AI動画制作の全体像：工程を分解して理解する
生成AIを使った動画制作は、いまや「プロンプトを打てば数秒で映像が出てくる」段階を越え、作品の質を左右するのは前後の設計と管理になりました。モデルの性能が上がるほど差がつきやすいのは、企画の解像度、カット割りの設計、参照素材の作り方、そして編集の丁寧さです。この記事では、AI動画制作を再現可能なワークフローとして分解し、どこで何を決めれば迷わなくなるのかを順番に整理します。
生成AIが変えたのは「手間」よりも「試行回数」
従来の映像制作では、1カットを撮り直すたびに場所、人、機材、時間が必要でした。生成AIではそのコストが大きく下がり、同じカットを10通り試すことが現実的になります。つまり価値の中心は「一度で当てる技術」から「多数の案から選び、統合する編集力」へ移りました。だからこそ、試行の前提になる設計図、すなわち尺、カット数、登場人物、トーンを先に決めておくことが重要です。
ワークフローを6段階に分ける
AI動画制作は次の6段階に分けると整理しやすくなります。第一に企画と脚本、第二に絵コンテと参照素材の準備、第三にモデルと生成方式の選定、第四にプロンプト設計と生成、第五に一貫性の調整と再生成、第六に編集・音声・書き出しです。多くの失敗は第三段階と第五段階、つまりモデル選びと一貫性の管理で起こります。逆に言えば、この2つに時間を配分すれば完成度は大きく変わります。
最初に決めるべき3つの数字
制作を始める前に、尺、カット数、1カットの長さを決めてください。15秒の縦型動画なら4〜6カット、1カット2〜3秒が扱いやすい目安です。60秒のストーリー映像なら12〜20カットになります。生成AIは長回しが苦手で、数秒を超えると動きの破綻が増えます。短いカットをつなぐ前提で設計したほうが、結果的に自然な映像になります。
企画と脚本：生成AIに任せる前に決めること
AIに丸投げしてよいのは、あくまで作業であって判断ではありません。何を伝えたいのか、誰に向けるのか、どんな感情で終わるのかは人間が決めます。この段階を飛ばすと、どれだけ高品質な映像が生成できても「きれいだが意味のない映像」になります。
尺から逆算してカット数を決める
脚本を書く前に、完成尺と公開先を確定させます。縦型ショートは冒頭1秒で注意を引く必要があるため、最初のカットに最も強い視覚情報を置きます。横型の商品紹介なら、全体像、ディテール、使用シーン、比較の4ブロックで構成すると情報が整理されます。尺が決まれば1カットあたりの秒数が決まり、生成すべきカット数が自動的に決まります。
プロンプトに変換できる脚本の書式
生成AIに渡す脚本は、文学的な文章より「映像の指示書」に近づけるべきです。各カットについて、場所、時間帯、天候、被写体、服装、動作、カメラの位置と動き、レンズの印象、光の方向を一行ずつ書き出します。これを表形式や箇条書きにしておくと、そのままプロンプトの材料になります。感情の説明は最後に添え、具体的な視覚要素を先に書くのがコツです。
ナレーションと字幕の設計
音声を後から乗せる前提なら、ナレーションの文字数をカット数で割っておきます。日本語なら1秒あたり4〜5文字が聞き取りやすい目安です。字幕を出す場合は、生成映像の下部に余白を確保しておくと後工程が楽になります。画面の中央に重要情報を置く構図は、字幕と衝突しやすいので避けましょう。
モデル選定の判断基準：何を優先するか
ツールやモデルの数が増えた結果、多くの人が「どれが一番良いのか」で止まってしまいます。しかし正しい問いは「この用途で何を優先するのか」です。品質、速度、制御性、コスト、そして一貫性の扱いやすさは、多くの場合トレードオフの関係にあります。
生成方式の違いを理解する
