AI動画制作の現在地：制作パイプラインの前提が変わった
数年前まで、テキストから動画を生成する試みは「わずかに動く静止画」の域を出なかった。現在は、ショット設計、カメラワーク、ライティング、被写体の一貫性まで、プロンプトと参照画像である程度コントロールできるようになっている。重要なのは、変化の本質が「生成品質の向上」だけではないという点だ。制作工程のどこに生成AIを差し込めるのか、その地図がはっきり見えてきたことにある。
実務の現場で起きている変化は、大きく四つに整理できる。
- プリプロダクションの高速化：絵コンテやムードボードを描き上げる前に、ラフな生成映像で方向性を関係者と共有できる。手戻りが減る効果は大きい。
- 素材生成の分業化：ロケハンが難しいBロール、商品カット、抽象的なトランジション素材を、必要な尺だけ生成で用意できる。
- 反復コストの低下：1カットのやり直しが数分で終わるため、試行回数を増やせる。結果として「最初の案」に固執する必要がなくなる。
- 新しい管理課題の発生：生成物の取り扱い、被写体の整合性、ブランドトーンとの一致をどう担保するかが、新しい品質管理項目になった。
一方で、変わっていないこともある。編集、音設計、テンポ、ストーリーテリングの重要性は、むしろ上がっている。生成された映像はあくまで「素材」であり、作品に仕上げるのは編集工程だ。生成が速くなった分だけ、選別と構成の腕が成果を左右する。
この記事では、テキストto動画と画像to動画を実務で使うための工程を、モデル選定から撮影後工程まで一気通貫で整理する。特定のサービスの操作手順ではなく、どのツールに置き換えても通用する判断基準として読んでほしい。
生成モデルの選び方：用途別の判断基準
モデル選びで最初に確認すべきは「どのモデルが優れているか」ではなく「今回の案件で何を優先するか」である。同じプロンプトでも、モデルによって得意な映像の質感、動きの自然さ、尺の限界、修正のしやすさがまったく異なる。
フォトリアル系モデル
実写に近い質感、肌のディテール、光の回り込みを重視するモデル群。商品紹介、人物インタビュー風のカット、リアルな風景に強い。ただし、細部の破綻（指、歯、文字、反射）が出やすく、部分的な修正が必要になる場面も多い。フィニッシュ段階でアップスケールとノイズ除去を前提に考えると安定する。
シネマティック系モデル
カメラの動き、被写界深度、レンズ感、色調の再現に強いモデル群。ドラマ調のトレーラー、ブランドフィルム、情緒的なカットに向く。カメラワークの指示語（ゆっくり寄る、回り込む、並走する）が比較的効きやすい。一方で、指示が曖昧だと勝手に大きな動きを付けてしまうことがあるため、動きの量を明示する必要がある。
アニメ・イラスト系モデル
線の安定性、塗りの再現、キャラクターの造形維持に強いモデル群。短尺のアニメーション、インフォグラフィック調の説明映像、ゲーム風の世界観提示に向く。実写系と混ぜると質感が破綻しやすいので、1本の動画内で系統を混在させないのが原則だ。
長尺・ナラティブ系モデル
1回の生成で長めの尺を返し、シーンの連続性を保ちやすいモデル群。ストーリー性のある導入カットや、ワンカット風の見せ場に向く。反面、細部の指示が薄まることがあり、複数回生成して最も自然な部分を採用する運用が現実的だ。
モーション制御・カメラワーク特化系
参照動画の動きを別の映像に移植したり、関節の動きを指定したりできるモデル群。ダンス、製品の回転、人体の動作など、動きそのものが主役のカットで威力を発揮する。素材の準備が必要になるため、工程の前半で計画に入れておきたい。
選定の五つの問い
- 尺は足りるか：必要な秒数に対してモデルの上限が足りているか。足りなければ分割してつなぐ前提で設計する。
- 一貫性は保てるか：同一人物・同一商品が複数カットに登場する場合、参照画像方式か、生成後に差し替える方式かを決める。
- 修正の粒度は細かいか：部分的なやり直しができるか、全体を再生成するしかないかで、工数が大きく変わる。
- 解像度と縦横比は合うか：配信先の比率（横長、縦長、正方形）に対応しているか。後からクロップすると構図が崩れる。
- 再利用のしやすさはあるか：同じ構図で色違い、季節違い、商品違いを量産する予定があるなら、パラメータの再現性を優先する。
結局のところ、優れた制作チームは「一つの万能モデル」を探していない。案件ごとに2〜3の候補を試し、最初の数カットで比較してから本番に入る。比較に使う時間は数十分で、その後の手戻りを数時間単位で減らせる。
