生成AI動画：何が生成され、何を自分で操作できるのか
試してみましょう：ショットのなかで気にしていることを一つ選びます。顔、コート、人の立ち位置、天気などです。それを、絵で決めるか、言葉で決めるか、設定で決めるかを考えてください。下の表に、どれが効くのかが書いてあります。
生成か、組み立てか：見分けるための簡単な方法
テンプレートやストック素材のエディターは組み立てます。すでにある映像、テキスト、音楽を取り出して配置するだけです。結果のなかに、あなたの一文のために作られたものは何もないため、再現性があり、変更ごとのコストは安く、すでにあるものの範囲に限られます。生成ツールは作ります。映像も、音声も、サウンドも、あなたのリクエストのために作られます。ライブラリのどこにもないものを頼めます。たとえば、あなたが説明したキャラクターが、あなたが説明した部屋にいる、といったものです。ただし、リクエストのたびに新たな生成になります。
見分け方は簡単です。ストック映像にあり得ないものを頼んでみてください。名前のあるキャラクターが特定の衣装で特定のセリフを言う、といったものです。ツールが既存の素材に近いものを返してくるなら、組み立てているということです。ここでは、セグメントはキャストの絵、ショットのテキスト、声から作られ、クリップのライブラリから取り出されるものは何もありません。最後のつなぎ合わせだけが生成ではない工程で、完成したセグメントを縫い合わせます。
絵は縛る
ショットを生成するとき、モデルは、そこで名前が挙がっているキャラクター、シーン、小道具の設定画を絵として受け取り、それを忠実に再現します。顔、服、素材、そして絵に写っている光や背景も含めてです。これはもっとも強い操作であり、両刃の剣でもあります。絵は、そこに写っているものを縛り、どんな文でもそれを覆せません。ですから、顔やコートを変えたいなら、絵を変えます。説明を編集して設定画を再生成するか、有料プランなら自分の画像に差し替えるか、見た目が変わった状態用の絵を追加します。
設定画が中立的なのも、そのためです。ノワール調の照明で描かれたキャラクターは、日差しのピクニックにもその照明を持ち込んでしまいます。ムードは、本来あるべき場所である、ショットごとの言葉で書きます。設定画が地味に見える理由 · 自分の参照画像を使う。
言葉は導く
ショットのテキストが決めるのは、絵では決まらないこと、つまり人の立ち位置、行動、光の向き、天気、時間帯、カメラの動き、そして一語一句そのままのセリフです。言葉は絵より上の層で働くので、雨、夕暮れ、人が座ること、誰がカップを持っているかは、設定画に写っているものの上に重なります。言葉は固定するのではなく導きます。名詞は機能語より重く扱われるため、否定表現はしばしば、否定したはずのものを生み出してしまい、形容詞を並べると重要な言葉が埋もれます。カメラの前にあるものを、光の原因とともに書いてください。結果に対して望む評価を書くのではありません。
結果ではなく原因を書く · 魔法の言葉はない · カメラの動きを書く。
設定は枠をつくる
SceneMixerの設定は、絵と言葉が働く箱を決めます。ビジュアルスタイルは、写真調から絵画調、3Dまでの表現媒体で、すべてに適用されます。シーンスタイルと衣装スタイルは台本を読み取るときに一度だけ適用され、すべての説明に反映されます。画面の形（9:16か16:9）は、ステップ1のあとに固定されます。動画のティアは、480Pから2Kまでの解像度と、最長のセグメント（15秒または30秒）を決め、各ショットの秒数はその上限の中で足し合わされます。設定がショットで何が起こるかを決めることはなく、システムは設定が言葉と衝突しないようにしています。被写体をどこに置くかはモデルに指示しません。それは絵コンテの仕事だからです。
スタイル設定の選び方 · 15秒または30秒のセグメント · 縦長か横長か。
操作したいことと、それを押さえる操作
| 決めたいこと | 使うもの | 拘束の強さ |
|---|---|---|
| 顔、年齢、体格 | キャラクターの設定画 | 縛る：ほぼそのまま写し取られる |
| 衣装 | 設定画、または衣装が変わる場合は状態用の絵 | 縛る。言葉では上書きできない |