テキストから動画を生成する方式は、アイデア出しや風景カットに向いています。画像から動画を生成する方式は、構図と人物の見た目を固定できるため、キャラクター中心のストーリーで力を発揮します。動画から動画への変換は、既存素材のスタイル変更や色調統一、動きの補正に適しています。シリーズ制作では、画像から動画へ進む流れが最も安定しやすい選択です。
速度・品質・制御性のトレードオフ
高速なモデルは反復に向き、細部の描写や物理挙動の正確さは控えめになりがちです。高品質なモデルはディテールに強い一方で、生成に時間がかかり、指示への忠実度が不安定になることもあります。実務では、ラフな検討を高速モデルで行い、採用したカットだけを高品質モデルで作り直す二段構えが効率的です。
用途別の選び方
SNS広告では、動きの派手さと認識速度を優先します。人物の表情が小さいカットでも伝わるように、色のコントラストと動きの方向を強調します。商品紹介では、質感と正確な形状再現が最優先です。静的な構図とゆっくりしたカメラ移動を選ぶと破綻が減ります。ストーリー映像では、キャラクターの同一性が最重要なので、参照画像を丁寧に用意できるモデルを選びます。教育コンテンツでは、図解的で読みやすい画面と、テンポの安定したカット割りが向いています。
複数モデルを使い分ける前提で考える
1つのモデルで全カットを賄おうとすると、どこかで無理が出ます。カットごとに最適なモデルを割り当て、色調と粒子感を編集で揃えるという考え方のほうが現実的です。このとき、あらかじめ統一用のカラールックを1つ決めておくと、後から見た目のばらつきを抑えられます。
プロンプト設計：映像を言語でコントロールする
同じモデルでも、プロンプトの書き方で結果は大きく変わります。重要なのは、単語を並べるのではなく階層構造で指示することです。情報の順番を固定すると、再現性と修正のしやすさが上がります。
5層構造で組み立てる
第一層は被写体で、誰が何をしているかを具体的に書きます。第二層は環境で、場所、時間帯、天候、背景の要素を指定します。第三層は光で、光源の方向、硬さ、色温度を指定します。第四層はカメラで、画角、高さ、アングル、動き、レンズの印象を指定します。第五層はスタイルで、写実的かイラスト調か、フィルムの質感や色調を指定します。この順番を守るだけで、意図しない解釈が減ります。
動きの指示は「何が」「どう」動くかに分ける
「激しく動く」といった曖昧な表現は、モデルによって解釈がばらつきます。被写体の動きとカメラの動きを分けて書き、方向と速度を言葉にします。たとえば「被写体は画面左へ歩き続ける」「カメラは被写体の右側を一定速度で並行移動する」のように指定します。カメラの動きを1カットに1つに絞るのも、破綻を防ぐ有効な原則です。
除外したい要素の伝え方
避けたい要素は、否定的な言い方だけでなく、望ましい状態を肯定的に書くほうが効きます。「指が崩れないように」と書くより、「手はポケットに入れ、指は写らない」と書くほうが安定します。人体の可動部分が増えるほど破綻率が上がるため、構図で解決するのが基本です。
失敗しやすいプロンプトの例と改善
長すぎる一文は、要素同士が干渉して指示が薄まります。逆に短すぎる指示は、モデルが補完しすぎて意図から外れます。形容詞を積み重ねるのも逆効果で、「美しい」「素晴らしい」は映像情報を持ちません。改善の基本は、観察できる要素に置き換えることです。色、位置、数、方向、時間の変化に翻訳できれば、モデルは忠実に応えてくれます。
一貫性の作り方：キャラクターと世界観を保つ
シリーズ作品や複数カットの物語で最大の課題になるのが一貫性です。顔、髪型、服装、体型、そして背景の質感がカットごとに変わってしまうと、視聴者はすぐに違和感を覚えます。ここは技術より段取りで解決する領域です。
参照画像とキャラクターシートを用意する
最初にキャラクターの設定画像を複数アングルで作成します。正面、斜め、横、後ろ、そして表情違いを揃えておくと、生成時の安定度が上がります。服装は色と素材まで言語化し、シーンごとの変更は計画的に行います。参照画像は余計な背景や小物が少ないほうが扱いやすくなります。
