テキストや画像から動画を自動生成する流れを、初心者向けにログラインの書き方、ショット分解、プロンプト設計、カメラワーク指定、品質チェック、よくある失敗と対策、FAQまで丁寧に解説。目的別の活用例も紹介し、最初の1本を公開できる状態まで導く実践ガイドです。
AI動画生成は、特別な機材や編集ソフトの操作経験がなくても始められるようになりました。テキストで情景を説明するか、手元の1枚の画像をアップロードするだけで、数十秒後には動きのある映像が返ってきます。ただし、そこで得られるのは完成品ではなく素材です。そのまま公開して通用する映像にするには、設計と選別と編集という3つの工程が必要になります。この記事では、初めて動画を作る人が最短で狙った映像に近づく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。
「生成できた」と「使える」の間にある差
最初に理解しておくべきことは、AIが返す映像は完成品ではなく候補だということです。1回の生成で思い通りの結果が出ることは多くありません。3案から5案を出して、その中から最も意図に近いものを選ぶ。この前提に立つだけで、作業の見え方が変わります。
差が生まれる原因は大きく3つあります。第一に、指示に含まれていない情報はすべて生成側が補うこと。第二に、同じ言葉でも生成のたびに結果が変わること。第三に、1カット単体の出来ではなく、カット同士のつながりで品質が決まることです。
特に第三点は見落とされがちです。単体で見て美しいカットでも、隣のカットと光の向きが逆だったり、被写体の位置が左右で入れ替わっていたりすると、視聴者は違和感を覚えます。逆に言えば、編集の流れの中で粗を吸収させる設計が可能です。前後に動きの少ないカットを置く、同じ距離感のカットを連続させない、といった調整が効きます。
入口は2つある。テキスト起点と画像起点の使い分け
テキストから作る場合
素材が何もない状態から始められるのが最大の利点です。自由度が高く、頭の中の情景をそのまま映像にできます。一方で、服装、歩く速度、カメラの位置、レンズの焦点距離まで、書かなかった要素はすべて生成側の判断に委ねられます。「夕暮れの商店街を歩く人物」とだけ書けば、それはもう別の誰かの映像です。向いている用途は、概念を説明する映像、抽象的な雰囲気を伝える映像、まだ絵が固まっていない企画の検証です。
画像から作る場合
構図とトーンがあらかじめ固定されるため、生成ごとのばらつきが小さくなります。商品写真、キャラクターの設定画、風景写真など、すでに「見せたい画」がある場合はこちらが有利です。作業の本質は絵を描くことではなく、静止した瞬間に時間軸を与えることだと考えてください。動きの指定を怠ると、画面がほぼ静止したまま返ってきます。画像素材を先に用意したい場合は画像生成の画面から作り、そのまま動画化する流れにつなげると工程が短くなります。
どちらを選ぶかの判断基準
判断は次の順序で行うと迷いません。まず「見せたい画がすでに存在するか」を確認します。存在するなら画像起点です。存在しないならテキスト起点で数案を出し、その中で良かった構図を画像として固定し、それを起点に動画化します。この二段構えが、結果的に最短で目的に到達します。
作り始める前に決める4つの条件
目的と視聴者
誰に何を伝えるかで、必要な品質の基準が変わります。認知拡大のためのSNS投稿なら勢いとわかりやすさが優先され、細部の粗は許容されます。商品説明なら再現性が優先され、色や形のずれは致命的になります。社内共有なら正確さと短さが優先されます。目的が曖昧なまま生成を始めると、どの案を見ても良し悪しを判断できず、作業時間だけが延びます。
完成尺とショット数
先に完成尺を決めます。目安は、15秒で3カット前後、30秒で5から6カット、60秒で8から12カットです。1カットを長く引っ張るより、カット数を増やして情報の変化を確保するほうが、視聴維持率は上がりやすくなります。長回しを狙うと、途中で顔や服装、背景が変化して破綻しやすくなります。
