脚本から映像へ：AI動画制作パイプラインの全体像
テキストで書かれた脚本を渡すだけで、シーン分割・ショット設計・プロンプト生成・モデル選択・映像生成・音声合成・編集までが一気通貫で進む。そうした制作スタイルが現実的になったことで、映像づくりの前提は大きく変わりました。かつては企画から初稿映像が上がるまでに数日から数週間かかっていた工程が、条件がそろえば半日で回るようになっています。ただし誤解してはいけないのは、「ボタン一つで傑作が出る」わけではないという点です。出力の品質を決めるのは、生成ボタンを押す前の上流設計、つまり脚本の書き方、シーンの分解精度、プロンプトの一貫性、そしてモデル選択の妥当性です。
AI動画制作のパイプラインは、大きく六つの層に分けて考えると整理しやすくなります。第一に企画層（誰に何を伝えるか）、第二に脚本層（物語と情報の順序）、第三に設計層（ショットリストと映像文法）、第四に生成層（モデルとプロンプト）、第五に選別層（採用判断と差し戻し）、第六に仕上げ層（音声・編集・書き出し）です。多くの人がつまずくのは第三層と第五層で、生成そのものよりも「設計」と「選別」に時間がかかります。逆に言えば、この二層に型を作ってしまえば、制作速度は安定して上がります。
本記事では、脚本から映像までの流れを実務目線で分解し、各工程で何を決めるべきか、どのツールに何を任せるか、どこで失敗しやすいかを具体的に解説します。特定のサービスに依存しない形で整理するので、利用する動画生成モデルを差し替えても、チームの人数が変わっても、そのまま応用できるはずです。
「ワンクリック」が成立する条件
自動化がうまく機能するのは、次の三条件が満たされているときです。第一に、脚本が視覚化可能な粒度で書かれていること。第二に、登場人物や場所の外見が一意に定義されていること。第三に、尺と用途が決まっていることです。この条件が欠けたまま生成に入ると、どれだけ高性能なモデルを使っても、つなぎ合わせの段階で破綻します。逆に、この三条件を整えておけば、生成作業の大半は機械的に進められます。
人間が担うべき仕事
AIに任せられる工程が増えても、最終的な責任は人間に残ります。具体的には、誰に向けた動画なのかという目的設定、感情の山場をどこに置くかという構成判断、そして生成結果を採用するかどうかの審美眼です。この三点は、どれだけ自動化が進んでも代替できません。制作チームは、作業時間を「手を動かす時間」から「判断する時間」へと移していく必要があります。
ステップ1：脚本を「撮影可能な単位」に分解する
AI動画生成で最初にぶつかる壁は、脚本が文学的な表現のままだと映像に変換できないという問題です。「彼は深い絶望の中にいた」という一文は、そのままでは映像になりません。これを「雨のバス停で、濡れた髪のまま俯く男性のミディアムショット」に変換する作業が必要です。この変換を丁寧に行うかどうかが、最終的な映像の質を大きく左右します。
シーン分解と感情アークの抽出
まず脚本をシーン単位に切り分けます。目安は「場所・時間・登場人物のいずれかが変わるタイミング」です。次に、各シーンに感情のラベルを付けます（安心、緊張、期待、喪失、解放など）。このラベルは後のライティング設計やカメラワーク選択の判断材料になります。たとえば「緊張」のシーンでは、彩度を落とし、シャドウを強め、カメラを寄せる。逆に「解放」のシーンでは、光量を上げ、広い画角を使う。こうした対応表をあらかじめ作っておくと、判断が速くなり、シリーズ全体のトーンも揃います。
ショットリストへの変換
シーンをさらにショットに割ります。実務では、1シーンあたり3〜6ショットが扱いやすい分量です。ショットリストには最低でも次の項目を記録します。
- ショット番号と所属シーン
- 画面に映る内容（主語・動作・目的地）
- 想定尺（秒数）
- カメラワーク（固定、パン、ドリー、手持ち風など）
- 画角（ワイド、ミディアム、クローズアップ）
- ライティングと時間帯
- 参照画像の有無
- 使用モデルの候補
表計算ソフトで構いません。この表があるだけで、生成工程は「創作」から「作業」に変わり、抜け漏れが激減します。特に尺の欄は重要で、合計尺が目標尺に収まっているかを最初に確認しておくと、後工程での削り直しが不要になります。
情報を落とさない要約のコツ
