AI動画ツールから使えるショットを引き出す方法

AI動画ツールはどれも見事にデモし、具体的に失敗する。失敗はランダムではない。手、文字、群衆、速い動き、長いカメラ移動、そしてショット間で同じであり続けねばならないものの周りに集中する。使えるショットを得ることは、モデルがついに指を描けるようになったと願うことではなく、これらのクラスタを避けて計画することだ。

これらは締め切りと接触しても生き残る習慣だ。根底の仕組みはAI動画モデルの仕組みを、プロンプトの技そのものはプロンプトのベストプラクティスを参照。

物語ではなくショットを書く

生成の単位はシーンではなくショットだ。筋書きを段落で書くと、モデルはそれを数秒に詰め込もうとして混乱を生む。代わりに一つのカメラセットアップを書く。誰が、あるいは何がフレームにいて、何をし、どこにいて、どう照らされ、レンズが何をしているか。

Luma の Ray2 のドキュメントは有用な順序を示している。主被写体、動作、細部、シーン、スタイル、カメラ、強調語。Runway のマルチショットの指針はもっと率直だ。各ショットのプロンプトを単一のシーンに集中させ、シーケンスが欲しいなら、長い説明ではなくショットリストを渡す。

何も描かれていなくても絵コンテが役立つ理由でもある。3〜5のセットアップからなるショットリスト、それぞれに単一の動作。それはトリートメントより良い入力だ。

モデルに画像を渡す

テキストは最も弱い制御形態だ。キャラクター、製品、ロケーションが正しく見える必要があるなら、参照画像か最初のフレームを渡す。今の真面目なツールの多くがこれを支えており、良い参照とは何かについてベンダーの説明は一貫している。

• 解像度と品質。 手持ちで最もシャープな素材を使う。圧縮され、柔らかく、ノイズの多い参照は、より柔らかい出力を生む。
• 孤立。 雑多なものや競合する要素のない、明確な被写体ひとつ。
• ライティング。 均一で中性の光が最も忠実に再現される。強い影や色かぶりは結果に持ち込まれる。
• 小さくまとまったセット、一枚ではなく、スタイルを定義するとき。

ドキュメントが率直に述べる警告が一つ。提出する肖像の権利はあなたの責任だ。許諾なく実在の人物の参照を使うことは、芸術上の問題である前に法的な問題である。

望まないものを言う

生成はモデルが見てきたものの平均へ流れる。だから群衆に望まない顔が現れ、フレームの端に余計な物体が出る。ネガティブプロンプトは最も安い修正だ。Google 自身の Veo API の例は、ポジティブプロンプトと並べてネガティブプロンプトを渡し、望まない音を抑える。同じ論理は視覚にも効く。

カメラは控えめに保つ

大きな動き——クレーンアップして窓を抜ける、ウィップパン、落ちる物体の周りのオービット——は時間的一貫性が崩れる場所だ。ゆっくりしたプッシュ、小さな手持ちの揺れ、固定フレームはずっと安定して保つ。大きな動きはモデルが間違えるフレームを増やすからだ。

カメラの言葉は実際に効く。Google が公開している Veo の例は、ショットサイズ、動き、レンズの挙動を順に描写し、結果がそれに従う。コツは、同じクリップで三つではなく、一貫した一つの動きを求めることだ。

安く試し、それから決める

「これは正しいショットか」という問いに答えられる最低コストと最短尺で生成する。長く高価なレンダリングは、すでに証明済みのショットのためのものだ。Veo 3 の API は出力秒数で課金され、まさにこのループのために安い高速枠があった。Luma の Ray2 は短いベースクリップを生成して延長するので、尺にお金を払う前にショットを判断できる。

クライアント案件がルックに依存するなら、モデルバージョンを固定する。Runway の API ドキュメントでは、最新を追うのではなく日付入りのワークフローバージョンを固定できる。これが再現可能なパイプラインと動く標的の違いだ。

連続性を意図的に組み立てる

ショット間の一貫性はプロンプトの問題ではなく、パイプラインの問題だ。三つの技法が仕事の大半を担う。

1. 戻ってくる要素すべてに参照とキーフレームを。 同じ画像を入れ、同じルックを得る。
2. シーケンス全体で同じスタイル言語を再利用する。 Runway は視覚的一貫性のために、同じ製品言語やスタイル言語をショット間で繰り返すことを明示的に勧めている。ショット間でスタイルの名前を変えるのは、新しい解釈を招くことだ。
3. 変化に動機があるようシーケンスを組む。 衣装替え、新しいロケーション、夜の場面。目に見える違いを説明するものは、モデルの不整合も隠す。

編集者としてテイクを判断する

動きの中で良く見えるテイクは、カットで死ぬことが多い。候補ごとに、ショットを終わらせるものを確認する。溶ける手、リップシンクから外れる口、字形に変わる文字、壁を歩き抜けるエキストラ。通常速度で一度見て、最初と最後のフレームをこする。そこがインとアウトのポイントだ。

お気に入りではなく候補リストを持つ。カメラが少し違う3本のテイクが、編集に必要なものであることが多い。

音は別に計画する

ネイティブ音声——セリフ、効果音、音楽を1パスで映像とともに生成する——はワークフローを変える。Veo 3 は Google で初めてそれを実現したモデルで、マルチショットのレシピは今やデフォルトで音声を生成する。仮トラックやリップシンクのテストに有用だ。

ただし生成音声は第一稿として扱う。セリフの聞き取りやすさ、ルームトーン、音楽の権利には依然として人の判断が要り、映像は完璧でもセリフが濁って使えないショットはありうる。

開示し、記録を残す

二つのことが収束しつつある。プラットフォームはより積極的にラベルを付けている。YouTube は写実的なAIコンテンツに目立つラベルを適用し、システムが大幅なAI生成と検出したコンテンツには自動でラベルを付ける。規制も到来している。EU AI法の第50条は、提供者に合成出力を機械可読な形式で示すことを求め、配備者にディープフェイク使用時の開示を求める。

実践的な習慣は単純だ。来歴を保存する。Content Credentials、すなわち C2PA 標準で、署名された由来と編集の記録をファイルに添える。そしてプロンプト、参照、モデルバージョン、シードのプロジェクトログを残す。クライアントや映画祭がショットの作り方を尋ねたとき、そのログが答えになる。

ショットが失敗し続けるなら、ショットを変える

最もよくある間違いは、10回目にプロンプトを書き直すことだ。ショットが繰り返し失敗するなら、そのショットはモデルが安定してできないことを求めている。二つに分ける。カメラを動かす。難しい動作の前に切る。物体をピントから外す。ここで制約は妥協ではない。技巧なのだ。

短いまとめ

• プロンプト1つにつきショット1つ。被写体、動作、カメラを明確に。
• 一貫している必要のあるものには参照を使い、権利を確認する。
• 既知のアーティファクトには短いネガティブプロンプトを。
• 安く反復し、勝ったテイクをフル尺でレンダリングする。
• 一時停止で最も美しいフレームではなく、切り取るフレームでテイクを判断する。
• 音を独立した層として計画し、使ったツールを開示する。