AI動画制作でつまずく3つの根本原因
生成AIを使った動画制作は、もはや「一度試して驚く」段階を終え、「決まった品質を毎回安定して出す」段階に入っています。ところが実務の現場では、似たようにつまずきが繰り返されます。原因は大きく3つです。
1つ目は、ツールが増えるほど工程が分断されること。 動画生成、音声合成、アップスケール、編集をそれぞれ別のサービスで行うと、ファイル名もバラバラ、どの設定で出力したのかも分からない状態になります。結果として、一度うまくいったカットを翌週に再現できなくなります。
2つ目は、単発の成功を作品に変換できないこと。 SNSで見かける印象的な1カットは作れても、同じ人物で10カットをつなぐと、顔つき、髪型、服装、背景の光がばらつきます。視聴者はこのばらつきを「安っぽさ」として敏感に感じ取ります。
3つ目は、納品要件が後回しになること。 縦型か横型か、尺は15秒か60秒か、テロップは誰が入れるのか、音声はナレーションか字幕か。これを決めずに生成を始めると、終盤でほぼ作り直しになります。
重要なのは、これらの問題がモデルの性能ではなく、ワークフローの設計でほぼ解決できるという点です。高性能なモデルを追加しても、工程がつながっていなければ品質は上がりません。逆に、中位のモデルでも工程が整っていれば安定した納品ができます。以降では、企画から納品までの流れを6つの工程に分解し、各工程で何を決め、どこで品質を検査するのかを順に整理します。
ワークフロー全体像：6工程と成果物
最初に全体像を示します。制作は次の6工程で進めます。
| 工程 | 目的 | 主な成果物 | 完了条件 |
|---|---|---|---|
| 1 企画・設計 | 何をどこまで作るか決める | 構成案、絵コンテ、ルック指定 | カット数と尺が確定 |
| 2 モデル選定 | 用途に合う生成方式を決める | モデル対応表、テスト生成 | 各カットの担当方式が決まる |
| 3 映像生成 | カット素材を作る | クリップ、設定ログ | 全カットの暫定版が出る |
| 4 音声制作 | 声・音楽・効果音を用意 | ナレーション、BGM、効果音 | 尺に合わせて音が揃う |
| 5 編集・仕上げ | つなぎ、色、テロップ | マスター、各配信用版 | 書き出し確認が完了 |
| 6 レビュー・改善 | 再現性を高める | テンプレート、チェックリスト | 次の案件で再利用できる |
工程を分ける最大の目的は、「後戻りコストの高い決定を先に済ませる」ことです。尺とカット割りは後から変えると映像も音声も作り直しになりますが、色味の微調整は最後でも間に合います。次の順序を基本形として覚えておくと、どの現場でも応用できます。
- 企画・設計：構成、絵コンテ、ルック指定を確定する（後戻りコストが最大）
- モデル選定：カットごとに生成方式を決め、短いテストを行う
- 映像生成：低解像度で全カットの暫定版をそろえる
- 音声制作：ナレーション、音楽、効果音を用意する
- 編集・仕上げ：つなぎ、色調整、テロップ、書き出し
- レビュー・改善：設定ログを残し、テンプレート化する
ここで多くの人が工程3と4を逆にします。音声を最後にすると、尺が変わって映像をつなぎ直す羽目になります。ナレーションがある案件では、音声を先に（少なくとも原稿と仮読みを先に）用意するのが定石です。
また、各工程の完了条件を明確にしておくことも重要です。「なんとなく良さそう」で次に進むと、終盤で手戻りが発生します。完了条件はチェックリストとして書き出し、毎回同じ基準で判定します。
工程1：企画・絵コンテ・プロンプト設計
尺とカット割りを最初に確定する
「AIで作るから自由に」と考えて台本なしで始めると、生成を繰り返すうちにストーリーが崩れます。まず尺を決めます。縦型ショートなら15〜30秒、商品紹介なら30〜60秒、解説動画なら2〜5分が目安です。次にカット数を決めます。1カット平均2〜5秒で考えると、30秒なら8〜12カット、60秒なら15〜22カットが目安になります。
ナレーションがある場合は、日本語で1秒あたり5〜6文字を目安に原稿を書き、文字数から必要カット数を逆算します。たとえば60秒の原稿はおよそ330〜360文字です。ここで確定したカット表が、その後のすべての工程の台帳になります。スプレッドシートでもメモでも構いませんが、カット番号、尺、内容、担当モデル、状態の5列を必ず用意します。
ルックを言葉にする
生成モデルは指示の解像度に敏感です。「かっこいい映像」では何も決まりません。次の6項目を1行ずつ書き出します。
- 被写体：誰が／何が、年齢感、服装、表情
- 場所と時間：室内か屋外か、天候、時間帯、時代設定