脚本の要約は短ければよいわけではありません。映像生成に必要な情報は、①誰が、②どこで、③何をしていて、④何を感じているか、の四点です。この四点を各ショットに書き込んでおけば、プロンプト作成時に迷う時間がなくなります。
ステップ2：AI監督エージェントに任せる範囲を決める
近年の制作環境では、脚本を解釈してショット設計やモデル選択を提案する「AI監督エージェント」的な機能が一般的になりました。ただし、すべてを任せると意図しない演出に引っ張られます。任せる範囲を先に決めておくのが安全です。
任せてよい工程
- シーンのトークン分解と感情スコアの推定
- ショット候補のバリエーション出し
- 使用モデルの適合度スコアリング
- プロンプトの言い換えと英語化
- ネガティブ指定の自動補完
これらは定型化しやすく、自動化の恩恵が大きい領域です。
手動で残すべき工程
- 物語の山場の位置
- 登場人物の性格や関係性の解釈
- ブランドのトーンや禁止表現の最終判断
- 生成結果の採用可否
特に禁止表現の判断は、自動処理に委ねると事故につながります。業界固有の規制や商標、人物の扱いに関するチェックは、必ず人間のレビュー工程を挟みましょう。
モデル選択の判断基準
モデルは「性能が高い順」に選ぶのではなく、ショットの性質で選びます。判断基準を表にしておくと、チーム内で議論が起きにくくなります。
| ショットの性質 | 優先する特性 | 使いどころ |
|---|---|---|
| 人物の顔が主役 | 顔の安定性、表情の自然さ | 会話、感情のクローズアップ |
| 広い風景 | 解像度、遠景のディテール | オープニング、場面転換 |
| 動作の多いシーン | モーションの滑らかさ | アクション、スポーツ |
| 商品の接写 | 質感、反射の再現 | 商品紹介、料理 |
| 様式化された映像 | スタイル一貫性 | アニメ調、レトロ調 |
同じプロジェクト内で複数モデルを使うこと自体は問題ありません。ただし、モデルをまたぐと色味や質感が変わります。カットの切り替わりで不自然にならないよう、色調整の工程を必ず確保してください。
ステップ3：一貫性を守るプロンプト設計
映像が「なんとなく別々の動画の寄せ集め」に見えてしまう最大の原因は、一貫性の欠如です。一貫性は才能ではなく設計で担保します。
キャラクターの一貫性
まずキャラクターシートを作ります。年齢、体型、髪型と色、肌のトーン、服装、アクセサリー、特徴的な傷や癖。これを文章で固定し、毎回のプロンプトに同じ言い回しで挿入します。加えて、正面・斜め・横の参照画像を2〜3枚用意し、生成時に渡します。参照画像は「顔がはっきり写っているもの」「背景がシンプルなもの」を選ぶと効果が安定します。
文章の揺れは一貫性の大敵です。「黒いショートヘア」と「短い黒髪」が混在するだけで、モデルは別の人物として解釈することがあります。用語集を作り、表記を固定しましょう。
ロケーション・時間帯・天候の一貫性
場所にも同じ発想が使えます。壁の色、窓の位置、家具の配置、地面の素材。これらを「ロケーションシート」として文章化します。さらに、時間帯（朝、昼、夕、夜）と天候（晴れ、曇り、雨、霧）を明示します。曇天のシーンと晴天のシーンを交互に並べると、視聴者は時間経過を誤解します。ショットリストの段階で時間帯を通しで確認してください。
ネガティブ指定と禁止事項
入れられたくない要素は明示的に除外します。手や指の破綻、余分な人物、読めない文字、ロゴの混入などが典型です。ただしネガティブ指定を増やしすぎると、構図が単調になる副作用があります。多くても5〜8項目に絞るのが実務的です。
ステップ4：映像詩学をプロンプトに翻訳する
「映画っぽさ」は雰囲気ではなく、語彙とパラメータの組み合わせです。ここでは、演出意図を生成側に伝えるための翻訳作業を整理します。
カメラワーク・レンズ・構図の語彙
- 固定ショット：落ち着き、観察、ドキュメンタリー感
- スローパン：空間の広がり、情報の提示
- ドリーイン：心理的な接近、緊張の高まり
- 手持ち風：臨場感、不安定さ、リアリティ
- ローポイント：威圧感、英雄性
- ハイポイント：弱さ、俯瞰的な客観性
- 浅い被写界深度：被写体の分離、感情の強調
- 広角の歪み：迫力、閉塞感、不穏さ
これらは抽象語のままでは伝わりません。「ローアングルから見上げるミディアムショット、35mm相当、浅い被写界深度」のように、画角とレンズ相当と被写界深度をセットで書きます。