テキストto動画の実践ワークフロー
ここからは、テキストから動画を立ち上げる標準的な流れを七つのステップで示す。案件の規模が変わっても、この順番を崩さないことが品質の安定につながる。
ステップ1：目的と尺を先に決める
最初に決めるのは、映像の目的、配信先、尺、そして「見た人に何をしてほしいか」である。15秒の縦型ショートなのか、60秒の説明動画なのか、3分のブランドフィルムなのかで、必要なカット数も描写の密度も変わる。
おすすめは、尺から逆算してカット数を決める方法だ。1カット平均2〜4秒として、15秒なら5〜7カット、60秒なら15〜20カットが目安になる。この段階でカット数を確定しておくと、後工程の生成回数を見積もれる。
ステップ2：シーン分解とショットリストを作る
構成をシーンに分け、シーンをショットに分解する。表形式で「カット番号、内容、尺、カメラ、登場人物、必要な素材」を並べたショットリストを作ると、生成の抜け漏れが激減する。
このとき、生成が苦手なカットを先に洗い出しておくのがコツだ。文字が大きく映るカット、複数人が絡む動作、手指のアップ、鏡や水面の反射は破綻しやすい。これらは実写素材やモーショングラフィックスで代替する前提にしておくと、工程が止まらない。
ステップ3：キービジュアルを先に固める
本番の動画生成に入る前に、各シーンの代表カットを静止画として固める。この一手間が、全体のトーンを揃える最も効果的な方法である。
静止画生成で構図、色調、ライティング、服装、小物を詰めておけば、それを参照画像として動画化するだけで一貫性が保たれる。逆に、動画生成から始めると、カットごとに人物の顔や服が変わり、修正に膨大な時間を取られる。
ステップ4：プロンプトを構造化する
プロンプトは思いつきで書かず、項目を固定して書く。被写体、動作、場所、時間帯、光、カメラ、レンズ、色調、雰囲気、除外したい要素の順で並べると、抜けが減る。詳細は後述のテンプレートで扱う。
ステップ5：生成と選別を分離する
生成と選別を同時にやろうとすると判断が鈍る。まず同じ条件で複数案を出し、後から見比べて選ぶ。選別では「技術的な破綻がないか」と「編集で使えるか」の二軸で見る。美しくても編集でつながらないカットは使えない。
ステップ6：アップスケールと補正
選んだカットに対して、解像度の引き上げ、ノイズ除去、手ぶれ風の揺れの軽減、色調の統一を行う。生成直後の映像はディテールが甘いことが多いため、この工程を省くと最終出力で粗が目立つ。
ステップ7：編集・音・書き出し
カットを並べ、テンポを調整し、音を載せる。BGM、効果音、ナレーション、環境音の四層を意識すると、生成映像の軽さが大幅に解消される。特に環境音は、映像の説得力を左右する見落とされがちな要素だ。
画像to動画で一貫性を保つ技術
画像から動画を生成する利点は、出発点を自分でコントロールできることにある。逆に言えば、参照画像の設計を誤ると、どれだけプロンプトを工夫しても安定しない。
参照画像は「動かしたい瞬間」で作る
参照画像は、動きの開始フレームとして使われる。したがって「動き出す直前の姿勢」「これから動く方向に余白のある構図」で作ると、自然な動きが得られやすい。正面を向いて直立した人物よりも、わずかに重心をずらした姿勢のほうが、動きの余地が生まれる。
キャラクターを固定する
同一人物を複数カットに登場させる場合、顔、髪型、体型、服装、アクセサリーを言語化してメモに残す。色の指定は「青」ではなく「くすんだ青緑」のように具体化する。可能であれば、正面、斜め、横、後ろの四方向の基準画像を用意しておくと、カット間の揺れが小さくなる。
カメラワークを言語化する
「カッコよく動かす」は指示にならない。動きは次のように分解して指定する。
- 動きの種類：固定、パン、ティルト、ドリー、トラッキング、クレーン、手持ち風
- 方向：左から右へ、手前から奥へ、被写体を中心に回り込む
- 速度：ごくゆっくり、一定、加速しながら
- 被写体との距離：アップ、ミディアム、ロング
この四項目を毎回書くだけで、カット間のカメラの性格が揃い、編集でつなげやすくなる。
ライティングと背景の継承
同じシーン内では、光源の方向、色温度、影の落ち方を共通させる。参照画像に背景が写っている場合、動画生成でもその背景が引き継がれることが多い。背景を変えたい場合は、いったん背景を単純化した画像を作り、動画化した後に合成するほうが破綻が少ない。