- 光：逆光、ソフトボックス調、夜のネオン、曇天の拡散光
- カメラ：広角の寄りか望遠の圧縮か、固定か手持ちか、動きの速度
- 色：彩度、色温度、フィルム調かデジタル調か
- 質感：粒子感、被写界深度、レンズフレアの有無
この6項目のうち、全編で固定するものと、カットごとに変えるものを分けておきます。主人公の顔、服装、照明の方向は全編で固定。カメラの距離と動きだけをカットごとに変える。この切り分けだけで、つなぎの自然さが大きく変わります。
プロンプトのテンプレート化
プロンプトは毎回ゼロから書かず、テンプレートに流し込みます。基本形は次のとおりです。
「[被写体]が[動作]する。カメラは[動き]、[アングル]。照明は[光]。色調は[パレット]。[質感・レンズ感]。動きの速さは[速度]。」
否定条件として「画面内に文字が崩れて出る」「指の本数が不自然」「唐突なカット替え」「過度な彩度」などを固定で入れておきます。テンプレート化の効果は、品質の安定だけではありません。どのカットで何を変えたのかが比較できるようになり、改善の速度が上がります。
工程2：モデル選定の判断基準
用途別の選び方
一口に映像生成といっても、得意分野は大きく分かれます。実写風の人物や商品を扱うなら、肌の質感と照明の再現に強いモデルを選びます。アニメやイラスト調のダイナミックな動きなら、線の安定と作画的な動きに強いモデルが向きます。液体、煙、爆発などのエフェクト表現は、物理挙動の再現を重視したモデルが有利です。
選定の実務的な手順はシンプルです。まず各候補で同じプロンプトを1カットだけ生成します。次に、同じ素材を3回生成してばらつきを確認します。3回とも使えるものが出るモデルは、本番で安心して使えます。1回だけ奇跡的に良いものが出るモデルは、締切のある案件には向きません。
制御性と一貫性を優先する
見栄えの良さだけで選ぶと、後工程で苦労します。重視すべきは制御性です。具体的には、参照画像を与えられるか、カメラワークを指定できるか、尺をどこまで延ばせるか、開始フレームと終了フレームを指定できるか。これらができるモデルは、カット間の連続性を作りやすくなります。
特に「前のカットの最後のフレームを次のカットの最初に使う」手法は、つなぎの違和感を減らす定番のテクニックです。この用途に対応しているかどうかは、選定時に必ず確認します。
尺・解像度・速度のトレードオフ
生成時間は解像度と尺にほぼ比例して伸びます。標準解像度で全カットを作り、構成を確定してから高解像度化するのが合理的です。最初から最大設定で回すと、構成変更のたびに待ち時間が発生し、制作の勢いが削がれます。
判断の目安として、次の順序を推奨します。
- 低解像度・短尺で全カットの暫定版を作る（構成の確認が目的）
- 構成が固まったら、採用カットだけを標準解像度で作り直す
- 最終的に使うカットのみ高解像度化する
バージョンを固定して記録する
生成モデルは頻繁に更新されます。同じプロンプトでも、更新後に結果が変わることがあります。案件の途中で挙動が変わると、それまでのカットと質感が合わなくなります。対策は単純で、案件ごとに使用したモデルと設定を記録し、途中で変更しないことです。どうしても変更が必要な場合は、変更前に残りのカットを旧設定で作り切るか、全カットを作り直すかを判断します。
工程3：キャラクターと世界観の一貫性を守る
キャラクターシートを作る
同じ人物を複数カットに登場させるなら、最初にキャラクターシートを作ります。正面、斜め45度、横顔の3方向の画像を用意し、髪型、服装、アクセサリー、体格を書き出します。このシートを毎回の生成で参照画像として渡すことで、顔の漂流を抑えられます。
文章だけで人物を指定すると、生成のたびに別人になります。「30代前半、短髪、細身、紺のシャツ」といった説明は補助情報であり、参照画像の代わりにはなりません。
設定を記録して再利用する
参照画像とあわせて、シード値、解像度、カメラ指定、照明指定をカット表に記録します。記録があれば、後から同じ条件で別カットを追加できます。記録がなければ、追加カットは事実上の新規制作になります。
背景とライティングを固定する
人物だけでなく、背景も一貫性の対象です。同じ部屋のシーンを複数カットで使うなら、家具の配置、窓の位置、光の入る方向を固定します。カットごとに太陽の向きが変わると、視聴者は理由もなく違和感を覚えます。
逆に、意図的に変化をつける場合は、照明の色温度だけを変える、カメラの高さだけを下げるなど、変化させる要素を1つに絞ると、統一感を保ったまま印象を変えられます。
崩れを早期に検出する
顔や手の崩れは、高解像度化してからでは修正が難しくなります。低解像度の段階で全カットを一覧表示し、次の観点で確認します。
