AI動画プロンプト書き方ガイド - クリップ失敗率を70%削減するフレームワーク
要約
AI動画プロンプトは被写体・アクション・設定・カメラ・照明・スタイル・モーション品質の7要素で構成する。アバタープロンプトと生成動画プロンプトは別の言語で混用不可。Kling AIは60〜100語が理解のピーク。単一変数テストで反復効率が上がり、月$16〜$80のクレジット損失を排除できる。
AI動画プロンプト書き方ガイドとして最初に伝えたいことがある。プロンプトの構造だけが、使えるクリップと使えないクリップを分ける。
多くのクリエイターはAI動画プロンプトをGoogleの検索クエリと同じ感覚で書いている。1文、名詞の羅列、あとは運任せ。
6か月間、3つの異なるパイプラインで40本のトレーニングモジュールを制作した経験から言えること。12秒の使えるクリップと使えないクリップの差は、モーション・光・雰囲気をどれほど正確に記述したかだけで決まる。それ以外は関係ない。
なぜ生成したクリップが想像と全然違うのか
モデルはあなたを無視しているのではない。あなたが与えたものを解釈しているだけだ。
「夜の街を歩く人物」というプロンプトは、モデルに5つの自由度を与えている。どんな人物、どの街、どの方向、どのペース、どの光源。返ってくるのは5つすべてに対するモデルの最良の推測だ。運が良ければ、そのうち1つがビジョンに合う。
強いAI動画プロンプトは、その自由度を一つずつ取り除く。必要なのはより多くの言葉ではなく、より高い精度だ。
弱いプロンプト: 「夜の街を歩くビジネスマン」
強いプロンプト: 「40代前半の男性、チャコールのオーバーコート、雨に濡れた東京の路地を午前2時に左から右へ速歩き、ナトリウム灯の街灯、ミディアムトラッキングショット、ノワールムード、わずかなフィルムグレイン」
同じ被写体。2番目のプロンプトは初回で約70%の確率で使えるクリップを生成する。最初のプロンプトは約20%。プロンプトの書き方を変えなければ、このギャップは縮まらない。モデルはあなたの好みを学習しない。与えられたものだけで判断する。
1プロジェクトで40〜100クリップを制作するクリエイターにとって、初回成功率の50ポイント差は時間に直結する。スケールすると、スタッフィングの判断材料になる。
アバタープロンプトと生成動画プロンプト: 2つの異なる言語
これは多くのガイドが完全に見落としている区別だ。把握するだけで時間を大幅に節約できる。
Kling AI、Higgsfield、RunwayなどのツールでBロールや映画的な映像を生成する場合、あなたはシーンを演出している。モデルはフレームに何があるか、どう動くか、どう見えるかを理解する必要がある。
Polymorf、HeyGen、Synthesiaなどのツールでアバターのトーキングヘッド動画を生成する場合、あなたはパフォーマーを演出している。モデルが理解すべきはデリバリーのペーシング、アバターのムード、スクリプト構造だ。視覚的なシーン構成ではない。
生成Bロール用プロンプト構造:
[被写体] + [アクション] + [設定] + [カメラ] + [照明] + [スタイル] + [モーション品質]アバター動画用プロンプト構造（スクリプトレベル）:
[アバターのトーン] + [ペーシングキュー] + [ポーズマーカー] + [強調ノート]Klingのプロンプトをアバタークリップ生成に使おうとするのは、映画監督に舞台演出の指示を出すようなものだ。混乱するだけで逆効果になる。
1つのクリップタイプ、2つのまったく異なるプロンプト言語。テキストフィールドを開く前にどちらを使っているかを把握するだけで、あらゆるフォーマットの工夫よりも時間を節約できる。
どのツールにも通用する7要素スタック
Bロールと生成動画には、この7要素を順番に重ねる。1つでも省くと、コントロールをモデルに返すことになる。
1. 被写体（Subject）: フォーカスの対象。具体的に: 年齢、服装、姿勢。「女性」ではなく「30代後半の女性、ネイビーのブレザー、カメラに向かって静止立ち」。
2. アクション（Action）: 実際に動いているもの。キネティックに: 「ゆっくり回転」「左から右へ速歩き」「大理石のカウンタートップのマグカップから立ち上る蒸気」。
3. 設定（Setting）: 場所。背景の詳細を含む。「床から天井まで全面ガラスのモダンなオープンプランオフィス、午前10時の光、後ろに都市のスカイライン」。
4. カメラ（Camera）: ショットタイプとムーブメント。「ミディアムクローズアップ、スロープッシュイン」「ワイドエスタブリッシングショット、スタティック」。解釈の余地がないほど具体的に。
5. 照明（Lighting）: 質、方向、色温度。「左からの曇りの拡散光」「上からの強いネオンシアン」。精度を上げるとモデルは照明の記述子を正確に解析する。
6. スタイル（Style）: 映画的なリファレンスやテクスチャ。「Kodak Vision3フィルムストック、わずかなハレーション」「クリーンなコーポレートルック、グレインなし」「暗鬱なスカンジナビアの冬、彩度を落としたパレット」。
7. モーション品質（Motion quality）: テンポラルガイダンス。「steady」「smooth transition」「no flicker」「consistent movement」といった言葉が、KlingやHiggsfield上の視覚的アーティファクトを劇的に削減する。
7要素フルプロンプトの例: 「30代前半のプロダクトデザイナー女性、グレーのタートルネック、白い机の上に陶器のマグカップを意図を持って置く。モダンでミニマルなスタジオ、左からの拡散した窓光。ミディアムクローズアップ、スロープッシュイン。柔らかな朝の光、わずかに温かみ。クリーンなエディトリアルスタイル、グレインなし。安定したモーション、フリッカーなし。」