配信先とアスペクト比
配信先は最初に確定させてください。縦型の場面向けに作るなら、最初から縦で生成します。横で作った映像を後から切ると構図が崩れ、被写体が画面の端に寄ります。テロップを載せる余白の位置も、生成前に決めておくと編集の手戻りが減ります。
音の有無
音が出ない前提で見られる場面が多くあります。テロップだけで内容が成立しているかを基準に設計してください。音声を先に作ると映像の尺が音声に縛られ、修正の自由度が下がります。映像を完成させ、無音で意味が通る状態にしてから音を載せる順序が安全です。
テキストから動画を作る実践ワークフロー
手順1：ログラインを1文で書く
最初に行うのは生成ではなく文章作成です。「誰が、どこで、何をしていて、どんな感情か」を1文にまとめます。例として「閉店間際の喫茶店で、常連客が冷めたコーヒーを見つめ、静かに立ち上がる」といった具合です。この1文が全カットの判断基準になります。ここが曖昧だと、カットごとに別の作品ができあがります。
手順2：ショットリストに分解する
ログラインを時間順に分解し、「カット番号／内容／尺／カメラ／テロップ」を表に埋めていきます。例を示します。
- 店内の引きの画で状況説明（3秒、フィックス）
- コーヒーカップの寄り（2秒、わずかな前進）
- 客の横顔（3秒、浅い角度）
- 立ち上がる動作（3秒、腰の高さから）
- ドアの外へ出る後ろ姿（4秒、後退）
この時点で合計尺が目的の長さに収まるか確認します。表を作る作業は地味ですが、ここを飛ばすと生成の段階で迷いが増えます。
手順3：カットごとにプロンプトを組み立てる
各カットを、画角、被写体、動作、場所と時間帯、光、カメラワーク、雰囲気という要素に分けて記述します。一文に全部を詰め込むより、要素を整理して並べたほうが意図が伝わります。語彙に迷ったときはプロンプト集を参照すると、表現の引き出しが増えます。
手順4：1カットにつき3案以上を生成して選別する
生成の段階では編集を始めず、比較と選別に集中します。評価の基準は「一番きれいな画」ではなく「前後のカットとつながる画」です。選別の観点は、光の向き、被写体の位置、色温度、動きの速さ、画面の密度の5つです。このうち2つ以上が隣のカットと揃っていれば、編集でつながります。
手順5：編集でリズムを作る
ショットをつなぎ、冒頭3秒で状況が伝わるように調整します。テロップ、効果音、BGM、トランジションの順に整えると手戻りが少なくなります。冒頭で情報を出し切らず、次のカットへ見たい気持ちを残すのがコツです。
手順6：無音で通しで見る
音を消して最後まで再生してください。意味が通らなければ、テロップか構成を修正します。この確認を省くと、音が出ない環境で再生された瞬間に内容が伝わらなくなります。
手順7：書き出しと公開
書き出し設定は配信先に合わせます。同じ素材から縦横を作る場合は、テロップの位置を別々に調整してください。1本の動画から複数の切り口を作り、反応を見て伸びた方向に寄せる運用が効率的です。動画生成の画面を使うと、案を出して比べて直すサイクルを短い時間で回せます。
画像から動画を作る：動きの設計が9割
カメラワークの語彙を使い分ける
- ゆっくり前進：被写体への注目を強める。商品の寄り、人物の表情に向く
- ゆっくり後退：状況や空間を見せる。場面転換の導入に向く
- 横移動：一定方向へ流れを作る。移動や時間経過の表現に向く
- 回り込み：立体感と没入感を出す。人物紹介や展示物に向く
- 固定：静けさ、緊張、余韻を演出する。会話や締めのカットに向く
複数の動きを同時に指定すると崩れやすいため、1カットにつき主となる動きは1つに絞るのが安全です。加えて、被写体の小さな動きを1つ添えると画面が生きます。風景なら雲や水面、人物なら視線や手の動きです。
被写体の一貫性を保つ3つの方法