- 顔の向きと視線が不自然に固定されていないか
- 手や指が画面内で不自然に変形していないか
- 服装や髪型が前後のカットで変わっていないか
- 歩行や動作の途中で体の構造が破綻していないか
- 背景の小物がカットごとに消えたり増えたりしていないか
この検査を工程3の内部で完結させることが、後工程の負荷を大きく下げます。
工程4：音声・音楽・リップシンクの統合
ナレーションは先に作る
ナレーション原稿は絵コンテと同時に作ります。読み上げ速度を測り、実際の尺と比較してから映像のカット割りを確定すると、後から尺を伸縮する手戻りがなくなります。仮読みであっても、音声合成で一度読み上げて秒数を測っておく価値は大きいです。
話し方の指定も具体的にします。落ち着いた解説調か、テンポの速い宣伝調か。句読点の位置で間が変わるため、間を取りたい箇所には読点を多めに入れるなど、原稿の段階で調整します。
BGMと効果音の3層構造
音は3層で考えます。ナレーション（主役）、BGM（空気）、効果音（強調）です。BGMはナレーションより6〜12デシベル程度低く設定し、単調にならないようシーンの切り替わりで展開を変えます。効果音は動作の同期に使いますが、多用すると安っぽく聞こえるため、1カットにつき1つを目安に絞ります。
無音の区間を恐れないことも重要です。要点の直前に0.5秒の間を置くと、視聴者の注意が集まります。
リップシンクの現実的な精度
話している人物を正面から捉えたカットは、リップシンクの精度が最も問われる部分です。実務では次の順序で対処します。まず音声の尺を確定し、次に口の動きを生成し、最後に必要であれば口元だけを別素材で差し替えます。
精度が足りない場合は、正面のクローズアップを避けて横顔や手元のカットに切り替える、ナレーション形式に変更するなど、構成側で解決する方法もあります。技術的な限界を構成で吸収するのは、映像制作では一般的な判断です。
素材の権利と管理
音声合成、音楽、効果音には利用条件があります。商用利用の可否、クレジット表記の要否、再配布の制限を案件ごとに確認し、使用素材の一覧を納品物と一緒に保管します。この一覧は、後から問い合わせがあった際の唯一の根拠になります。
工程5：編集・カラー・書き出し
編集の基本方針
生成したクリップは、そのまま並べるだけでは作品になりません。カットの長さを詰める、動きの頂点で切る、視線の流れを意識してつなぐ。この3点を意識するだけで、体感品質が大きく変わります。特に、動きの頂点を少し過ぎたところで切ると、次のカットへの流れが滑らかになります。
つなぎ方は3種類を使い分けます。即時カットはテンポを出したいとき、短いディゾルブは時間経過を表したいとき、マッチカットは場所や時間を飛躍させたいときに有効です。
カラー調整とノイズ処理
生成されたカットは、カットごとに色温度やコントラストが微妙に異なります。編集ソフトで全カットを並べ、まず露出と色温度を揃え、次に作品全体のルックを作ります。彩度を少し落として粒子を足す、ハイライトを暖色に寄せるなど、統一のための処理を1つか2つに絞ります。
夜間や暗所のカットではノイズが目立ちます。ノイズ除去は強くかけると質感が消えるため、適用前後を等倍で比較しながら調整します。
テロップとモーショングラフィックス
テロップは読みやすさが最優先です。縦型では画面幅の80パーセント以内、1行12〜15文字を目安にします。表示時間は1文字あたり0.2〜0.3秒を基準にし、長い文は分割します。装飾を増やすより、余白と行間を整えるほうが視認性は上がります。
アップスケールとフレーム補間
最終カットのみ高解像度化し、必要に応じてフレーム補間をかけます。ただし補間は滑らかさと引き換えに、フィルム調の質感や意図的な残像を失わせることがあります。アニメ調や高速アクションでは、補間を控えたほうが自然な場合もあります。書き出し前に10秒程度のテストを行い、見え方を確認してから本番処理に進みます。
工程6：レビュー・改善・テンプレート化
カット単位のチェックリスト
完成した動画は、作品全体で見る前にカット単位で検査します。次の項目を1カットずつ確認します。
- 開始と終了のフレームが前後のカットとつながっているか
- 被写体の顔、服装、小物が前後で一致しているか
- 動きの速度が不自然に変わっていないか
- 画面内に不要な文字や記号が生成されていないか
- 音と動きのタイミングがずれていないか
この検査を仕組みとして持つと、修正の抜け漏れが減ります。
フィードバックの受け取り方
