Hailuo AIのプロンプト設計が映像制作の分岐点になる理由
AI動画生成の出力品質は、モデルの性能だけで決まるわけではない。同じモデル、同じ素材条件であっても、結果の安定性はプロンプトの設計品質によって大きく変わる。とくにHailuo AI（MiniMax系の映像生成モデル）は、被写体の動きや質感、光の当たり方に素直に反応する一方で、指示の順序や粒度に敏感だ。曖昧な一文を投げても「それらしい映像」は返ってくるが、狙ったカットを何度でも再現することは難しくなる。
ここで必要なのは、プロンプトを「命令文」ではなく「設計図」として扱う発想である。設計図には、被写体、動作、環境、光、カメラ、スタイルという最低6つの情報が含まれている必要がある。逆に言えば、これらが欠けたプロンプトは、生成側が空欄を勝手に補完するしかない。補完の結果は毎回変わるため、再現性は失われ、修正のたびにゼロからやり直すことになる。
実務でよく見られる失敗は、大きく3つに分かれる。
- 曖昧さ：主語がなく、動作も環境も書かれていない。結果として「なんとなく雰囲気のある映像」だけが量産される。
- 過多：1つのプロンプトに10以上の要素を詰め込み、モデルが優先順位を決められなくなる。
- 矛盾：手持ちカメラの揺れを指定しながら、同時にスタビライズされた静的な構図を要求するなど、指示同士が衝突する。
これらを避ける最も簡単な方法は、生成の前に「このカットで確定させたい要素は何か」を3〜5個だけ書き出すことだ。被写体、動作、環境、光、カメラのうち、譲れない要素を選び、それ以外はモデルに委ねる。全要素を自分で決めようとすると、プロンプトは長文化し、破綻しやすくなる。
また、生成結果を記録する習慣も欠かせない。プロンプト、参照画像、使用モデル、出力の良し悪しを一行ずつ残しておくと、後から「当たった条件」を再現できる。プロンプト職人と呼ばれる人たちは、勘ではなく記録と比較で前進している。
Hailuoモデル固有の特性を理解する
どのモデルにも得意・不得意があり、プロンプトの書き方はその癖に合わせて調整する必要がある。Hailuo系モデルを使う際に押さえておきたい特性は次のとおりだ。
物理的な動きの説得力
重力、慣性、摩擦といった物理挙動の再現に比較的素直に反応する。布が風になびく、水面に石が落ちて波紋が広がる、湯気が立ちのぼるといったシーンでは、動作の速度や方向を丁寧に書くほど説得力が増す。逆に「人が走る」だけでは、足の接地や重心移動が曖昧になりやすい。
質感とライティングへの反応
素材の質感を表す語彙（リネン、磨かれた金属、濡れたアスファルト、ざらついたコンクリートなど）を与えると、表面の反射や陰影が明確になる。光源の種類と方向を指定すると、肌や布の描写が安定する。
短い動きの連続が得意
1カット3〜5秒程度の短い動きを積み重ねる使い方と相性が良い。長回しで複雑な展開を1回の生成に詰め込むより、ショットを分割して編集でつなぐ方が最終品質は高くなる。
感情やトーンの感度
「静けさ」「緊張」「懐かしさ」といったトーンの指定が、表情や光の質に反映されやすい。感情語を1つだけ加えると、シーンの空気がまとまりやすくなる。
苦手分野を把握する
- 手指の細かい動きや複数人の絡み
- 長尺で複数の出来事を1ショットに収める構成
- 画面内の文字やロゴの正確な描写
- 極端に速いパンや回転を伴うカメラワーク
これらは、カットを分ける、参照画像を増やす、編集で補うといった回避策を前提に設計する。
6層フレームワークでプロンプトを組み立てる
プロンプトの精度を上げるには、書く順番を固定してしまうのが最も効率的だ。以下は、Hailuo系モデルで扱いやすい6層構造である。
層1：被写体
誰が、何が主役なのかを最初に書く。人数、年齢層、服装、体格、特徴的な小物まで含めると安定する。曖昧な「女性」ではなく「30代の女性、短い黒髪、生成りのリネンシャツ」のように具体化する。
層2：アクション
被写体が何をするのかを1つだけ書く。「コーヒーカップを持ち上げて一口飲む」のように、開始と終了がイメージできる動作が望ましい。複数の動作を並べると、どれも中途半端になる。
層3：環境と小道具
場所、時間帯、天候、周囲の物を書く。小道具は動作の説得力を支える。机、窓、植物、湯気など、動きに関与する要素だけを選ぶ。
層4：ライティング
光源の種類（自然光、窓明かり、実用的な照明）、方向（斜め上、逆光、サイド）、質（柔らかい、硬い、拡散）を指定する。ライティングは映像の印象を最も大きく左右する層である。