| 部屋のレイアウト | シーンの設定画と、そのシーンの3Dモデル | 空間を縛る |
| 人の立ち位置 | 言葉（部屋のアンカーとして） | 導く。カメラが変わっても保たれる |
| 光、天気、時間帯 | ショット内の言葉 | 導く。絵の上に重なって働く |
| 話される内容 | 話し手と声のタグ付きのセリフ行 | 一語一句そのまま話される |
| 声の聞こえ方 | 文章で書いた声、またはライブラリのプリセット | 導く。プリセットを付けると縛る |
| 長さと細かさ | ショットごとの秒数、ティア | フレーム数：上限の範囲内 |
| 正確な構図、細かな身ぶり、手 | 確実に効くものはない | モデルに任される。再生成する |
ランダムなままのものと、その付き合い方
同じ二つのリクエストから、異なる二つのクリップができることがあります。SceneMixerの規約にもそう書かれており、生成系の製品は、それが前提として語られているものこそ誠実だと言えます。ばらつくのは、正確な構図、演技、細部、そして言葉にしなかったことです。それに逆らわず、うまく付き合ってください。動画にお金を払う前に絵コンテを読み、まず一つのセグメントを撮り、ショットのテキストを編集してそこだけ再生成して直し、以前のテイクは残しておきます。セグメントを生成するたびにバージョン履歴に保存され、切り替えは無料だからです。一つのショットを編集して再生成する · セグメントのバージョン。
クリップは毎回新しい引き直しなので、費用は結果ごとではなく試行ごとにかかります。既定のティアで一秒あたり10クレジットです。最も安く使える手段は、生成の前にあるテキストで、何度でも無料で編集できます。
| コントロールの種類 | 例 | 保たれる仕組み |
|---|---|---|
| 画像 | キャラクター、シーン、小道具の設定画、状態画像、自分の写真 | そのまま忠実にコピーされる |
| 言葉 | ショットのテキスト、立ち位置、光、天気、セリフ | 画像が決めていない部分を方向づける |
| 設定 | ビジュアル、シーン、衣装のスタイル、画面の形、ティア、秒数 | すべてが起こる枠を決める |
| なし | 正確な構図、ジェスチャー、手 | 再生成して選ぶ |
よくある質問
生成AI動画とは何ですか？
映像、音声、音を、既存の素材やテンプレートを組み合わせるのではなく、説明をもとにモデルが作り出す動画です。
テンプレート型の動画エディターとはどう違いますか？
テンプレート型のエディターは、既存のクリップ、テキスト、音楽を配置するため、繰り返し同じ結果が得られる一方、すでにあるものに限られます。生成ツールは、リクエストのたびに新しい映像と音を作るので、新しいシーンを作れますが、まったく同じものの繰り返しはできません。
生成動画では何をコントロールできますか？
画像は顔、服装、部屋を固定し、言葉は立ち位置、光、天気、セリフを方向づけ、設定はスタイル、画面の形、解像度、長さを枠づけます。細かい構図やジェスチャーはモデルに任されます。
テキストを変えても、キャラクターの服が変わらないのはなぜですか？
参照画像は服装ごとコピーされ、テキストでは上書きできません。画像を変えるか、説明文を編集して設定画を再生成するか、状態画像を追加してください。
まったく同じ動画を二回作れますか？
できません。生成は確率的に行われます。気に入ったテイクを残したり、テイクを無料で切り替えたり、うまくいかなかったショットだけを再生成したりできます。
動画のうち、生成されない部分はありますか？
完成したSceneMixerのセグメントをつないでエピソードにする結合は、通常の動画処理です。ボイスはプリセットのライブラリか、文章による説明から作られ、BGMはエピソードに合わせて選ばれます。
生成とは、ランダムという意味ですか？
一部はそうです。用意した画像と言葉が、人物の同一性、部屋、物語を保ちます。変わるのは、正確な構図、演技、細かなディテールです。
いちばん安いコントロールは何ですか？
テキストです。SceneMixerでは絵コンテの編集が無料で、生成の前に一文を直しておけば、秒単価がかかる再生成を一回減らせます。
2026年11月2日更新