枚用意します。髪型、髪色、肌のトーン、体格、年齢感を言語でも記述し、画像と言葉の両方で固定します。参照画像は背景を単純にし、全身と上半身の両方を用意すると、寄りのカットでも引きのカットでも対応できます。
衣装と小物は「変更しない前提」で選ぶ
柄物、細かいロゴ、複雑な装飾は生成が揺れやすいため、単色や大きな形の服が安定します。シリーズで着替えを出す場合も、特徴的な一つの要素（色、小物、髪型）は共通に残します。眼鏡や帽子、イヤリングのような小物は、消えたり形が変わったりしやすいので、重要な設定なら必ず複数カットで検証してから本番に入ります。
スタイル統一の三要素
光の方向、色温度、コントラストの3つを固定すると、別々に生成したカットでも同じ作品に見えます。逆にこの3つがカットごとにばらつくと、どんなに画が綺麗でも継ぎ接ぎに見えます。撮影用語で言えば、キーライトの位置、ホワイトバランス、階調カーブを固定するという発想です。
参照の使い分け
参照画像は強い制約ですが、構図の自由度を奪うことがあります。人物の同一性は参照画像で、構図は言葉で指定するという分担が扱いやすくなります。参照を増やしすぎて意図しない要素まで引き継いでしまう場合は、参照を減らして言葉の指定を増やす方向に調整します。
ショット分割とカメラワークの実践
1カットの長さの目安
生成できるクリップは数秒単位が基本です。会話や感情の変化は2秒から4秒、情景説明は3秒から6秒、アクションは1秒から2秒の短いカットをつなぐとテンポが出ます。長いカットを無理に作るより、同じ瞬間を別アングルで複数用意し、編集で選ぶほうが結果的に安定します。
つなぎを前提に生成する
前のカットの終わりの姿勢と、次のカットの始まりの姿勢を重ねておくと、編集点が自然になります。動きの途中で切る「アクションつなぎ」は、生成の揺れを隠す最も簡単な方法です。扉が閉まる瞬間、振り返り始め、手が画面に入る瞬間など、動きのあるフレームで切ると目がごまかされます。
視線とイマジナリーライン
人物が右を向いているカットの次に、左を向いているカットを置くと、位置関係が反転して見えます。会話シーンでは、二人の間に引いた仮想の線をまたがないようにカメラ位置を設計します。この原則を守るだけで、素人っぽさが大きく減ります。
ショットリストの実例
15秒の商品紹介なら、①手元のクローズアップで質感、②使用場面のミディアムショット、③表情のアップ、④余韻の引きのカット、⑤商品名のテロップ、という構成が定番です。各カットに目的を一文で書き添えると、不要なカットを増やさずに済みます。逆に、目的が書けないカットは削る候補です。
編集・音・仕上げ：完成度を決める工程
選別とテイク管理
生成したクリップは、採用、保留、破棄に分類します。判断基準は、動きの自然さ、顔の安定、照明の一致、編集点の作りやすさの4点です。迷ったら保留にせず破棄し、必要なら再生成したほうが結果的に速く進みます。フォルダ名とファイル名にショット番号とテイク番号を入れ、編集ソフトに読み込む前に整理しておきます。
カットの間合いとリズム
同じ長さのカットを並べると単調になります。2秒、1秒、4秒、3秒のように緩急をつけます。音楽のビートに合わせる場合は、あらかじめビート位置を書き出し、そこに編集点を置きます。冒頭だけは例外で、最初の1秒から2秒に最も強い画を置くか、疑問を投げかけるカットを置きます。
色調整でつながりを隠す
カットごとの色温度と露出を揃えるだけで、別々に生成した素材は驚くほど自然につながります。全体に共通のルック（フィルム粒子、わずかな収差、黒の締まり）をかけると統一感が増します。色調整をしていない粗い状態でつなぎを見ると違和感が強いので、簡単な補正をかけた状態で判断するのがコツです。
環境音と効果音
無音の映像は、どれだけ画が良くても安っぽく聴こえます。風、足音、衣擦れ、街のざわめき、スイッチの音など、画面に映るものに対応する音を最低限入れます。効果音は映像の切れ目に合わせると、編集点が馴染みます。遠くの音は小さく、近くの音は大きくという距離感を意識すると、映像に奥行きが出ます。
ナレーション、音楽、字幕
ナレーションは文を短く切り、息継ぎの位置を編集点に合わせます。音楽は権利処理のしやすさと尺を確認し、サビだけを使うのではなく、導入、展開、結びの3ブロックで構成すると自然です。字幕は1行あたりの文字数を抑え、表示時間を読み切れる長さにします。読み切れない字幕は、視聴者にストレスを与えます。
用途別の判断基準
| 用途 | 優先すべき要素 | 避けたいこと | 尺の目安 |
|---|---|---|---|
| SNSショート | 冒頭の掴み、テンポ、縦型構図 | 長い導入、説明過多 | 10から30秒 |
| 商品広告 | 質感の再現、光の統一、清潔感 | 手ぶれ、色かぶり | 15から45秒 |
| ショートドラマ | 感情の連続、視線の一致、音の設計 | 顔の変化、唐突なカット | 60秒から数分 |
| 企業・教育 | 情報の順序、図解、字幕の読みやすさ | 過剰な演出、早すぎる切り替え | 1から5分 |