層5：カメラ
ショットサイズ（クローズアップ、ミディアム、ワイド）、アングル（目線の高さ、ロー、ハイ）、動き（固定、ゆっくりしたドリーイン、回り込み）を書く。1ショットにつきカメラの動きは1つに絞る。
層6：スタイルと品質
写実的か、フィルム風か、アニメ調か。色調、粒子感、被写界深度などを指定する。ただし品質を意味する抽象語だけを並べても効果は薄い。具体的な質感や光の描写で補う。
記述例
被写体：40代の男性、無精ひげ、濃紺のニット、左手に陶器のカップ
動作：湯気の立つカップを両手で包み、ゆっくり息を吐く
環境：早朝の木造キッチン、窓際、外は淡い霧
光：窓からの柔らかい逆光、室内は薄暗く、カップの縁にリムライト
カメラ：ミディアムクローズアップ、目線の高さ、ごくゆっくりしたドリーイン
スタイル：写実的、浅い被写界深度、微細な粒子感、落ち着いた寒色寄りの色調
この構造の利点は、うまくいかなかったときに「どの層を直せばよいか」がすぐ判断できることだ。動きが不自然なら層2、光が硬すぎるなら層4、構図が遠いなら層5を修正する。プロンプト全体を書き換える必要はない。
物理リアリズムを引き出す記述テクニック
リアリズムは「高精細」という言葉ではなく、物理法則の記述から生まれる。Hailuo系モデルで効果が出やすい手法を整理する。
素材語彙を使う
抽象的な形容詞より、素材名の方が効く。「高級感のある服」ではなく「生成りのリネンシャツ」、「金属の机」ではなく「ヘアライン仕上げのステンレス天板」と書く。素材名は反射率や皺のでき方を暗黙に規定する。
動きの速度と方向を数値化する
「ゆっくり」「ごくわずかに」「一定の速さで」といった副詞を必ず添える。速度の指定がないと、モデルは平均的な速さで動かそうとし、結果として芝居がかった動きになる。
副次的な運動を書く
主動作だけでなく、それに付随する運動を書くと説得力が増す。風で揺れるカーテン、湯気の流れ、埃の浮遊、水面のさざ波、布の裾の遅れ。これらは重力と空気抵抗の証拠として機能する。
反射と遮蔽を意識する
鏡面、濡れた路面、ガラス越しの描写は、光の反射を明示すると破綻しにくい。「窓ガラスに反射する室内の照明」のように、反射元と反射先を書く。
避けたい書き方
- 意味の重複した強調語の羅列（最高品質、究極、完璧など）
- 相反する光の指定（硬い直射光と柔らかい拡散光の同時指定）
- 5つ以上の動作を1カットに詰め込む構成
- 抽象的な感情語だけに頼り、身体の動きを書かない指示
リアリズムは「情報量」ではなく「物理的に整合した情報量」で決まる。1つの運動に対して、原因と結果を1組だけ書くのが基本だ。
キャラクター一貫性を守る参照画像ワークフロー
シリーズものの映像や広告では、同一人物が複数カットに登場する。ここで最も効果が高いのは、参照画像とテキスト記述を併用する方法である。
参照画像の役割分担
- 1枚目：顔の正面、自然光、無表情に近い状態
- 2枚目：全身、実際に使う衣装
- 3枚目：横顔または後ろ姿、髪型の確認用
参照画像は多ければよいわけではない。似た構図の画像を重複して渡すと、かえって特徴が平均化される。役割を分けた2〜3枚が扱いやすい。
特徴を言語化して併記する
参照画像だけに依存せず、テキストでも特徴を書く。年齢層、髪の長さと色、瞳の色、服装の素材と色、常に身につけている小物。テキストと参照画像が同じ方向を指していると、生成が安定する。
カメラ距離を揃える
顔の崩れが起きやすいのは、ワイドショットからクローズアップへ急に切り替わる場合だ。まずクローズアップで顔を確定させ、その結果を参照としてミディアム、ワイドへ広げていく順序が安全である。
ショットリストで連番管理する
カット番号、人物ID、衣装ID、参照画像ファイル名、使用したプロンプトを表形式で管理する。編集段階で素材が混ざるのを防ぐだけでなく、後から追加撮影する際の再現性も確保できる。
崩れたときのリカバリ手順
- 参照画像を1枚に絞り、方向を統一する
- ライティングを固定し、色温度を明記する
- ショットサイズを1段階近づける
- 動作を単純化し、顔が隠れる角度を避ける
- それでも不安定なら、シーンを分割して編集でつなぐ
カメラモーションと動きの設計
映像の印象は、被写体の動き以上にカメラの動きで決まる。Hailuo系モデルでは、1ショット1モーションの原則を守ると失敗が激減する。
