ショート動画づくりの前提はどう変わったか
少し前まで、ショート動画を一本仕上げるには、企画を立て、台本を書き、撮影機材を用意し、撮影し、編集し、テロップを入れ、音を整えて書き出すという長い工程が必要でした。機材の扱いを覚え、編集ソフトの操作を覚え、何より「撮影の日」を確保する必要がありました。ところが今は、伝えたい内容を文章として整理できれば、映像のラフは数分から数十分で出てきます。制作の重心は「どう撮るか」から「何をどう言葉にするか」へ移りました。
これは単に作業が楽になったという話ではありません。これまで映像制作の参入障壁になっていた「撮影」と「編集スキル」の比重が下がり、代わりに「構成力」と「言語化能力」の比重が上がったということです。言い換えれば、文章が書ける人ほど有利になった領域だと言えます。実際、縦型ショート動画は音声をオフにした状態で視聴されることが多く、最初の1〜2秒で何を見せるか、テロップで何を伝えるかが再生継続率を左右します。映像の見た目だけでなく、情報設計そのものが問われるようになっています。
一方で、生成のハードルが下がったぶん、似たような映像が大量に出回るようにもなりました。同じモデルに同じような指示を出せば、似た質感の映像が出てくるのは当然です。差がつくのは、企画の切り口、カットの運び方、テンポ、そして「どこを手で作り込むか」という判断です。つまり、AIに丸投げするのではなく、AIを工程の一部として組み込む設計力が求められています。
この記事では、映像制作の経験がほとんどない人を対象に、テキストからショート動画を作るための考え方と手順を、実際の作業順に沿って整理します。特定のサービスへの依存を前提にせず、複数のツールを組み合わせて再現できる形で説明します。読み終えたとき、自分の手で1本目を書き出せるところまで持っていくのが目標です。
テキストが映像になる仕組みをやさしく理解する
ツールの操作を覚える前に、仕組みをざっくり把握しておくと、失敗したときの原因が推測できるようになります。ここでは専門用語を最小限にして、テキストが映像に変わる流れを説明します。
プロンプトが映像になるまで
最初に、入力した文章は言語モデルによって解釈されます。ここで「誰が」「どこで」「何をしていて」「どんな雰囲気か」が分解され、映像として成立する要素に整理されます。次に、その解釈をもとに映像生成モデルがフレームの連なりを作ります。多くのモデルは、ノイズから少しずつ像を立ち上げていく方式をとっており、テキストとの対応が強いほど、意図に近い絵が出やすくなります。
重要なのは、モデルが「文章を読んで理解して絵を描いている」わけではないという点です。学習した映像とテキストの対応関係を手がかりに、それらしい組み合わせを確率的に選んでいるだけです。したがって、曖昧な指示を出すと、世の中の平均的な映像に寄っていきます。「おしゃれな雰囲気」と書けば、ありきたりなカフェの映像が出てくるのは、そのためです。逆に、色・素材・光・レンズ・時間帯といった具体語を積み上げれば、平均から外れた映像が出せるようになります。
動画生成が画像生成と違うところ
静止画の生成では、1枚の絵の完成度だけを考えれば済みます。動画の場合は、フレーム間で一貫していることが求められます。人物の顔が次の瞬間に変わっていたり、背景の建物が勝手に増えたりすると、視聴者はすぐに違和感を覚えます。この時間方向の整合性を保つ処理が、動画生成の難しさの中心です。
そのため、動画生成では「1カットの中で変化させる要素はひとつ」が基本原則になります。歩きながら振り返り、同時に髪をかき上げ、背景も大きく変わる、という指示は破綻しやすいのです。動作を絞り、尺を短く刻むほうが、結果的に品質が上がります。
うまくいく人と失敗する人の差
上達が早い人に共通するのは、次の3点です。第一に、抽象語ではなく具体語で指示する。第二に、一回で完成品を狙わず、まず短いラフを複数出す。第三に、破綻したカットを「失敗」ではなく「情報」として扱い、次の指示に反映させる。逆に停滞しやすいのは、長い尺を一発で作ろうとする人、抽象的で詩的なプロンプトを書き続ける人、そして生成結果をそのまま公開してしまう人です。