第一に、基準となる画像を1枚決め、全カットの起点にします。第二に、服装や髪型などの特徴を表す言葉を固定し、全カットで同じ表現を使います。言い換えると別人物として扱われます。第三に、同じ距離感のカットばかりを並べないことです。アップと引きを混ぜると、細かな差異が気になりにくくなります。
動きが破綻したときの戻し方
画面が崩れる、手足が不自然になる、背景が溶けるといった症状が出たら、まず動きの量を減らします。次に尺を短くし、最後に解像度やフレーム設定を見直します。生成の条件を1つずつ変えて比較するのが、原因を特定する最短の道です。
プロンプト設計の要素分解とテンプレート
そのまま使える基本形
基本形は「画角＋被写体＋動作＋場所と時間帯＋光＋カメラワーク＋雰囲気と質感」の順です。例として「中景、濡れた路面に立つ人物、傘を閉じて空を見上げる、夜の商店街、ネオンの反射光、ゆっくりした前進、フィルムライクで落ち着いた色調」となります。要素が揃うと再現性が上がり、修正も1要素ずつ試せるようになります。
光と画角の語彙を増やす
品質の差が出やすいのが光の表現です。逆光、サイド光、窓からの柔らかい拡散光、夕暮れの低い光、曇天のフラットな光、陰影の強いローキー照明。言葉を変えるだけで印象が大きく変わります。画角も、超広角、標準、中望遠、望遠、マクロを使い分けると、同じ被写体でも表情が変わります。
避けたい書き方
- 抽象語だけを並べる。「美しい」「かっこいい」だけでは判断材料になりません
- 1カットに複数の動作を詰め込む
- 否定形で指定する。意図と逆の結果を招きやすくなります
- 矛盾する条件を同時に書く。「真昼の強い日差し」と「深い夜の暗さ」など
- カットごとに人物の特徴を書き換える
型を借りてから自分の言葉に置き換える
ゼロから書くのが苦手な場合は、テンプレートを出発点にして、被写体と場所だけを差し替える方法が効率的です。型を借りたあとで自分の言葉に置き換えていくと、表現の幅が自然に広がります。
公開前の品質チェックリスト
- 冒頭3秒で何の動画かが伝わるか
- カット間で被写体の見た目が破綻していないか
- テロップが安全領域に収まり、端で切れていないか
- 無音でも内容が理解できるか
- 縦型と横型それぞれで構図が成立するか
- 素材の利用条件に問題がないか
- 最後に次の行動へ導く要素があるか
特に見落としやすいのが4番です。音声を前提に作った動画は、無音で再生された瞬間に意味を失います。確認は必ず通しで行ってください。
よくある失敗と具体的な対策
失敗1：画面が動かない
画像から生成したのにほぼ静止している場合、原因は動きの指定不足です。対策は、カメラワークを1つ明示し、被写体の動作を1つ加えることです。小さな動きでも画面は生きます。
失敗2：カットごとに別人になる
人物の一貫性が崩れる典型例です。基準画像を固定し、特徴の記述をそのまま使い回します。さらに、全カットを同じ距離感で揃えないことも重要です。
失敗3：きれいだが退屈
技術的な品質が高くても動画として面白くないケースです。原因は情報の変化がないことです。カットごとに、場所が変わる、視点が変わる、感情が動く、のいずれかを1つ足してください。
失敗4：短い尺に情報を詰め込む
詰め込むほど視聴者は何も覚えません。伝えることを1つに絞り、残りは別の動画に分割します。シリーズ化は配信の観点でも有利に働きます。
失敗5：修正のたびに全部作り直す
1つの案を延々と直すより、条件を1つだけ変えた案を並べて比較するほうが収束が早くなります。変える要素を1つに限定するのがコツです。
失敗6：冒頭で説明しすぎる
最初に背景説明を置くと離脱されます。結論や最も強い画を先に置き、説明は後ろに回してください。
目的別の活用パターン
SNS向けショート動画
冒頭1秒で動きを出し、テロップは1画面に1メッセージ、尺は15から20秒、カット数は3から5。生成の段階から縦型で作り、字幕の位置を先に決めておくと編集が速くなります。
商品やサービスの紹介
全体像、使い方の一場面、細部の質感、使用後の状態という4カット構成が基本です。細部は寄りのカットで見せ、動きは控えめにすると再現性が保てます。