基本語彙
- 固定（static / locked-off）：最も安定。人物の演技と光で見せる。
- ドリーイン（slow dolly in）：被写体へ静かに近づく。感情の高まりに使う。
- ドリーアウト（slow dolly out）：状況を見せる。ラストカット向き。
- 回り込み（orbit / arc shot）：被写体を中心に緩やかに回る。1周させず、30〜45度に留める。
- 手持ち（handheld, subtle shake）：臨場感。揺れの量を必ず「わずか」と指定する。
- クレーンアップ（crane up）：空間の広がりを見せる。速度は遅めに。
速度の指定は必須
カメラの動きには必ず速度の副詞を付ける。「ゆっくり」「一定の速度で」「終盤にかけてわずかに加速」など。速度指定のない移動は、意図より速く動きがちである。
被写体とカメラを分離して書く
悪い例は「主人公が歩きながらカメラが回り込む」のように、2つの運動を1文に混ぜる書き方だ。良い例は、被写体の動作とカメラの動作を別の行に分けて書くこと。モデルは情報のまとまりごとに解釈するため、分離した方が意図が伝わりやすい。
尺の設計
1カットは3〜5秒を基本とし、動きの開始・中間・終了のどこを使うかを決めておく。編集で前後を切る前提なら、生成時は少し長めに作る。逆に、決定的な一瞬を狙う場合は短尺で集中させる。
用途別のモデル選定と判断基準
複数の映像生成モデルを使い分ける際に、価格や流行ではなく「用途との適合」で選ぶための基準を整理する。
判断基準の6項目
- 写実性：人物の肌や光の再現度をどこまで求めるか
- 動きの大きさ：激しいアクションか、静かな会話劇か
- スタイル適性：実写調、アニメ調、イラスト調のどれが中心か
- 一貫性：同一人物・同一空間を複数カットで維持する必要があるか
- 尺と分割：1カットで完結させるか、分割して編集でつなぐか
- 反復回数：何度も試行して納得いくまで詰める前提かどうか
比較の観点
Hailuo系は物理挙動と質感の素直さ、短尺カットの量産に向く。Kling系は滑らかな動きとシネマティックな画作り、Runway系はカメラワークの幅と編集機能との連携、Sora系は複雑なシーン構成の理解、Flux系は静止画のベース品質、ViduやHunyuan系はスタイル特化やローカル運用の選択肢として位置づけられる。優劣ではなく、工程のどの段階で使うかで選ぶ。
ハイブリッド運用の型
- ラフ検討：生成速度が速く軽い設定のモデルで構図と動きを確認
- 本番：写実性と一貫性が必要なカットに高品質モデルを投入
- 補助：背景プレートや小物だけを別モデルで作り、編集で合成
テスト生成の評価ルーブリック
各候補モデルで同じプロンプトを3回生成し、次の5項目を5段階で採点する。構図の一致度、動きの自然さ、質感の再現、顔の安定、再現性（同条件で同じ傾向が出るか）。合計点ではなく、プロジェクトで重視する項目のスコアで判断するのが実践的だ。
生成から編集までのワークフロー統合
プロンプト設計は単独では完結しない。前後の工程と接続してはじめて成果になる。
プリプロダクション
絵コンテとショットリストを先に作り、各カットに「主動作は1つ」という制約を課す。ここで動きを詰め込みすぎると、後工程のすべてが破綻する。あわせて、カットごとに必要な参照画像と小道具のリストを確定させる。
プロンプトライブラリの構築
うまくいったプロンプトは、ジャンル別（人物、風景、商品、料理など）に保存し、可変部分だけを差し替えて再利用する。テンプレート化しておくと、シリーズ制作での品質が安定する。各テンプレートには、成功した理由を一行メモとして添える。
命名規則とフォルダ構成
カット番号、テイク番号、日付をファイル名に含める。sc03_take05_hailuo_medium-dollyin のような形式にしておくと、編集ソフト上での検索が速い。フォルダはプロジェクト、シーン、カットの3階層に留め、深くしすぎない。
選別とベストテイク管理
生成結果は一度に比較せず、カット単位で並べて見る。評価軸は、構図、動き、顔、光の4点。1つでも致命的な破綻があれば採用しない。惜しいテイクは「再利用候補」として残し、別カットの素材や背景プレートとして活かす。
ポストプロダクション
- 解像度を上げ、ノイズを整える
- フレーム補間で動きの滑らかさを調整する
- カラー調整で色温度とコントラストを統一する
