AI動画制作の現在地：テキストと画像が映像になる時代
生成AIによる動画制作は、実験的なデモの段階を終え、広告、SNS投稿、教育コンテンツ、プレゼン資料、プロトタイプ映像など、実務の場面で使われるようになった。テキストプロンプトから数秒のカットを生成する技術、1枚の画像を自然な動きでアニメーションさせる技術は、特別な撮影機材や大掛かりなスタッフなしで扱える。しかし、ツールを起動すれば自動的に高品質な映像が手に入るわけではない。生成モデルごとに得意な表現、苦手な動き、制御できるパラメータが異なるからだ。
重要なのは、単発のプロンプトではなく、企画から書き出しまでの工程をワークフローとして設計することである。本記事では、テキストと画像を起点にしたAI動画制作を、再現性のある手順として整理する。特定のサービスに依存しない考え方を中心に、プロンプト設計、一貫性の維持、ツール選定、失敗時の対処、編集の組み立てまでを扱う。
AI動画の品質は、モデルの性能だけで決まらない。素材の解像度、参照画像のライティング、ショットの長さ、カメラワークの指示、編集時の色調整、音声の有無といった複数の要素が絡み合う。つまり、映像制作の基本工程を理解している人ほど、生成AIをうまく使いこなせる。逆に、生成だけに注目して前後の工程を軽視すると、つぎはぎの映像になりやすい。
用途によって求められる品質も変わる。SNSの短尺広告では、冒頭の数秒で注意を引けるかが重要であり、細部の完璧さよりもテンポと構図が優先される。企業の研修動画では、情報の正確さと聞き取りやすさが重視される。映画的な表現を目指すなら、カットのつなぎと色の一貫性に時間をかける必要がある。目的を先に決め、その目的に合わせてツールと工程を選ぶことが、遠回りのようで最短ルートになる。
生成パイプラインの全体像を掴む
AI動画制作とひとくちに言っても、入力と出力の組み合わせは複数ある。大きく分けると、テキストから動画を生成するT2V、画像から動画を生成するI2V、既存動画を変換するV2Vの3種類だ。これに音声生成、編集、アップスケールが加わり、最終的な映像が完成する。どの方式を使うにしても、工程を分けて考え、それぞれの品質を確認しながら進めることが大切である。
テキストから動画（T2V）
テキストから動画を生成する方式は、もっとも自由度が高い。情景、人物、動作、カメラワークを文章で指定できるため、絵コンテを用意しなくてもアイデアを映像化できる。一方で、細部の制御は難しく、同じ人物を何度も登場させると顔や服装が変わりやすい。短いカットを複数生成し、編集でつなぐ使い方が現実的だ。プロンプトの精度を上げるには、抽象的な形容詞よりも具体的な名詞と動詞を使う。たとえば「美しい風景」ではなく「霧のかかった杉並木を歩く人物」のように書く。
画像から動画（I2V）
画像から動画を生成する方式は、構図とルックを固定できる点が強みである。先に画像生成でキャラクターや背景を確定させ、その画像を動かすことで、作品全体のトーンを揃えやすい。商品写真やイラストを動かす用途にも向く。動きの指示はテキストで追加するが、元画像の情報量が多いほど破綻が減る。参照画像は解像度が高すぎても低すぎても扱いにくいため、長辺1024〜2048ピクセル程度を目安に整えるとよい。
動画から動画（V2V）と編集工程
既存の動画をスタイル変換したり、フレーム補間やアップスケールを行ったりする工程も重要だ。生成したカットはそのままでは尺が足りない、動きが速すぎる、解像度が低いといった問題が起きる。編集ソフトで速度調整、トリミング、トランジション、色調整を行い、必要に応じてアップスケールをかける。音声は別途生成し、映像に合わせて配置する。音と映像のタイミングがずれると、どれだけ映像が良くても完成度は下がる。カットの切り替わりに効果音を置くと、つなぎ目が自然になる。
音声生成とリップシンク
音声合成を使えば、ナレーションやセリフを用意できる。ただし、生成した音声をそのまま並べるだけでは機械的に聞こえる。文の区切り、間の取り方、強調する語を調整し、必要なら複数テイクから選ぶ。リップシンクが必要な場合は、口元がはっきり見える構図にし、セリフを短く区切る。日本語は口の動きが英語ほど大きくないため、顔のアップよりもバストアップのほうが自然に見えやすい。
プリプロダクション：企画とショット設計
生成を始める前に、目的と制約を決めておく。ここを飛ばすと、後工程で大量の作り直しが発生する。企画の段階では、誰に向けた映像か、どこで公開するか、何を伝えるかを文章で明確にする。そのうえで、尺、カット数、必要な素材、制作スケジュールを決める。
