AI動画モデルのプロンプト実践ガイド

動画プロンプトが画像プロンプトとは違うスキルである理由

画像プロンプトが描写するのは1枚のフレームです。一方、動画プロンプトが描写するのは時間の経過にともなう変化——何が動くのか、カメラはどう振る舞うのか、何が最初に起きて何が最後に起きるのか、そして近年ではどんな音が鳴るのかまでです。1〜2文で指定する情報量が格段に増えるため、静止画で通用していたプロンプトの書き方（「黒い大理石の上の黄金のバナナ、スタジオ照明」）をそのまま動画に持ち込むと、平板で静止感のあるクリップになりがちです。

解決策はプロンプトを長くすることではありません。構造化することです。

5つの構成要素

本プラットフォームで効果を発揮する動画プロンプトは、おおむね次の5つの要素をこの順番で押さえています。

1. 被写体 — 画面に映るのが誰か、何か。「人物」ではなく「赤いトレンチコートを着た女性」のように、カテゴリではなく見た目を具体的に。
2. 舞台設定 — どこで、いつ。時間帯と場所を指定するだけで、視覚情報を大きく底上げできます。「都市」よりも「夜の、雨に濡れた東京の交差点」のほうが、モデルにずっと多くを伝えられます。
3. アクション — クリップの中で実際に何が起こるか。動画モデルは動きをレンダリングするものなので、レンダリングすべき動きを与えましょう。歩く、振り向く、手がカップに伸びる、湯気が立ちのぼる、といった具合に。
4. カメラワーク — ショットの構図とカメラの動き方（下のチートシートを参照）。多くの人が省いてしまいがちですが、追加する価値が最も大きい要素です。
5. スタイルとライティング — 映像のトーン。シネマティック、手持ちのドキュメンタリー風、ゴールデンアワー、ネオンに照らされた雰囲気、白黒フィルムのグレインなど。

最小限でありながら完全なプロンプトは、この5つを1〜2文に収めます。「黄金のバナナ宇宙飛行士が土星の環のそばをゆっくり漂う、ゆるやかなオービットカメラワーク、シネマティックな照明、ワイドショット、スケール感と静寂を感じさせる」。被写体（バナナ宇宙飛行士）、舞台設定（土星のそば）、アクション（漂う）、カメラ（ゆるやかなオービット、ワイドショット）、スタイル（シネマティック、静寂が醸すムード・音の印象）。

カメラワーク・チートシート

動画モデルは、実際の映像制作で使われる語彙に対して的確に反応します。これは学習データにそうした語彙が豊富に含まれているためです。安定して効果を発揮する表現をいくつか紹介します。

• オービット／アーク（Orbit / Arc） — カメラが被写体の周りを回り込む
• ドリーイン／ドリーアウト（Dolly in / Dolly out） — カメラ自体が被写体に近づく、または遠ざかる（その場から動かずに焦点距離を変えるズームとは異なる）
• クラッシュズーム（Crash zoom） — 素早く劇的にズームインする
• スタティック／固定（Static / Locked-off） — カメラがまったく動かない。アクション自体にショットを語らせたいときに有効
• ハンドヘルド（Handheld） — 自然な微細な揺れ。ドキュメンタリーやファウンドフッテージ風の質感になる
• ドローン／空撮パス（Drone / Aerial pass） — 上空からの大きな移動ショット
• ラックフォーカス（Rack focus） — ショット内でピントがある被写体から別の被写体へ移る
• スローモーション（Slow motion） — 説明不要の表現ですが、明示的にプロンプトへ書くことが重要です

選ぶのは1つ、多くても2つまで。5秒のクリップに5つものカメラワークを詰め込んでも、結果が混乱するだけです。

長さとアスペクト比を軸に組み立てる

本プラットフォームのモデルはいずれも、自由なスライダーではなく決まった長さのメニューから選ぶ方式です。プロンプトを書く前に、そのメニューを把握しておく価値があります。

• Kling — 5秒または10秒
• Veo 3.1 — 4秒、6秒、8秒のいずれか
• Sora 2 — 4秒、8秒、12秒のいずれか
• Seedance — 5秒または10秒

短いクリップは、商品が回転する、手がフレームに伸びる、ちょっとした仕草といった、単一でクリーンなアクションと相性が良好です。長いクリップは小さな一連の流れ（誰かが入ってきて、座って、カップを手に取る）を収められますが、モデルはテキストから実質的にミニ・ショットリストを組み立てているため、その流れを順番どおりに描写したほうが仕上がりが良くなります。

アスペクト比は、生成後にクロップするのではなく、クリップの配信先に合わせて生成前に決めておきましょう。

• 16:9 — YouTube、ランディングページ、従来型の動画掲載枠向け
• 9:16 — TikTok、リール、ショート向け
• 1:1 — フィード投稿向け

ネガティブプロンプト——起きてほしくないことを伝える

本プラットフォームのKling、Veo 3.1、Wanはネガティブプロンプトに対応しています。これはモデルに積極的に避けてほしい要素を指定する専用フィールドで、「テキストなし、透かしなし、ブレなし」をメインのプロンプトに詰め込んで、本来伝えたい内容と注意を奪い合わせる必要がありません。歪んだ手、余分な手足、テキストのノイズ、モーションブラー、意図しないスタイルの混入といった繰り返し起きがちな問題に活用してください。

画像から動画 vs. テキストから動画——プロンプトの違い

画像から動画で既存の写真に動きを加える場合は、被写体とスタイルの描写は省きましょう——どちらもすでに画像側で定義されているためです。プロンプトはすべて動きの描写だけに使います。「ゆっくりズームイン、カップから立ちのぼる湯気、やわらかなカメラの揺れ」のように。写真にすでに写っているものを改めて描写しても意味がなく、モデルが実際に見ている内容と食い違ってしまうことすらあります。

純粋なテキストから動画では、何もない状態からすべてを定義することになるため、先ほどの5つの構成要素をフルに使う重要性はむしろ増します。

本気で反復する

最初の生成は最終回答ではなく、下書きだと捉えましょう。実践的に機能するループはこうです。

1. 5つの構成要素すべてを含む最小限のプロンプトを書き、1回生成する。
2. 何がうまくいっていないかを確認する——たいていはカメラワーク、テンポ、あるいは特定のビジュアルディテールです。
3. プロンプト全体を書き直すのではなく、1つずつ要素を足す、または調整する。動きは合っているのにライティングが平板なら、ライティングに関する表現だけを直しましょう。

AI動画のプロンプトを書くことは、キャプションを書くことよりも、監督として演出することに近い作業です。実際のカメラオペレーターが何をするかを正確に言葉にできるほど、仕上がりは頭の中で描いたイメージに近づきます。各モデルがこうしたプロンプトに対して実際どう振る舞うかを横並びで比較したい場合は、Kling vs. Veo vs. Sora vs. Seedance比較をご覧ください。