プロンプト設計の型：シーン記述テンプレート
プロンプトの品質は、語彙力よりも構造で決まる。次の型を埋めるだけで、生成結果のばらつきが目に見えて減る。
被写体：年齢感・服装・表情・持ち物
動作：何を、どのくらいの速さで、どの方向へ
場所：屋内か屋外か、具体的な情景
時間帯と光：朝の斜光、曇天の拡散光、夜のネオン
カメラ：距離、角度、動き、速度
レンズと質感：広角、望遠、被写界深度、フィルム粒子
色調：暖色寄り、寒色寄り、彩度低め
雰囲気：静か、緊張感、軽やか
除外：余計な人物、文字、ロゴ、過度な手ぶれ
良い例と悪い例
悪い例は「かっこいい未来的な都市を歩く人物、シネマティック」のように、形容詞だけで構成されたプロンプトだ。モデルは「かっこいい」の定義を知らないため、毎回違う解釈を返す。
良い例は「30代の女性が、雨上がりの夜の路地を、一定の速さで奥へ歩いていく。右手に透明な傘。ネオンの反射が濡れた路面に映る。カメラは腰の高さで被写体の後ろをゆっくり追従。35mm相当、浅い被写界深度、粒子感は控えめ。寒色寄りで彩度は低め。静かで少し緊張した雰囲気。看板の文字や余計な人物は入れない」となる。情報量が多く、解釈の余地が狭い。
ネガティブ指定の使い方
除外指定は万能ではない。項目を増やしすぎると、モデルが萎縮して動きが止まることがある。実務では「文字」「ロゴ」「余計な人物」「指の破綻」の四つ程度に絞り、必要に応じて追加する運用が扱いやすい。
プロンプトのバージョン管理
同じシーンで複数案を試すときは、変更点を一度に一つだけにする。背景と服装とカメラを同時に変えると、どの変更が効いたのか分からなくなる。テキストファイルや表計算でプロンプトを版管理し、採用理由を一行添えておくと、後から同じ画を作り直せる。
品質管理チェックリスト
生成したカットを採用する前に、次の項目を順に確認する。すべてを一度に見ようとすると疲れるため、技術チェックと演出チェックを分けて行うのが効率的だ。
技術チェック
- 手指、歯、耳、眼鏡などの形状に破綻がないか
- 背景の直線（建物、棚、柵）が歪んでいないか
- 被写体の輪郭が背景に溶けていないか
- フレーム間でちらつきや明滅が発生していないか
- カメラの動きが途中で不自然に跳ねていないか
- 解像度と縦横比が配信先の仕様と一致しているか
- 音声を載せる場合、尺に余裕があるか
演出チェック
- 前後のカットと光の方向がつながっているか
- 登場人物の服装と小物が一致しているか
- カメラの動きの速度がシーン内で揃っているか
- 感情の流れに無理がないか
- 見せ場のカットが尺に対して長すぎないか
検収の順番
最初に音を消して映像だけを見る。次に音だけを聞く。最後に両方を同時に確認する。この順番で見ると、映像の粗と音の粗を切り分けられる。通しで見て違和感が出る場合、原因は多くの場合カットの長さか音のつなぎ目にある。
ポストプロダクション：生成素材を作品に仕上げる
生成映像は、そのままでは「素材の寄せ集め」に見えやすい。次の三層を加えることで、一本の作品としての密度が上がる。
カラーとグレインの統一
カットごとに色温度とコントラストが異なるため、全体に共通のルックを適用する。フィルム粒子を薄く重ねると、生成特有のつるつるした質感が和らぎ、実写素材と混ぜても違和感が減る。
テンポとカットの呼吸
生成カットは情報量が多いため、長く見せると飽きられる。基本は短めに切り、要所だけ長く見せる。逆に、動きの速いカットを連続させると疲れるため、静的なカットを挟んで呼吸を作る。
音による説得力の補強
低音の環境音、衣擦れ、足音、紙の音といった細かい効果音は、映像の解像度が低くても「リアル」の印象を強める。ナレーションを入れる場合、生成映像の尺に合わせて読み上げるのではなく、音を先に録り、映像を合わせるほうが自然な仕上がりになる。
チーム運用とリソース設計
個人制作とチーム制作では、最適な進め方が異なる。チームの場合、次の三点を先に決めておくと進行が安定する。
役割分担
- ディレクター：トーンと構成の最終判断。参照画像の承認。
- プロンプト設計：ショットリストに沿って記述を作成し、版管理する。
- 生成担当：複数案を出し、技術チェックを通した候補を提出する。
- 編集担当：カットの選別、音設計、最終書き出し。
小規模なら兼務で構わないが、「最終判断を誰が持つか」だけは曖昧にしない。生成は誰でもできるため、判断の所在が不明確だと収拾がつかなくなる。