このプロンプトは1〜2回目の試みで一貫してブロードキャスト品質のクリップを生成する。要素4・5・7の欠如が、生成開始から1週間後にクリエイターが報告するビジュアルドリフトとフリッカー問題の大部分を占める。
確実に解釈されるカメラワードの一覧
すべての方向語が同じように扱われるわけではない。モデル間で一貫して解析される用語がある。無視されるものもある。
Kling・Higgsfield・Runwayで動作検証済みの信頼できる用語:
static shot: カメラ固定、一切の動きなしslow push-in: 被写体に向かう繊細なドリー、親密感が増すwide establishing shot: シーン全体を捉えるワイドアングルmedium close-up: 胸から頭まで、被写体が中央にtracking shot left-to-right: 水平移動に追従するカメラslow pan: シーンを水平に横断するカメラ回転
頻繁に誤読される用語:
「dolly zoom」は現在ほとんどのモデルで不安定な結果を生む
「Dutch angle」は一貫性なく適用される
「over-the-shoulder」はモデルが被写体を中央に配置してしまう
信頼できるセットを使うこと。そのリストにないショットタイプは、フルシーケンスに投入する前に短い安価なクリップでテストする。
プロンプトの長さが逆効果になる瞬間
長ければ良いわけではない。各ツールには理解がピークに達する実用的な上限がある。
Kling AIの場合: 60〜100語がスイートスポット。それを超えると、モデルはプロンプト中間の要素を優先度下げで処理し始める。
Higgsfield: 上限は同様だが、括弧スタイルのノートをより適切に処理する。「（微妙に、過剰でなく）」は6回連続の生成テストで正確に解析された。
アバター動画ツールの場合: スクリプトがプロンプトだ。デリバリーキューはポーズマーカーと強調ノートに入れる。1文1つの明確な指示。300語のブロックは制御を増やさない。希釈するだけだ。
プロンプトが長すぎるサイン: 3要素はうまく反映されるが他の2つが無視されたクリップが返ってくる。最も優先度の低いディテールから削る。
クレジット残高を燃やさずに反復する
週20クリップで40%の不使用率なら、週8クレジットを無駄にしている。1生成あたり$0.05〜$0.20で計算すると、月$16〜$80が不良プロンプトに消えていることになる。週100クリップを回すチームにとっては、実際の予算ラインになる。
無駄を削るシステム: 単一変数テスト。
7要素の完全プロンプトでベースラインクリップを生成する。結果を記録する。要素を1つだけ変えて再生成する。カメラムーブメント、照明、スタイルリファレンス: 1度に1変数のみ。
4〜5回の反復後、ツールがどの要素に最も重みを置いているかがわかる。この知識はバッチの将来のすべてのクリップに転用できる。
プロンプト全体を書き直して再生成すると、何かが変わったことはわかるが何が変わったかはわからない。結果、無期限に反復し続ける。
勝ちプロンプトのテンプレートを保存しておく。設定タイプ別に12バリエーション整理する。屋内コーポレート、屋外アーバン、プロダクトクローズアップ。検証済みのスケルトンをすべての新しいバッチで再利用する。
個別のプロンプト改善よりも時間を短縮するもの
最高レバレッジの施策は、より良いフォーミュラではない。生成が始まる前のレビュー・リジェクトサイクルを排除することだ。
生成時間をプロンプトのテクニックよりも圧縮する2つの実践:
事前ストーリーボーディング: 何も生成する前に、各クリップのワンライン・ショット説明を書く。1文でショットを説明できなければ、正確にプロンプトできない。ストーリーボーディングのステップは、1クレジットも使う前に明確さを強制する。
バリアント付きバッチ生成: 最も不確かなショットの3バリアントを同時に生成する。最良を選び、残りは破棄。順次反復よりも速く、ツールの挙動パターンが素早く見えてくる。
週2〜3本の動画を制作するソロクリエイターにとって、この2つの実践はプロジェクトあたり30〜40分の生成時間を削減する。週3プロジェクトで、ほぼ2時間のパイプライン時間を回収できる。
スクリプトはそこにある。スケール生産。スタジオ不要。
プロンプトが正しくてもクリップが外れるとき
プロンプトの構造が正しくてもクリップが期待通りにならないことがある。それはプロンプトの問題ではなく、モデルのアライメント問題だ。
3つのシチュエーションと対処法:
カメラ指示をモデルが無視する場合: 2回繰り返す。冒頭に1回、末尾に1回。「ミディアムクローズアップ、スロープッシュイン。被写体: [説明]。スタイル: [スタイル]。ショット: ミディアムクローズアップとスロープッシュイン。」現在のほとんどのモデルで、冗長性が助けになる。
クリップに視覚的アーティファクトやフリッカーがある場合: テンポラルスタビリティ言語を明示的に追加する。「Consistent motion, no flickering, smooth transitions throughout, steady movement.」これらの言葉はほとんどの動画生成アーキテクチャで品質制約として解析される。
アバターのデリバリーがスクリプトのトーンと合わない場合: 長いスクリプトセクションを短いパラグラフに分割する。多くのアバターツールはパラグラフ単位ではなくセンテンス単位でデリバリーを処理する。短い単位でペーシングと強調をより細かく制御できる。指示・データ・行動喚起を混在させたパラグラフは毎回フラットなデリバリーを生む。
映画的なクリップでどうしても上手くいかない場合: 10秒ではなく5秒で生成する。短いクリップは複合変数が少ない。短いバージョンでルックを確定させてから、拡張またはループさせる。
スクリプトはそこにある。システムが残りをやる。十分に正確なものを与えさえすれば。