尺とアスペクト比を先に決める
完成尺を決めることで、必要なカット数が逆算できる。15秒の縦型ショートなら4〜6カット、30秒なら6〜10カットが目安になる。アスペクト比は配信先に合わせる。縦型9:16、横型16:9、正方形1:1のどれを選ぶかによって、構図とプロンプトの書き方が変わる。生成モデルが対応する解像度も確認しておきたい。縦型では人物の全身を入れると小さくなりすぎるため、上半身を中心にした構図が扱いやすい。
ショットリストと絵コンテの作り方
ショットリストには、カット番号、内容、尺、カメラワーク、セリフやテロップ、使用する参照画像を記載する。絵コンテは手書きでも、画像生成で作ってもよい。画像生成で絵コンテを作る場合、各カットの構図を先に固めておくと、そのまま参照画像として流用できる。ライティングと色味を全カットで揃えておくと、後で動画化したときの統一感が増す。絵コンテの時点で、人物の位置、視線の方向、背景の要素を書き込んでおくと、生成時の迷いが減る。
公開先と権利の確認
公開先が決まったら、必要な解像度、尺、音声の仕様を確認する。また、使用するモデルや素材のライセンス条件を把握しておく。生成物の利用範囲、学習データの扱い、第三者素材の混入リスクはサービスごとに異なる。商用利用を想定する場合は、公開前に規約を読み、必要に応じて社内の確認を通す。素材の出所を記録する習慣も、後から説明を求められたときに役立つ。
プロンプト設計の実践テクニック
ショット記述を6つの要素に分解する
プロンプトは、被写体、動作、環境、カメラ、光、スタイルの6要素に分けて書くと整理しやすい。たとえば「白いシャツを着た30代の男性」「ゆっくり歩きながら振り返る」「雨上がりの商店街」「ミディアムショット、トラッキング」「夕方の柔らかい逆光」「フィルム的な粒子感」といった具合である。要素を分けておくと、意図しない結果が出たときに、どの部分を修正すべきか判断しやすい。修飾語を増やしすぎるとモデルが混乱するため、1ショットにつき動きは1つに絞るのが基本だ。
カメラワークとモーションの指示語
カメラの動きを指定すると、映像の印象が大きく変わる。ドリーイン、ドリーアウト、パン、ティルト、オービット、ハンドヘルド、クラッシュズーム、クレーンアップなど、一般的な撮影用語が通りやすい。動きの速さも指定する。ゆっくりした動きは上品に見え、速い動きは勢いが出るが、破綻も増える。被写体の動作とカメラの動作を同時に複雑にすると失敗しやすいので、どちらかを主役にする。静的なショットでも、わずかな手ぶれや呼吸のような揺れを加えると臨場感が出る。
ネガティブ指定と制約の使い方
不要な要素を除外する指定も有効である。手指の崩れ、余分な人物、文字の混入、過度な彩度などを避けたいときに使う。ただし、否定形がそのまま逆効果になるモデルもあるため、まずは肯定形で望ましい状態を具体的に書くほうが安定する。制約として、動きの方向、画面内の位置、被写体の数、背景の種類を明示する方法も覚えておきたい。たとえば「画面左から右へ歩く」「背景は無地のグレー」のように書くと、意図が伝わりやすい。
プロンプトの反復と検証
同じプロンプトでも、生成するたびに結果は変わる。1回で決めようとせず、2〜3案を出して比較する。比較するときは、構図、動き、ライティング、破綻の有無の4項目で評価する。気に入った案があれば、そのプロンプトとシード値を記録し、別のカットに応用する。逆に、まったく意図と違う結果が続く場合は、プロンプトを短くして要素を減らす。情報量が多すぎると、モデルが優先順位を決められなくなるからだ。
一貫性を保つワークフロー
キャラクターシートと参照画像
同じ人物を複数のカットに登場させるなら、キャラクターシートを用意する。正面、斜め、横、背面の4方向と、笑顔、無表情、驚きなどの表情バリエーションを作っておくと、カットごとの参照に使える。衣装も固定し、アクセサリーの有無まで決めておく。参照画像のライティングは統一する。あるカットは暖色、別のカットは寒色だと、同じ人物でも別人に見えてしまう。背景を透過させるか、単色にしておくと合成がしやすい。
シード値・キーフレーム・部分的な再生成
多くの生成ツールにはシード値やキーフレームの指定がある。シードを固定すると、構図や質感の揺れを抑えられる。最初と最後のフレームを指定できるツールなら、カット間のつながりを滑らかにできる。全体を再生成するのではなく、気に入らない部分だけを部分修正する機能も活用したい。時間はかかるが、結果的に手戻りが減る。また、同じキャラクターを別のポーズで出したい場合は、参照画像のポーズだけを差し替えると崩れにくい。