作り始める前に決める「設計図」
生成ツールを開く前に、決めておくべきことがあります。ここを飛ばすと、生成のたびに方向性がぶれ、何十本も作り直すことになります。
目的とプラットフォームを決める
まず、その動画が何のためにあるのかを一行で書きます。「新商品の認知」「アプリのインストール」「チャンネルの世界観の提示」などです。次に、投稿先を決めます。縦型のショート動画は9:16が基本ですが、プラットフォームごとにUIが重なる領域が異なります。画面下部のテロップ位置、右側のボタン群、上部のタイトル表示など、隠れてしまう範囲を把握しておくと、テロップの事故を減らせます。横型のYouTube向け、正方形のフィード向けなど、書き出し比率を最初に決めておくのも有効です。
尺とカット割りを決める
15秒の動画なら3〜5カット、30秒なら6〜10カットが目安です。1カットあたり2〜4秒に収めると、生成の破綻が起きにくく、テンポも出ます。構成は、フック（最初の1.5秒）、問題提起、解決策の提示、具体例、オチまたは行動喚起、という流れが定番です。ただし全部を入れようとすると詰め込みすぎになるので、15秒なら要素を3つまでに絞ります。
テキストで絵コンテを作る
特別なソフトは不要です。表計算ソフトかメモアプリで、次の列を持つ表を作ります。カット番号、内容、カメラの動き、尺、テロップ、音のメモ。これを埋めるだけで、プロンプトを書く作業が単なる作業に変わります。逆にこの表がないまま生成を始めると、出てきた映像を見ながら台本を後付けすることになり、構成が破綻しがちです。
プロンプト設計の実践テクニック
テキストから映像を作る作業の質は、ほぼプロンプトで決まります。ここでは再現性の高い書き方を紹介します。
6つの要素で組み立てる
カットごとの指示は、次の6要素を順番に埋める形で書くと安定します。
- 被写体：誰が、何が。年齢感や服装まで書く
- 場所：屋内か屋外か、時間帯、天候
- 動作：ひとつだけ。動きの速度も指定する
- カメラ：固定、パン、ドリーイン、オービットなど
- 光と色：逆光、柔らかい拡散光、寒色系など
- スタイル：実写風、フィルム粒子、アニメ調など
たとえば「夕暮れの屋上、白いシャツの女性がフェンスにもたれて静かに振り返る。カメラはゆっくり右へパン。浅い被写界深度、逆光のオレンジ、軽いフィルム粒子、シネマティックな実写風」といった具合です。日本語で書いても、英語に自動翻訳して入力するモードがあるツールなら併用すると安定することがあります。
カメラワークの語彙を増やす
映像の印象を最も大きく変えるのがカメラの動きです。「ゆっくり前進（ドリーイン）」「被写体を中心に回り込む（オービット）」「手持ち風の微妙な揺れ」「真上からの俯瞰」「スローモーション」など、語彙を増やしておくと、同じ被写体でもカットごとに変化をつけられます。ただし1カットに複数の動きを入れると破綻しやすいので、ひとつに絞ります。
避けたい要素はポジティブに書き換える
「指の崩れを避ける」といった否定形の指示は、モデルによっては逆効果になります。避けたい要素は、肯定的な言い換えで潰すのが実践的です。文字の乱れを防ぎたいなら「背景はシンプルな無地の壁」と書き、余計な人物を消したいなら「人物は一人だけ、周囲に人はいない」と明示します。テロップやロゴは、そもそも生成に任せず編集工程で載せるほうが確実です。
キャラクターとスタイルの一貫性を保つ
複数カットで同じ人物を登場させるとき、最大の敵は「毎回少しずつ顔が違う」問題です。これは視聴体験の没入感を大きく損ないます。
参照画像を用意する
もっとも効果的なのは、基準となる画像を1枚作り、それを参照として各カットを生成する方法です。まず画像生成で人物を作り込み、髪型、服装、年齢感、光の当たり方を確定させます。その画像を複数のカットで使い回すことで、別人化を大幅に抑えられます。参照画像は正面だけでなく、斜めや横顔も用意すると安定します。
固定する項目をリスト化する