- 効果音と環境音を重ね、動きの説得力を補強する
- カットの長さを詰め、テンポを作る
生成段階で完璧を目指すより、編集で補う前提で設計した方が最終品質は高くなりやすい。とくに音は、映像の粗さを最も効率的に隠せる要素である。
チーム運用のポイント
テンプレートと評価基準を共有し、レビューは「修正指示」ではなく「どの層を変えるか」で伝える。層の番号を指定するだけで、修正の往復回数が減る。
よくある失敗とトラブルシューティング
| 症状 | 主な原因 | 対処 |
|---|---|---|
| 被写体が溶けるように崩れる | 情報量過多、参照画像の重複 | 動作を1つに絞り、参照を2〜3枚に整理 |
| 動きが芝居がかって速い | 速度指定の欠落 | ゆっくり、一定の速さで、を明記 |
| カメラが予期せず振れる | カメラ指示の重複 | 1ショット1モーションに統一 |
| 顔が別人になる | 距離の急変、光の不一致 | クローズアップから段階的に広げる |
| 画面内に不要な文字が出る | 曖昧なスタイル指示 | 文字やロゴを排除する旨を明記 |
| 色が濁る | 光源の指定が曖昧 | 光源の種類・方向・色温度を追加 |
| 尺が足りない | 1カットに展開を詰め込みすぎ | カットを分割し編集で接続 |
| 毎回結果が変わる | 記録不足で条件が揃っていない | プロンプトログと参照を固定 |
トラブルの多くは、モデルの限界ではなく指示の重複と欠落から生じる。症状が出たら、まず6層のどこに問題があるかを確認する。
FAQと練習プラン
よくある質問
Q. プロンプトは英語と日本語のどちらで書くべきですか。
どちらでも成立するが、英語キーワードの方が反応が安定する場面もある。実務では、構造を日本語で整理し、質感やライティングのキーワードだけ英語を併記する折衷が扱いやすい。
Q. プロンプトはどのくらいの長さが適切ですか。
6層を1〜2文ずつで書いた、100〜200語程度が目安になる。長さそのものより、重複と矛盾がないことが重要だ。
Q. 参照画像は何枚まで渡すべきですか。
役割の異なる2〜3枚が実用的だ。同じ構図の画像を増やすと特徴が平均化し、顔の個性が薄れる。
Q. 同じ結果を再現するにはどうすればよいですか。
プロンプト、参照画像、使用モデル、設定値をセットで記録する。1つでも欠けると再現性は落ちる。シード値が扱えるモデルなら、それも必ず残す。
Q. 動作が複雑なシーンはどう作りますか。
1カット1動作を守り、複数の動作をカット分割と編集でつなぐ。生成段階で複雑さを抱え込まないことが、結果的に最短ルートになる。
Q. アニメ調と実写調は同じプロンプトで使い分けられますか。
同じ構図のプロンプトを使い、スタイル層だけを差し替えると比較しやすい。スタイル層は最後に書くため、切り替えの影響を切り分けられる。
Q. 生成が安定しないときの最初の一手は。
要素を減らすことだ。被写体、動作、カメラの3つだけに絞り、光とスタイルを外して生成する。それで安定すれば、外した要素のいずれかが原因である。
Q. 上達を実感するには何を測ればよいですか。
採用率を測るのが有効だ。生成したカットのうち、最終編集で使えた割合が上がれば、プロンプト設計が改善している証拠になる。
7日間の練習ドリル
1日目は固定カメラで人物の静止に近い動作を1つだけ生成する。2日目はライティングだけを3パターン変えて比較する。3日目はカメラの動きを4種類試し、それぞれの速度指定の効き方を確認する。4日目は参照画像を使った同一人物の3カットを作る。5日目は素材語彙を10個入れ替えて質感の差を見る。6日目は物理挙動（水、布、煙）をテーマに短尺を量産する。7日目は1分の短編としてカットをつなぎ、音を乗せる。
このドリルを1周すると、どの層を動かすと何が変わるかが体で分かるようになる。プロンプト職人への道は、特別な才能ではなく、記録と比較を繰り返す習慣の積み重ねである。
最終チェックリスト
- 主動作は1つに絞られているか
- 速度の副詞が書かれているか
- ライティングの光源・方向・質が明記されているか
- カメラの動きは1つか
- 参照画像は役割分担されているか
- 矛盾する指示が混在していないか
- 成功条件と失敗条件が記録されているか
これらを毎回確認するだけで、映像生成の採用率は着実に上がっていく。モデルの進化を待つよりも、自分の設計図を磨く方が、成果への近道になる。