シーン単位で切り分けて編集でつなぐ
長い映像を一度に生成しようとすると、途中で破綻しやすい。数秒単位のショットに分割し、編集でつなぐほうが現実的だ。つなぎ目では、前のカットの終わりと次のカットの始まりで、動きの方向、画面の明るさ、被写体の位置を合わせる。マッチカットやアクションつなぎを使うと、生成カットでも自然な流れを作れる。カットの長さを揃えすぎると単調になるため、意図的に長短をつけるとリズムが生まれる。
ツール選定の判断基準
生成モデルを見極める観点
モデルを選ぶときは、次の観点で比較する。制御性、一貫性、生成できる尺、解像度、得意なスタイル、処理速度、ライセンス条件、APIの有無である。フォトリアルな人物に強いモデル、アニメ調に強いモデル、長回しに強いモデルはそれぞれ異なる。1つのモデルで全部をこなそうとせず、カットごとに使い分けるほうが品質は上がる。また、同じプロンプトでもモデルのバージョンで結果が変わるため、使用したモデル名とバージョンを記録しておく。
編集・音声・アップスケールの役割分担
生成しただけの映像は、色がばらつき、音がなく、解像度も不足しがちである。編集ソフトでカットをつなぎ、色調整とテロップを加える。音声はナレーション、環境音、効果音、BGMを分けて考える。アップスケールは、必要に応じて最終工程で行う。最初から過剰に高解像度で生成すると、時間と計算資源を消費するため、編集で対応できる部分は後工程に回す。編集ソフトは、無料のものからプロ向けのものまで幅広い。複数人で作業するなら、プロジェクトファイルの互換性を確認しておく。
API連携と自動化の考え方
同じ作業を何度も繰り返す場合は、API連携やスクリプト化を検討する。たとえば、ショットリストを読み込んで複数カットを一括生成する、生成結果を自動で命名して保存する、といった自動化が可能だ。ただし、自動化は工程が安定してから行う。手作業で品質が安定しない段階で自動化しても、失敗が量産されるだけである。まずは手順をマニュアル化し、そのうえで繰り返し部分を自動化する順序が望ましい。
実例：30秒の商品紹介動画を作る
ここでは、30秒の横型商品紹介動画を、テキストと画像から作る流れを例示する。カットは6つ。尺は各4〜5秒で、最後にロゴとテロップを入れる構成とする。目的は、商品の質感と使用感を短時間で伝えること。ナレーションは控えめにし、映像と音で雰囲気を作る。
カット1は商品の全景。参照画像で背景をスタジオに固定し、ゆっくりしたドリーインを指定する。カット2は手に取る動作。マクロ寄りのショットで、指の動きをゆっくりに。カット3は使用シーン。人物の表情と環境光を指定する。カット4は素材の質感を伝えるクローズアップ。カット5は再び全景に戻し、余韻を作る。カット6はロゴとコピーの静止画である。
各カットのプロンプトは、被写体、動作、環境、カメラ、光、スタイルの順で書く。たとえばカット2なら「白い陶器のカップを両手で持ち上げる」「指先をゆっくり動かす」「明るい木製のテーブル」「マクロ、固定カメラ」「朝の柔らかい自然光」「清潔感のあるミニマルな質感」となる。生成後は、動きの滑らかさと構図の安定を確認し、必要なら2〜3回再生成する。編集では、カットの前後を少しトリミングしてテンポを整え、色温度を揃える。ナレーションを入れ、最後にBGMの音量を調整する。この流れをテンプレート化すれば、別の商品にも応用できる。
よくある失敗とトラブルシューティング
代表的な失敗と対処を整理する。人物の顔がカットごとに変わる場合は、参照画像を統一し、シードを固定し、アップにしすぎない。手や指が崩れる場合は、手を画面の端に置く、動きを減らす、解像度を上げる、部分修正を使う。動きが過剰になる場合は、モーションの指示を弱め、カメラワークを固定する。ちらつきが出る場合は、フレーム補間や時間方向の平滑化を試す。
文字が映像内に混入する場合は、テロップは編集で載せる方針に切り替える。リップシンクがずれる場合は、セリフを短くし、口の動きがはっきり見える構図にする。尺が足りない場合は、生成カットを遅くする、ループさせる、別カットを追加する。色が合わない場合は、生成時点でライティングを揃え、編集でまとめて調整する。背景が揺れる場合は、背景の動きを減らすか、被写体だけを生成して別の背景と合成する。
モーフィングが起きる場合は、生成する尺を短くする。動きの途中で形が崩れるなら、その前後でカットを分割し、編集でつなぐ。エンコードで画質が落ちる場合は、ビットレートとコーデックを確認する。音割れが起きる場合は、各素材の音量を下げ、書き出し前にピークを確認する。いずれの場合も、問題を一度に直そうとせず、1つずつ検証するのが近道だ。