参照画像を使えない場合でも、プロンプト内で毎回同じ記述を繰り返すことで一貫性は改善します。髪型、髪色、服装の色と素材、体型、レンズの印象、時間帯の6項目をテンプレート化し、全カットのプロンプトの先頭に貼り付けます。文章が長くなるので、順序を固定して機械的に貼るのがコツです。
崩れたときの戻し方
一貫性が崩れたら、次の順番で対処します。まず参照画像の枚数を増やす。次に動作の指示を減らす。それでもだめならカットを分割して尺を短くする。最後に、背景や衣装など変化をつけたい要素だけを差し替える。この順序で試すと、原因の切り分けがしやすくなります。
生成から公開までのワークフロー
ここからは実際の作業手順です。所要時間の目安は、慣れれば15秒の動画で1〜2時間程度です。
ステップ1：まずラフを大量に出す
完成品を狙わず、低めの解像度と短い尺で、各カット3〜5案を出します。この段階では綺麗さより「構図が成立しているか」「動作が破綻していないか」だけを見ます。同じプロンプトを複数回実行して、偶然の当たりを拾うのも有効です。生成には待ち時間が発生するので、複数のカットを並行して回し、待っている間に台本を調整するのが効率的です。
ステップ2：選別と作り直し
評価は4つの軸で行います。構図、動作の自然さ、指示への忠実度、テンポ。すべてを満たす案はまれなので、優先順位をつけます。多くの場合、動作の自然さが最優先です。不自然な動きは視聴者にすぐ気づかれ、テロップで誤魔化せないからです。逆に構図の多少のズレは、トリミングで調整できます。
ステップ3：音声・字幕・BGMを載せる
映像が固まったら、音の工程に入ります。ナレーションは音声合成で作る場合、日本語なら1分あたり300〜350字が読み上げ速度の目安です。長すぎる原稿は、生成した尺と噛み合わなくなります。BGMは映像のテンポに合わせ、効果音はカットの切り替わりに小さく置くと、素人っぽさが減ります。字幕は装飾より可読性を優先し、1行あたり全角12〜15字程度に収めると読みやすくなります。
ステップ4：書き出しと最適化
縦型なら1080×1920、フレームレートは30または60、ビットレートは高めに設定します。冒頭のフレームはサムネイルとして使われることが多いので、情報が一目で伝わるカットを選びます。書き出し後に必ずスマートフォンで再生し、音量、テロップの位置、最初の1秒の見え方を確認します。
AI動画ツールの選び方と組み合わせ
ツールは目的別に役割が分かれています。ひとつのツールで全部をこなすより、工程ごとに使い分けるほうが結果が良くなります。
選定の判断基準
比較するときは次の観点で整理します。指示への忠実度、一貫性の保持しやすさ、生成にかかる時間、1カットの尺の上限、参照画像や音声などの入力に対応しているか、書き出し解像度、操作のしやすさ、そして利用条件です。特に「短い尺しか作れないツール」は、結果的にカット割りの練習になるので、初心者にはむしろ扱いやすい面もあります。
組み合わせの例
代表的な役割分担はこうです。キービジュアルや人物の基準画像は画像生成ツールで作る。その画像を参照しながら、動画生成ツールで動きをつける。代表的な動画生成の選択肢としては、Runway、Kling、Luma Dream Machine、Pika、Sora、Veo、Stable Video Diffusion などが挙げられます。編集はCapCutやDaVinci Resolveのような編集ソフトで行い、テロップとBGMを載せる。ナレーションはElevenLabsなどの音声合成、文字起こしや字幕の下書きにはWhisper系のツールが使えます。ローカル環境で細かく制御したい場合はComfyUIのようなノードベースの構成も選択肢になります。
品質を一段上げる応用テクニック
基本の流れが回るようになったら、次の工夫で差をつけられます。
バッチ生成とキュー管理
同じプロンプトを複数の条件で同時に走らせ、良いものを拾う方式です。このとき、ファイル名に「カット番号・プロンプトの要点・生成条件」を入れておくと、後から探す作業が激減します。生成待ちの時間を別の作業に充てる前提で、タスクを積んでおくのがコツです。
マルチモーダル入力を使い分ける