目的から逆算して技術選定する
リアルな人物を長時間見せる必要があるなら、人物の同一性を保つ仕組みを優先します。抽象的な映像や風景が中心なら、動きの豊かさやスタイル表現を優先します。技術は目的に従属させます。流行の手法を先に決めてから企画を合わせる進め方は、たいてい破綻します。
予算と時間の配分
尺が長くなるほど、生成の試行回数が増え、選別と編集の時間も増えます。最初は15秒程度の短い企画で工程を一周し、チーム内で手順を標準化してから長尺に広げるのが安全です。短い企画で見つかった失敗は、そのまま長尺のリスクになるので、早い段階で潰しておきます。
よくある失敗とトラブルシューティング
顔が変わる、別人になる
原因は参照の不足か、動きの指示過多です。参照画像を増やし、カメラの動きを弱め、顔が画面内で小さくならない構図に変更します。どうしても安定しない場合は、後ろ姿や横顔、手元など、顔を見せないカットで物語をつなぐ方法も有効です。
手や指が崩れる
手は苦手領域です。手を画面の主要素にせず、手前にボケを入れて隠す、物を持たせる、フレームアウトさせるなどの回避策が有効です。どうしても必要な場合は、短いカットにして編集でごまかします。手のアップを長く見せるほど、違和感が目立ちます。
動きが不自然になる
1カットに複数の動作を詰め込むと破綻します。動作を一つに絞り、開始と終了の姿勢を明確にします。歩行は速度を落とし、距離を短くします。走る、跳ぶ、ぶつかるといった激しい動きは、いったん静止した画から始めると安定しやすくなります。
つなぎで雰囲気が変わる
色温度、露出、粒子感をカット間で揃えます。編集ソフトで前後のカットを並べ、波形とベクトルスコープを見ながら調整すると判断が安定します。数値で合わせたうえで最後に目で確認する、という順序が効率的です。
音が合わない、安っぽく聴こえる
環境音を足し、不要な無音を埋めます。ナレーションの音量を基準にし、音楽はその下に置きます。音量の大小だけでなく、周波数帯を分けると聞き取りやすくなります。低音を削りすぎると迫力が落ち、逆に足しすぎると濁るため、基準となる音を一つ決めて比較します。
生成コストと時間が膨らむ
同じ指示で何度も出し直すのは非効率です。まず低い解像度で構図を決め、採用後に高品質で作り直す二段構えが有効です。1カットあたりの上限回数を決めておくのも効果的です。上限に達したら指示の書き方そのものを見直し、被写体や動作を減らします。
公開前チェックリスト
- 冒頭2秒で内容が伝わるか
- カット間で色と露出が揃っているか
- 人物の顔、衣装、髪型が一致しているか
- 画面内の文字に誤字や不要な記号がないか
- 音量が一定で、急な音量差がないか
- 字幕が読み切れる時間表示になっているか
- 権利処理が必要な素材が残っていないか
FAQ
どのくらいの学習時間で扱えるようになりますか
基本的な操作は数時間で覚えられますが、安定した品質を出すには、ショット設計と編集の経験がものを言います。既存の映像編集の知識がある人ほど習得は早くなります。反対に、操作だけ覚えて構成を考えないと、同じ失敗を繰り返します。
撮影はまったく不要になりますか
すべてを置き換える必要はありません。手元の実写素材や商品写真を一部使うと、生成だけでは出せない説得力が加わります。実写と生成を混ぜるハイブリッド構成は実務でよく使われます。とくに人物の手元や商品そのものは、実写のほうが正確です。
長尺の映像は作れますか
ショット単位で生成し、編集でつなぐ前提であれば長尺も可能です。1回の生成で長い映像を出そうとするより、短いカットを積み上げるほうが制御しやすく、修正も容易です。5分の映像なら、単純計算で数十カットの設計が必要になります。
縦型と横型のどちらを選ぶべきですか
配信先で決めます。SNSのフィードやストーリーズは縦型、YouTubeやウェブサイトは横型が基本です。両方必要なら、横型で撮って縦型に切るのではなく、最初から縦型用に構図を設計したほうが破綻しません。被写体を中央に置きすぎないことが、縦横両対応のコツです。
権利面で気をつけることは
参照画像や学習元に他人の著作物を使わないこと、音楽やフォントの利用条件を確認することを徹底します。商用利用の可否は各ツールの規約で必ず確認します。著名人の顔や既存キャラクターに似せる指示は、たとえ意図がなくても避けるのが安全です。
チームで進める場合の分担は
企画と絵コンテ、生成、編集、音の4役に分けると効率的です。プロンプトと参照素材を共有の仕様書として管理し、誰が触っても同じ結果になる状態を目指します。属人化を防ぐために、判断基準を文章で残すことが最も重要です。
まとめ：設計力が映像の質を決める
生成技術は日々進化していますが、作品の良し悪しを決めるのは、目的の定義、ショット設計、一貫性の管理、編集のリズムです。ツールは入れ替わっても、この順序は変わりません。まずは15秒の短い企画で工程を一周し、プロンプトと参照素材を記録として残し、再現できる状態を作ることから始めてください。その積み上げが、長尺やシリーズ制作にも耐える制作基盤になります。