教育や解説のコンテンツ
概念の説明には、実写風よりも図解風の映像や抽象的な動きが向いています。1カット1概念を守り、テロップで補足する構成にすると理解が進みます。
人物が話す映像
精度が品質を左右します。まず短い1文で試し、口の動きと音声の同期を確認してから本番に進むと手戻りを避けられます。
社内共有や研修
正確さと短さが優先されます。装飾を抑え、要点をテロップで明示し、再生時間を3分以内に収めると最後まで見られます。
継続制作のための運用設計
命名規則と版の管理
案件名、カット番号、生成日、版数をファイル名に含めておくと、後から探す時間が消えます。例として projectA_c03_v02 のように統一します。制作本数が増えるほど効いてきます。
再利用できる資産をためる
うまくいったプロンプト、配色、テロップの型、BGMの尺をテキストで残しておきます。次回の出発点になるため、毎回ゼロから考える必要がなくなります。ブログで手法を整理しておくと、チーム内の共通言語づくりにも役立ちます。
レビューの観点を固定する
「なんとなく違う」と言われると修正の方向が定まりません。確認項目を「情報が伝わるか」「一貫性があるか」「尺に収まっているか」の3つに固定すると、指摘が具体的になり、修正が一巡で終わりやすくなります。
時間配分の目安
15秒の動画で、構成に2割、生成と選別に5割、編集とテロップに3割。慣れると生成と選別の時間が大きく縮みます。最初の数本は時間がかかると見込んでおくと、焦らずに判断できます。
よくある質問
Q. 編集の経験がなくても作れますか
作れます。ただし生成と編集は別の作業だと理解してください。生成でショットを揃え、編集でつなぐ。この2段階を分けて考えるだけで迷いが大幅に減ります。最初は3カット、15秒の動画から始めるのがおすすめです。
Q. テキストと画像、どちらから始めるべきですか
見せたい画がすでにあるなら画像から、まだ決まっていないならテキストから始めてください。迷ったらテキストで数案を出し、良かった構図を画像として固定し、それを起点に動画化する流れが最短です。
Q. 生成結果が思った通りになりません
まず光とカメラワークを疑ってください。この2つは印象への影響が大きく、修正も容易です。次に被写体の動作、最後に画角の順で調整すると、少ない試行で収束します。
Q. 同じ人物を複数の動画で使いたいです
基準となる画像を1枚決め、毎回の起点にします。加えて、特徴を表す言葉を固定のテキストとして保存し、全カットで同じ表現を使います。言い換えると別人物として扱われます。
Q. 音声やナレーションはどう扱えばいいですか
先に映像を完成させ、テロップで内容が通る状態にしてから音を載せる順序が安全です。音声を先に作ると尺が縛られ、修正の自由度が下がります。
Q. 1本あたりどれくらい時間がかかりますか
慣れていない段階では、15秒の動画で1時間から2時間を見込むと安全です。2本目以降は同じ手順をなぞるだけなので、体感の作業量は大きく減ります。
Q. 公開前に必ず確認すべきことは
素材の利用条件と、無音での成立です。この2点を確認するだけで、公開後のトラブルの多くを避けられます。
Q. どのくらいの頻度で作るのがよいですか
週1本から始めるのが現実的です。まずは同じ形式で3本作り、反応を見てから表現の幅を広げると、品質が安定します。
まとめ：順序を決めれば、今日1本作れる
成果を分けるのは特別な技術ではなく順序です。目的、尺、配信先、音の有無を決め、ログラインを1文で書き、ショットに分解し、1カットずつ要素を整理して生成する。そして選別と編集を分けて行う。この流れを一度通せば、2本目からは驚くほど速くなります。
最初から長い作品を狙う必要はありません。15秒、3カットで十分に伝わる映像になります。まずはOrelonで、テキスト1行と画像1枚から始めてみてください。頭の中の情景が、動きを持つ映像として返ってきます。