スタイルを数値と言葉で固定する
色調、コントラスト、粒子感、レンズの焦点距離感を決め、すべてのカットで同じ表現を使います。朝の場面と夜の場面で色温度が変わるのは自然ですが、彩度や質感の方向性は統一します。編集段階でルックを揃える前提でも、生成段階である程度寄せておくと作業量が減ります。
カット間の連続性を設計する
前のカットの終わりの状態を次のカットの始まりに引き継ぐと、つながりが自然になります。人物の位置、視線の方向、手に持っている物、光源の向きをメモしておき、次のプロンプトに反映します。動作の途中で切る編集は、生成の負担を減らしつつ連続性を演出できる定番の手法です。
環境と小物の一貫性も忘れない
人物だけでなく、部屋の家具配置、看板の文字、天候も一貫させます。背景の要素が毎カット変わると、視聴者は無意識に違和感を抱きます。背景プレートを1枚作り、それを参照しながら各カットを生成する方法が有効です。
生成から編集まで：ポストプロダクションの実務
生成した映像は素材であり、作品ではありません。ここからの工程で完成度が決まります。編集の目的は、つなぎを滑らかにし、視線を誘導し、情報を整理することです。
テイク管理とバージョン管理
同じカットでも複数の案を残し、ファイル名にカット番号、テイク番号、変更内容を記録します。日付だけで管理すると、どの案が最新か分からなくなります。プロンプトもテキストファイルとして保存し、採用した映像と対応させておくと、後から再現や部分修正が容易になります。
つなぎとテンポの調整
カットの長さは均等にせず、情報量に応じて変えます。動きの速いカットは短く、感情を溜めるカットは長くします。カットの切り替え点は、動きの方向が揃う瞬間や、動作が完結する直前に置くと自然に見えます。ジャンプカットを避けたい場合は、間に挿入カットを1つ挟むと視線が整理されます。
解像度とフレームレートの処理
生成映像はそのままでは粗さが目立つことがあります。アップスケールで細部を整え、必要に応じてフレーム補間で動きを滑らかにします。ただし補間は強くかけすぎると不自然な残像が出るため、動きの速いカットでは控えめにします。最終的な書き出し設定は公開先の仕様に合わせ、ビットレートを十分に確保します。
音声・BGM・字幕の設計
映像が良くても音が弱いと印象は半減します。環境音、効果音、BGM、ナレーションの4層を意識して重ねます。効果音はカットの切り替え点に置くと、つなぎの粗さを隠せます。字幕は読みやすさを優先し、1行の文字数を抑え、表示時間を最低1秒以上確保します。
品質チェックリスト：公開前に確認する項目
公開前の確認を習慣化すると、修正の手戻りが減ります。以下をチェックリストとして使ってください。
- 冒頭1秒で内容が伝わるか。
- カットごとに被写体の位置と視線が矛盾していないか。
- 手や指、歯、文字など崩れやすい要素が目立っていないか。
- 色調と粒子感が全カットで揃っているか。
- 音声の音量差が激しくないか。
- 字幕が画面の重要部分を隠していないか。
- 書き出し形式と縦横比が公開先の仕様に合っているか。
- 権利や肖像に関する確認が必要な素材が混ざっていないか。
このうち最も見落とされやすいのが、色調の統一と手の描写です。編集画面を縮小して見ると、違和感に気づきやすくなります。
よくある失敗と対処法
失敗の多くは再現性のある原因を持っています。症状から原因を逆引きできるようにしておくと、修正が速くなります。
動きが不自然になる
原因は、カメラの動きと被写体の動きを同時に複数指定していること、または1カットが長すぎることです。対処は、動きの指示を1つに絞り、カットを短く分割することです。歩行や走行は、足元が写らない構図にすると破綻が目立ちません。
