2026年7月25日 · 8分で読めます
質の悪いAI（人工知能）です動画の多くは、本来は良い画像になるプロンプトから生まれます。「夜の東京に立つ女性」は静止した一瞬を描写します。動画モデルはその数秒を埋める必要があるので、独自の動きを作り出します。すると被写体がフレームを無重力で滑るように移動したり、手がゆっくり別の手に変わったり、背景が途中で再構成されたりします。
解決策は長いプロンプトではありません。モデルが推測しなければならない質問に答えるプロンプトです：誰が、何をしているか、どこで、どの位置から見ているか、どのように照らされているか。本稿ではまさにそのための五層の構造と、ソーシャルフィード向け縦型動画に特有の要素を説明します。
構造の前にマインドセット。画像プロンプトは「状態」を記述します。動画プロンプトはクリップの開始時と終了時で違う何か、つまり変化を記述します。
ここで効く小さな習慣が二つあります。ひとつは継続する動詞を使うことです。「速く歩く」「ゆっくりひざまずく」「テーブル越しに手を伸ばす」は、単に「通りにいる女性」と書くよりも継続的な動きを示します。もうひとつは、出来事だけでなく因果関係を描くことです。比較してみてください。
二番目の例は単に詳細が多いだけではありません。より順序立てられています。何が先に起き、何がそれに続くかをモデルに伝えるので、生成される動きに向きと流れを与えます。同じ手法は小さなスケールでも有効です。「グラスが割れる」と書く代わりに「肘がグラスにぶつかり、傾き、ミルクが縁を越えてテーブルに落ち、グラスが割れてこぼれが木目に広がる」と書いてください。
構造はここです。すべてのプロンプトに5つすべてが必要なわけではありませんが、3つ以上欠けているとモデルが埋める空白が多くなります。
あいまいな名詞は推測を強います。「人」は誰でもあり得ます。だいたいの年齢、体格、服装、姿勢などを指定して固めてください。「30代半ばの女性、運動的な体格、使い込まれたネイビーのレインシェルを着ている」なら「女性」だけより一貫して返ってきます。
キャラクターが単一のクリップではなく動画全体を通して同一である必要がある場合、説明だけでは不十分です。キャラクター参考資料ガイドに代替手段が書いてあります。
1クリップにつき明確な動作を1つ、継続現在形で。1つのクリップに競合する動作が二つあると、モデルはそれらを混ぜようとしてモーフィングが始まりやすくなります。二つの出来事があるなら、それは二つのシーンです。ClipPilotは両方を生成します。
被写体を現実のどこかに置いてください。3〜5つの具体的な詳細が最適です：時刻、天候、表面の質感、場所を確立する1〜2つの物。そこを越えると被写体とモデルの注意を競い、詳細があなたの意図しない箇所で省かれます。
人々が省略しがちな層ですが、意図的な出力に最も確実に効く要素です。これらのモデルは大量のプロがタグ付けした映像を見ているので、実際のカメラ用語に反応します。
照明はプロンプトの層の中で最も語数あたりの効果が大きいです。「暖かいナトリウム街灯」「肩に当たる柔らかいリムライト」「曇りの日の拡散光」「顔の半分に落ちる強い影」など、数語でショットの感情的な印象を一変させます。既にプロンプトに一層しか追加しないなら、これを加えてください。
重ねるべき層、順番は次の通りです：
年齢30代半ばの女性が風化したネイビーのレインシェルを着て、狭い東京の路地を足早に歩く。肩を雨に縮め、蒸気の噴出口や手描きの看板を通り過ぎる。カメラは目線の高さで彼女と並走して追う。濡れたアスファルトは暖かいナトリウム街灯を反射し、店先の間には深い影が落ちる。
被写体、動作、環境、カメラ、光。監督がクルーに伝えるように読めます。概ね正しいメンタルモデルです。
9:16のフレームは16:9を横にしただけではありません。それを無視したプロンプトは技術的には動くクリップを生みますが、フィード上では違和感があります。
高さを活かしてください。 縦フレームは全身を収めるには寛容ですが、横に広い構図には窮屈です。「全身ショット、目線の高さ」と指定すれば被写体全体が快適に入ります。横に広がるパノラマを求めると細長い一部しか得られません。
縦方向のカメラ動作を優先してください。 建物を見上げるティルト、被写体へ向かうクレーン、ドリーインは縦長フレームで自然に感じます。長い水平パンは窮屈に感じます。フレームがパン先を十分に見せられないからです。
フレーム上部に何が来るかを意識してください。 TikTok、Reels、Shortsでは画面下部がキャプションと説明で覆われ、右端にいいねや共有などの操作ボタンがあります。ClipPilotのキャプションは有効にすると垂直中心にかかることがあります。したがって、上部1/3が最も確実に見える場所です。被写体をそこに配置すると両方の要素を避けられます。
動きで始めてください。 フィードのアルゴリズムは最初の数秒を重視します。静的な定着ショットで始めると最も価値ある瞬間を無駄にします。冒頭に動きを詰めてください。「マクロのクローズアップからスナップでズームアウトしてネオンのスカイラインを明かし、ホバーカーがレンズをかすめる」は、「カメラがゆっくりとネオン都市の中を進む」より注目を集めます。
作業分担を明確にしておく価値があります。何を書くべきかが変わるからです。
キャプション、ナレーション、音楽、クリップ間のトランジションをプロンプトで指示する必要はありません。それらは作成ページの設定であり、プロンプト文ではありません。ビデオプロンプトで「画面にXというテキストを表示」と頼むと、きれいなキャプションではなく判読不能なAI文字が出ることが多いので、キャプション機能に任せてください。
ショットリストを書く必要もありません。ClipPilotはあなたのスクリプトやアイデアをシーンに分割し、各シーンごとにクリップを生成します。つまり単一のプロンプトがマルチシーンの動画になります。これはそれ自体で理解しておく価値があり、ClipPilotが1つのアイデアをフル動画にする仕組みで扱っています。
生成する前に、プロンプトを読み返して次を確認してください：
6つのうち5つを満たしていれば、投稿するか再生成するかの差になることが多いです。
スクリプトを1本書くだけで、ClipPilotがシーンに分割し、各シーンのプロンプトを作成してクリップを生成し、ナレーションに合わせてカットを同期します。仕組みと書き方のコツを解説します。
ニッチの選び方、視聴を引きつけるスクリプトの書き方、繰り返し使えるフォーマットの選び方、そして毎月の運営コストの実際について説明します。
アイデアからTikTok動画やReelsを生成します。バイラルなフォーマットを選び、テーマを入力するだけで、音声付きの縦型動画が数分で完成します。