画像から動画、動画から動画（スタイル変換）、音声に口の動きを合わせる、深度情報を渡して構図を固定する、といった入力方式があります。特に「画像から動画」は一貫性の面で強力です。「動画から動画」は既存素材の雰囲気を変えたいときに便利ですが、元映像の癖が残る点に注意します。
後処理で仕上げる
生成したままでは粗さが残ります。アップスケール、フレーム補間、手ぶれ補正、色調整、軽いノイズ除去を行うだけで、体感品質は大きく変わります。特にフレーム補間は、動きのカクつきを滑らかに見せる効果があります。
よくある失敗と対処法
- 動きが不自然になる：1カットの動作をひとつに絞り、尺を2〜3秒に短縮する
- 顔が毎回変わる：参照画像を使い、固定項目をテンプレート化して毎回貼る
- 文字が崩れる：テロップは生成に任せず、編集ソフトで載せる
- 途中で絵が崩壊する：カットを分割し、変化の少ない構図に切り替える
- 雰囲気がイメージと違う：抽象語を具体語に置き換え、光と色を明示する
- 完成間際で全部やり直しになる：ラフ段階で構成を確定させ、後工程で方向転換しない
- 音量バランスが崩れる：スマートフォンのスピーカーで必ず確認する
- 冒頭で離脱される：最初の1.5秒に最も強い絵か最も意外な一言を置く
継続運用のための仕組み化
毎回ゼロから考えると、どこかで息切れします。うまくいったプロンプトは、カット種別ごとに保存しておきます。たとえば「人物の寄り」「商品の俯瞰」「街の風景」といったカテゴリで整理し、使える語彙を追記していく運用です。あわせて、公開前のチェックリストを用意します。テロップの誤字、音量、冒頭1秒、書き出し比率、タイトルと概要欄の整合。この5項目を確認するだけで、初歩的なミスの多くは防げます。
制作本数の目標を決めるのも有効です。週に3本、1本あたり30分以内というように、時間を上限で区切ると、細部にこだわりすぎる癖が矯正されます。ショート動画は1本の完成度より、投稿本数と改善速度のほうが結果に効きやすい領域です。
よくある質問
Q. 映像制作の経験がなくても本当に作れますか。
作れます。ただし、いきなり長い尺を狙うとうまくいきません。5秒のカットを1本作るところから始め、慣れてから15秒、30秒と伸ばしていく順序が現実的です。
Q. スマートフォンだけで完結しますか。
短い尺であれば完結する場合も増えています。ただし複数カットの編集やテロップ調整は、画面の広い環境のほうが圧倒的に速く進みます。撮影と確認はスマートフォン、編集はPCという分担がおすすめです。
Q. 日本語のプロンプトでも意図は伝わりますか。
伝わりますが、モデルによっては英語のほうが細部の再現度が上がることがあります。日本語で書き、必要に応じて英語に変換して試し、結果が良いほうを採用するのが実務的です。
Q. 何本くらい作れば上達しますか。
10本を超えたあたりから、破綻しやすい指示の傾向が見えてきます。30本を目安に、プロンプト集とチェックリストが自分用に整っていれば、制作スピードは別次元になります。
Q. 音声はどうすれば自然になりますか。
原稿を話し言葉で書き、句読点を多めに入れると抑揚がつきます。固有名詞や数字の読みは事前に確認し、必要なら言い換えます。
Q. 実写と見分けがつかない映像は作れますか。
条件が揃えば近づけられますが、完璧を狙うより「明らかにAIとわかる質感を活かす」方向のほうが、結果的に見られる動画になります。割り切ることも戦略です。
まとめ
テキストからショート動画を作る作業は、魔法のボタンを押すことではありません。企画を一行で決め、カット割りを表に落とし、6要素でプロンプトを組み立て、ラフを大量に出して選び、音とテロップを載せて書き出す。この地味な流れを回せるかどうかが、品質の差になります。
最初の1本は、15秒・3カットで十分です。うまくいかなかったカットは、なぜ崩れたのかを一言メモして残してください。そのメモが、次のプロンプトを書くときの最短の教科書になります。道具は今後も入れ替わりますが、構成力と言語化の力は残ります。まずは今日、5秒のカットを1本作るところから始めてみてください。