人物の顔が毎回変わる
参照画像が不足しているか、プロンプトの人物記述が曖昧です。髪型、目の色、肌のトーン、服装を毎回同じ言葉で書くようにし、参照画像を必ず添付します。それでも不安定な場合は、顔のアップを避け、後ろ姿や引きの構図で物語を進める方法が有効です。
画面が全体的に暗い、あるいは彩度が高すぎる
光源の指定が曖昧なまま生成すると、モデルが独自に解釈します。光源の方向と質を明示し、色調の指定を1つに絞ります。編集で修正する場合も、彩度を下げるより、ハイライトとシャドウのバランスを整えるほうが自然に仕上がります。
生成に時間がかかりすぎる
解像度を上げる前に、カット数と尺を見直します。検討段階では低解像度で生成し、採用カットのみ高品質で作り直します。プロンプトをテンプレート化して毎回ゼロから書かないことも、結果的に時間を大きく節約します。
チームで回すための制作フロー設計
複数人で制作する場合、属人的な判断を減らす仕組みが必要です。ルールを決めておくと、引き継ぎや外注が格段に楽になります。
プロンプトと素材の共有ルール
プロンプト、参照画像、採用テイクを1か所にまとめ、命名規則を統一します。カット番号、シーン名、バージョンを組み合わせた名前が扱いやすいでしょう。担当者が変わっても同じ手順で再現できる状態が理想です。
レビューのタイミングを固定する
脚本確定、絵コンテ確定、ラフ生成、本生成、編集の5地点で確認を挟みます。特にラフ生成の段階で全カットを並べて見ると、トーンのばらつきを早期に発見できます。完成間際の修正は作業量が跳ね上がるため、早い段階での確認が重要です。
外注する場合の指示書
外部に依頼する場合は、完成尺、カット数、縦横比、色調の方向性、参照画像、禁止事項を明記します。抽象的な雰囲気の共有だけでは、解釈のずれが生じます。逆に、参照画像と数値の指定があれば、AI生成の再現性は大きく向上します。
よくある質問
最初に取り組むべき練習課題は何ですか。
15秒、4カット、人物1人の短い作品から始めるのがおすすめです。セリフなし、ナレーションのみの構成にすると、映像と音の関係を学びやすくなります。慣れてきたらカット数を増やし、複数シーンの物語に挑戦します。
モデルはどのくらいの頻度で見直すべきですか。
新しいモデルが登場しても、すべてを乗り換える必要はありません。現在の用途で不満が出ている点を明確にし、その課題を解決するモデルだけを試します。乗り換えのたびに色調が変わるため、比較は同じプロンプトと同じ参照画像で行うのが原則です。
一貫性を保つ最も効果的な方法は何ですか。
参照画像の整備と、プロンプトのテンプレート化です。人物記述を固定し、変更するのは動作と環境だけにする。この運用だけで、シリーズ作品の安定度は目に見えて変わります。
生成映像が不自然なときは、どこから直すべきですか。
まずカットを短くし、次に動きの指示を減らし、最後に構図を変えます。プロンプトの言葉を増やすのは最後の手段です。要素を減らす方向で修正したほうが、早く安定した結果が得られます。
音声は別途用意したほうがよいですか。
ナレーションやセリフが重要な作品では、音声を先に決めてから映像を合わせる方法が確実です。逆に、映像の雰囲気を優先する場合は、映像を先に固めてから音を設計します。どちらの場合も、音のタイミングをカット割りに反映させることが仕上がりの鍵になります。
まとめ：設計と反復が品質を決める
AI動画制作で成果を分けるのは、最新モデルへの乗り換え速度ではなく、設計と反復の質です。尺とカット数を先に決め、参照素材を整え、プロンプトを階層化し、カットごとに最適な生成方式を選ぶ。そして編集で色調と音を揃える。この流れを型として持っておけば、ツールが入れ替わっても制作の質は安定します。まずは短い作品を1本、最後まで完成させてください。最後まで作り切る経験だけが、次の作品の判断基準を育ててくれます。