品質とスピードを両立する運用術
生成AIを使った制作では、試行回数と選別の質が成果を左右する。1つのカットにつき複数案を出し、良いものを選ぶ。そのためには、プロンプト、参照画像、モデル名、バージョン、生成日時をファイル名とログに残す。命名規則を決めておくと、後から探しやすくなる。制作チームで分担する場合は、ショットリストを共有し、誰がどのカットを担当するかを明確にする。
時間を短縮する工夫も必要だ。まず低解像度で構図と動きを確認し、採用が決まったカットだけ高解像度で再生成する。編集ではプロキシを使い、最終段階で本番素材に差し替える。バッチ処理できるツールなら、複数カットをまとめて生成する。ただし、モデルの混雑状況によって待ち時間が変わるため、締め切りから逆算して余裕を持つ。品質を一定に保つには、チェックリストを用意し、公開前に解像度、音声、テロップ、色、尺を確認する。
チェックリストの例を挙げる。解像度とアスペクト比が配信先の仕様に合っているか。カットのつなぎ目に不自然な跳びがないか。色温度と露出が全カットで揃っているか。テロップのフォント、サイズ、表示時間が適切か。ナレーションと映像のタイミングが合っているか。BGMの音量がナレーションを邪魔していないか。書き出し形式が公開先に対応しているか。これらを確認するだけで、公開後の修正依頼は大きく減る。
FAQ：AI動画制作の疑問に答える
初心者はどの工程から始めるべきか
まずは画像生成で1枚の絵を完成させ、それを数秒だけ動かす練習から始めるとよい。構図とライティングの考え方を学べるうえ、生成の失敗にも気づきやすい。慣れてきたら、複数カットのショットリストを作り、編集でつなぐ工程に進む。最初から長い映像を作ろうとすると、どこでつまずいているのか分かりにくくなる。
長い動画を一度に生成できるか
数分規模の生成に対応するモデルもあるが、実務では数秒単位に分割するほうが安定する。長回しは破綻のリスクが高く、修正も難しい。分割して編集でつなぐ方法が現実的である。どうしても長回しが必要な場合は、カメラを固定し、被写体の動きを小さくすると失敗が減る。
同じキャラクターを維持するコツはあるか
参照画像を統一し、シードを固定し、衣装とライティングを揃えることが基本である。それでも揺れる場合は、カットを短くし、アップを避け、部分修正を併用する。どうしても合わない場合は、編集でクロップやぼかしを使って目立たなくする方法もある。キャラクターの特徴を減らすほど安定しやすいため、複雑な模様や装飾は避けるのも一案だ。
商用利用で注意すべき点は
利用するモデルや素材のライセンス条件を確認する。生成物の利用範囲、学習データの扱い、第三者素材の混入リスクはサービスごとに異なる。公開前に規約を読み、必要に応じて法務確認を行う。また、実在の人物やブランドに似た表現は、意図せず権利侵害になる可能性があるため注意する。
音声はどうやって作るか
ナレーションは音声合成、環境音と効果音はライブラリ、BGMは楽曲素材を使うのが一般的である。映像のカットに合わせて音を配置し、音量バランスを整える。リップシンクが必要な場合は、セリフを短くし、口元が見える構図にする。声のトーンは、映像のジャンルに合わせて選ぶ。落ち着いた内容なら低めの声、軽快な内容なら明るい声が合う。
どのくらいの学習時間が必要か
基本的な操作は数時間で覚えられるが、安定した品質を出すには、モデルごとの癖を把握する期間が必要である。1本の短い動画を完成させる経験を積むと、次回以降の判断が速くなる。プロンプトの書き方、参照画像の作り方、編集の基本をそれぞれ1つずつ練習するとよい。
無料ツールだけでも制作できるか
無料のツールでも、短いカットの生成や基本的な編集は可能である。ただし、生成回数の制限、解像度の制限、透かしの有無などを確認する必要がある。商用利用を想定する場合は、無料枠の条件が厳しいこともある。目的に応じて、有料のツールを組み合わせる判断も必要だ。
生成した映像が不自然に見えるときの改善順序は
まず動きの量を減らし、次にカットを短くし、その後に参照画像を見直す。それでも改善しない場合は、モデルを変えるか、部分修正に切り替える。一度に多くの要素を変えると、何が効いたのか分からなくなる。1つの変更につき1つの結果を確認する。
以上、テキストと画像からAI動画を制作するワークフローを整理した。生成モデルは進化し続けているが、企画、設計、生成、選別、編集という工程の考え方は変わらない。目的を明確にし、小さく試し、記録を残しながら改善を重ねることが、安定した品質への近道である。