レビューでは「なんとなく違う」という指摘が必ず出ます。これを具體的な修正に変換するのがディレクションの役割です。違和感の正体は、多くの場合、尺、色温度、動きの量、情報量の4つのいずれかです。指摘を受けたら、どのカットのどの要素をどう変えるかを1行で書き出してから作業に入ります。
テンプレートと素材ライブラリ
案件が終わったら、次の3つを必ず保存します。1つ目はプロンプトのテンプレート。2つ目は採用した設定の一覧。3つ目は再利用可能な素材（背景、小物、効果音、テロップのスタイル）です。
この蓄積が、2本目以降の制作時間を大きく短縮します。特にプロンプトのテンプレートは、案件のジャンルごとに分けておくと流用しやすくなります。
よくある失敗と対策
| よくある失敗 | 何が起きるか | 対策 |
|---|---|---|
| プロンプトを長くしすぎる | 指示が衝突し、構図が崩れる | 1カット1アクションに絞る |
| 1カットに複数の動作を入れる | 動作が途中で変質する | 動作を分割してカットを増やす |
| 最初から最大解像度で生成する | 待ち時間で試行回数が減る | 低解像度で構成を固める |
| 音声を最後に作る | 尺が変わり映像を作り直す | 原稿と仮読みを先に用意する |
| 設定を記録しない | 追加カットが別人・別世界になる | カット表に設定列を作る |
| 権利確認を後回しにする | 公開直前に使えなくなる | 素材一覧を制作中に作る |
このほか、生成回数を無制限にすると作業時間が膨らみます。1カットにつき試行は5回まで、と上限を決めておくと、判断が早くなります。上限に達したら、プロンプトではなく構成を見直すサインです。
FAQ：AI動画ワークフローの実務的な疑問
どのモデルを選べばよいか分かりません
用途で分岐させます。人物の実写風表現なら質感と照明の再現性、アニメ調なら線の安定性、エフェクトなら物理挙動の再現性を基準にしてください。同じプロンプトを3回生成して、毎回使える結果が出るかを確認するのが最も実務的な選定方法です。
1本作るのにどれくらい時間がかかりますか
30秒の縦型動画で、慣れた人が8〜15時間、初めての場合は20〜30時間が目安です。内訳は、企画と絵コンテに2割、生成と試行に4割、音声と編集に3割、確認と書き出しに1割という配分が典型的です。テンプレートが蓄積されると、2本目以降は半分以下になります。
商用利用はできますか
利用するモデルや素材ごとに条件が異なります。生成物の商用利用可否、学習への利用条件、第三者素材の混入リスクを確認し、判断が難しい場合は利用規約の原文を確認します。制作中に素材一覧を作っておくと、確認作業が短時間で済みます。
顔の一貫性を保つコツはありますか
3方向の参照画像を用意し、シード値と設定を記録することです。加えて、顔のアップを連続させず、引きのカットや手元のカットを挟むと、視聴者の記憶が補完してくれます。完璧な一致を目指すより、違和感を目立たせない構成を選ぶほうが現実的です。
音声は後からでも合わせられますか
合わせられますが、推奨しません。音声の尺が確定していないと、映像の長さを後から調整することになり、つなぎのリズムが崩れます。少なくとも原稿と仮読みの秒数を先に確定し、その数字に合わせてカット割りを組んでください。
4Kで書き出す必要はありますか
配信先が4Kに対応していない場合、4Kで作る意味は限定的です。多くの配信先では、1080p相当で十分に高品質と評価されます。最終カットだけを高解像度化し、用途別に複数の書き出し版を用意する運用が効率的です。
チームで制作するときの注意点は
カット表を共有の台帳にし、担当者、状態、使用設定を全員が見られるようにします。ファイル名には案件名、カット番号、版番号を必ず含めます。設定を個人の端末に閉じ込めると、担当が変わった瞬間に再現性が失われます。
生成が思うようにいかないときは
まずプロンプトではなく構成を疑います。動作を分割する、カットを短くする、被写体を減らす、背景を単純にする。この4つの調整で解決するケースが大半です。それでも改善しない場合は、別系統のモデルに切り替えるか、実写素材や静止画の活用に方針を変える判断も必要です。
まとめ：小さく始めて型を作る
AI動画制作の品質は、モデルの性能よりも工程の設計で決まります。最初から大規模な作品を目指すのではなく、15秒の短い動画を1本、決めた手順どおりに作り切ってください。カット表、テンプレート、設定ログ、チェックリストという4つの資産が手元に残れば、2本目は同じ手順をなぞるだけで作れます。
制作の速度を上げたいときは、工程を飛ばすのではなく、工程の中身を軽くします。企画は厚く、生成は低解像度で速く、仕上げは最後に集中する。この配分を守ることが、結果として最短の納品につながります。