カット割とテンポ
尺の設計は感情設計です。会話のテンポを出すなら1ショット1.5〜2.5秒、余韻を残すなら4〜6秒。アクションの山場では短いカットを連ね、直後に長いカットを置くと解放感が生まれます。このリズムをショットリストの段階で秒数として書き込んでおくと、生成後の編集がほぼ自動化できます。
色とライティングの設計
色温度とコントラストは、シーンごとに数値感覚で決めます。朝は低めのコントラストと寒色寄り、夕方は暖色と逆光、夜は暗部を潰さず光源を一点に絞る。シリーズ全体で共通のカラーパレットを3色決めておくと、別々に生成したカットでも統一感が生まれます。
ステップ5：生成・選別・再生成のループを回す
生成は一度で決めるものではなく、反復で質を上げる工程です。重要なのは、ループの回し方をあらかじめ決めておくことです。
1ショット3案の原則
各ショットは最低3案生成し、比較して選びます。1案だけ見ると「まあまあ」で採用してしまい、後で後悔します。3案並べると差が明確になり、判断が速くなります。
選別チェックリスト
- 人物の顔・手・指に破綻がないか
- 前後ショットと服装・髪型が一致しているか
- 時間帯と天候が連続しているか
- 画角のつながりが不自然でないか（同じ構図の連続を避ける）
- 動きの方向が矛盾していないか（左から右への流れの一貫性）
- 尺が目標に収まっているか
このチェックを毎回同じ順番で行うと、見落としが減ります。
失敗の切り分け方
結果が悪いとき、原因は大きく三つに分かれます。①プロンプトの問題（情報不足、矛盾、語彙の曖昧さ）、②参照画像の問題（解像度不足、背景が複雑、別人に見える）、③モデルとの相性（スタイルが合わない、苦手な構図）。切り分けの手順は、まずプロンプトを変えずに参照画像だけ差し替える。次に参照画像を固定してプロンプトの一文だけ変える。それでも改善しなければモデルを変える。この順序を守ると、無駄な試行が減ります。
予算と試行回数の設計
生成回数には必ず上限を設けます。ショットごとに「採用1本＋予備1本」を確保できた時点で打ち切るルールにすると、全体の進行が止まりません。完璧を目指して1ショットに時間をかけすぎるのが、最も多い失敗パターンです。
ステップ6：音声・編集・仕上げ
映像がそろっても、音が入るまでは「素材」です。ここからの工程で完成度が大きく変わります。
ナレーションとボイス
ナレーションは、合成音声を使う場合でも、句読点と間の設計が命です。原稿には「、（0.3秒）」「。（0.8秒）」のように間を指定し、読みの速度を一定にします。固有名詞や数字は読み間違いが起きやすいので、事前に読み仮名を指定できる形式にしておきましょう。
BGMと効果音
BGMは感情のラベルと対応させます。緊張のシーンには低音の持続音、解放のシーンには明るいコード進行。効果音は「動作の頭に置く」のが基本で、映像より2〜3フレーム早く鳴らすと自然に聞こえます。音のピークが重なると聞き取りにくくなるため、ナレーションの帯域を確保する意識も必要です。
編集でのリズム調整
編集では、生成したカットの前後を削って呼吸を作ります。特にカットの入りは、動きが始まる直前で切ると気持ちよくつながります。逆に、動きが止まってから切ると間延びします。テロップは1行13〜15文字を目安にすると読みやすくなります。
書き出し設定
縦型（9:16）と横型（16:9）を併用する場合は、撮影時点で被写体を中央に寄せておくと、後からトリミングしても破綻しません。ビットレートは配信先の推奨値に合わせ、初稿は低めで確認、最終稿で高品質に書き出す二段階方式が効率的です。
よくある失敗と対処法
- カットごとに顔が変わる：キャラクターシートの文章が揺れている、参照画像が毎回違う。用語を固定し、参照画像を共通化する。
- 動きが不自然に速い／遅い：尺の指定が曖昧。秒数と動作の到達点をプロンプトに明記する。
- 全体が同じ構図で単調：画角の指示が省略されている。ワイド・ミディアム・クローズの順序をショットリストで設計する。
- 色味がばらつく：モデルを混在させたまま統一処理をしていない。編集工程でカラーマッチングを入れる。
- 字幕が読めない：文字数が多く、表示時間が短い。1行の文字数を制限し、最低1.5秒は表示する。