時間の見積もり
1カットあたりの所要時間は、準備込みで次のように考えると現実的だ。参照画像の作成に5〜15分、生成と選別に10〜20分、補正に5〜10分。15カットの案件なら、単純計算で5〜11時間。ここに編集と音の工程が加わる。
品質の基準を数値で持つ
「なんとなく良い」ではなく、「破綻ゼロ」「色温度の差は一定以内」「カットの長さは2〜4秒」のように、判断基準を数値や条件で共有する。基準が言語化されていると、レビューの往復が減る。
よくある失敗と対処法
カットごとに人物が別人になる
原因は参照画像の不足と言語化の甘さ。対処は、四方向の基準画像を用意し、服装と髪型を詳細にメモして全カットで使い回すこと。それでも揺れる場合は、顔のアップを減らし、後ろ姿や手元のカットで構成を組む方法もある。
動きが速すぎて不自然になる
プロンプトに速度の指定がないことが原因。対処は「ごくゆっくり」「一定の速さ」といった語を必ず入れ、動きの量を絞ること。短い尺に多くの動作を詰め込まないことも重要だ。
全体が同じトーンで平板になる
ライティングと構図を全カットで揃えすぎた結果である。対処は、シーン単位でルックを変えること。同じ作品内でも、導入は拡散光、中盤はコントラスト強め、結末は柔らかい光にするだけで、緩急が生まれる。
編集でつながらない
カメラの方向と被写体の向きが逆になっているカットを並べると、視線の流れが破綻する。対処は、ショットリストの段階で被写体の向きとカメラの動く方向を書き添えること。右から左へ流れるシーンに、左から右へ動くカットを混ぜない。
文字やロゴが崩れる
生成モデルは文字の描画が苦手である。対処は、映像内に文字を生成させず、編集ソフトで後から載せること。看板やパッケージの文字も同様に、生成では避けるのが原則だ。
FAQ
テキストto動画と画像to動画はどちらから始めるべきか
目的次第だが、一貫性が重要な案件では画像to動画を推奨する。構図と人物を先に固められるため、手戻りが少ない。逆に、抽象的な映像や風景のカットを大量に必要とする場合は、テキストto動画のほうが速い。
1本の動画に複数のモデルを使ってもよいか
問題ない。むしろ実務では、カットの性質に応じてモデルを使い分けるのが一般的だ。ただし、同じシーン内で系統の異なる質感を混ぜると破綻しやすいため、シーン単位で担当モデルを決めるのが安全である。
生成した映像の尺が足りないときはどうするか
三つの方法がある。一つは後半を別カットでつなぐ。二つは編集で速度をわずかに落とす。三つは同じ参照画像から複数回生成し、自然な部分だけを切り出して連結する。もっとも品質が安定するのは三つ目だ。
実写素材と生成素材を混ぜるコツはあるか
色調、粒子感、被写界深度の三つを揃えること。特に粒子感は効果が大きい。実写側に薄く粒子を追加し、生成側のつるつるした質感を馴染ませると、切り替わりが目立たなくなる。
プロンプトは英語のほうがよいのか
モデルによって得意な言語は異なる。英語で書いたほうが指示が通りやすいモデルもあれば、日本語の固有名詞や情景語のほうが意図が伝わる場合もある。実務では、同じプロンプトを両言語で試し、結果が良いほうを採用するのが確実だ。
作業時間を短縮する最優先の改善点は何か
参照画像の作り込みである。ここに時間をかけると、生成のやり直し回数が減り、結果として全体の工数が下がる。逆に最も時間を失うのは、動画生成から始めて、カットごとの人物の不一致を後から直そうとする進め方だ。
外注する場合、何を渡せばよいか
ショットリスト、参照画像、トーンの参考映像、尺と配信先の仕様、除外したい要素のリスト。この五点が揃っていれば、認識のずれは大きく減る。逆に「こんな感じで」と参考映像だけを渡すと、解釈の違いで差し戻しが続く。
まとめ：工程を固定すれば、生成AIは安定した道具になる
テキストや画像から動画を作る技術は、もはや特別な実験ではない。ただし、ツールを触れば自動的に良い作品ができるわけでもない。効いているのは、目的と尺を決め、ショットに分解し、参照画像で基準を固め、構造化したプロンプトで生成し、技術と演出の両面で検収し、音と色で仕上げるという、地味だが再現性の高い工程である。
最初に取り組むなら、15秒・5カットの短い尺で一通りやってみることを勧める。全工程を一周すれば、自分の案件でどこが律速になるかが見えてくる。そこを改善する順番こそが、制作チームごとの「型」になっていく。