- 生成が終わらない：試行回数の上限が未設定。ショットごとの打ち切りルールを決める。
- 意図と違う雰囲気になる：抽象語だけで指示している。「感情ラベル→ライティング→画角」の順で具体化する。
用途別ワークフローと判断基準
用途によって、どの工程に時間をかけるかが変わります。
15秒のSNS広告
ショット数は4〜6。最初の1.5秒で視線を止める画が必要です。脚本は「フック→課題→解決→行動喚起」の4ブロックで書き、ナレーションは最小限にして字幕で伝えます。縦型前提で、被写体は画面中央のやや上に配置します。
3分の商品解説
ショット数は20〜30。商品の接写ショットを全体の3割程度入れ、質感の説得力を高めます。構成は「共感→課題の整理→解決策の提示→具体例→比較→まとめ」。テロップで数字を強調し、章ごとに画面の色味をわずかに変えると、視聴者が現在地を把握しやすくなります。
5分の短編・ブランドフィルム
ショット数は50以上。ここでは一貫性の設計が最も重要になります。登場人物のシート、ロケーションのシート、カラーパレット、時間帯の推移表を最初に作り、全ショットがその制約の中で生成されるようにします。感情の山場を1か所に絞り、そこに向けて画角を徐々に寄せていく構成が効果的です。
判断に迷ったときの優先順位
時間と予算が限られているときは、次の順に品質を守ります。①人物の顔の一貫性、②音声の聞き取りやすさ、③カットのつながり、④背景のディテール、⑤特殊効果。上位三つが崩れると視聴者は離脱しますが、下位二つは多少粗くても許容されます。
FAQ
脚本はどのくらいの長さで書けばよいですか？
尺の目安として、ナレーション1分あたり250〜300文字が読み上げの標準です。3分の動画なら750〜900文字の原稿に加え、ショットの指示を別枠で用意します。脚本とショットリストを分けて管理すると、修正時の影響範囲が小さくなります。
生成した映像が思い通りにならないときは？
まずプロンプトの抽象度を下げます。「悲しい」ではなく「俯き、肩を落とし、視線を下げたミディアムショット」のように、観察可能な要素へ分解してください。それでも改善しない場合は、参照画像を差し替える、モデルを変える、の順に試します。一度に複数の変数を動かさないのが鉄則です。
一貫性を保つ最も効果的な方法は？
三つあります。第一に用語集を作って表記を固定すること。第二に参照画像を共通化すること。第三に生成順を「キャラクター確定→シーン展開」の順にすることです。特に第三は効果が大きく、主人公の決定版カットを先に作り、それを参照として全ショットを生成すると破綻が激減します。
音声は合成と収録のどちらがよいですか？
短尺の広告や解説動画は合成音声で十分な品質が得られます。一方、感情の機微やブランドの声を伝えたい長尺では、収録の方が説得力が高くなります。実務的には、仮の合成音声で尺とテンポを確定し、最終稿のみ収録に差し替える進め方が効率的です。
チームで分業するときの注意点は？
脚本、ショットリスト、プロンプト、生成結果を同じ場所で管理し、命名規則を統一します。「シーン番号_ショット番号_版数」の形式にしておくと、差し戻しの指示が正確になります。また、用語集とカラーパレットを共有ドキュメントとして固定し、担当者が変わっても表記が揺れないようにします。
どの工程を自動化すべきですか？
定型化できる工程、つまり文字起こし、英語化、ネガティブ指定の補完、尺の計算、ファイル命名は自動化に向いています。逆に、物語の解釈、禁止表現の判断、採用可否の決定は人間が担うべきです。自動化の目的は判断を減らすことではなく、判断に使える時間を増やすことだと考えると、導入の優先順位が明確になります。
まとめ：上流設計に時間をかけるほど下流が速くなる
脚本から映像への自動化は、制作の手間を減らす技術であると同時に、設計の重要性をあぶり出す技術でもあります。ショットリスト、用語集、参照画像、カラーパレット。地味に見えるこれらの準備が、生成の反復回数を減らし、結果として制作時間を大きく短縮します。
まずは短い尺で一通り流してみてください。1シーン、4ショット、15秒。その小さな成功体験の中で、自分のプロジェクトに必要な用語集とチェックリストの形が見えてきます。そして慣れてきたら、任せる範囲を少しずつ広げていく。この順序で進めれば、ツールが変わっても、モデルが更新されても、安定した映像制作の流れを維持できるはずです。
