動画AI：1本のAI動画の中で働く5つの工程
試してみましょう：サンプルプロジェクトを開き、次の5つがどの工程によるものかを言い当ててみてください。ステップ1のあらすじ、ステップ2のキャラクター画像、エディターのショットリスト、プレーヤー横の音楽スイッチ、そして「エピソードを合成」ボタンです。
工程1：読み取り（テキストモデルが担当）
入力：台本、またはSceneMixerのAI作成が膨らませる一行のアイデア。出力：あらすじ、外見と声を言葉で記述したキャラクター、ロケーション、小道具、エピソード分割、そして各エピソードについて、番号付きのショットに秒数、名前、セリフを添えた絵コンテ。確認場所：あらすじはステップ1に表示され、絵コンテはステップ3と、エディターのショットリストまたはテキスト表示にあります。変更：どれも手作業なら無料で編集でき、普通の言葉で依頼するAI編集は1回の修正につき1クレジット、テキスト履歴から以前のバージョンに戻すこともできます。料金：読み取りは4クレジット（英語3,333文字ごと）で、一度だけです。絵コンテは、エピソードのカウント対象100文字ごとに1クレジットです。
テキストモデルは何も描かず、何も撮影しません。絵コンテは、後続の工程がそのまま文字どおりに読み取る形式で、ショットの区切り、秒数、キャストへの参照が含まれます。そのため、絵コンテの質がその後のすべての上限になります。プロジェクトの中身。
工程2：描画（画像モデルが担当）
入力：各説明文と、選んだ画風。出力：キャラクターごと（常に9:16）、ロケーションごと・小道具ごと（常に16:9）の設定画、任意の状態別画像、そしてカバーポスター。確認場所：ステップ2、項目ごとに1枚のカード。変更：説明文を編集して再生成するか、有料プランでは設定画を自分の画像に差し替えられます。料金：アカウントの最初の15枚は無料で、それ以降は標準の画像ティアでそれぞれ7クレジットです。
これらの画像は動画そのものではありません。以降のすべてのショットが作られる元になる参照画像です。設定画をあえて無個性にしているのはそのためで、背景も光も平坦にしてあります。モデルは参照画像の顔と同じくらい忠実に、光や雰囲気までコピーするからです。雰囲気はショットごとに絵コンテで指定します。設定画がシンプルな理由。
工程3：撮影（動画モデルが担当）
入力：ショットに登場する全員と全物の設定画、秒数付きのショットテキスト、そして話し手ごとの声。出力：最長15秒（ロングテイク対応ティアでは30秒）の1セグメント。映像、セリフ、話し手の口の動き、その場所の環境音が、1本のクリップとしてまとめて生成されます。確認場所：プレビュープレーヤー。すべてのテイクはバージョン履歴に残ります。変更：ショットテキストを編集してそのセグメントを再生成するか、「このクリップを編集」でトリミング、映像の変更、声の差し替え、高画質化を行います。料金：標準ティアで毎秒10クレジット、上位ティアではさらに高くなります。料金はボタンに表示されます。
この工程は実際にお金がかかり、時間もかかります。目安はセグメントあたり10〜20分です。結果は確率的でもあり、同じ依頼を2回出しても、異なる2つのクリップになることがあります。エディター上部バーのティア選択で、解像度（480Pから2Kまで）と、受け付ける最長のセグメントが決まります。セリフと音を1回の生成で。
工程4：音楽づけ（スコアリング）
入力：完成した絵コンテ、そのシーン、各区間の雰囲気、セリフが入る位置。出力：エピソードの音楽プラン。30秒以上の曲を、シーンの切れ目で短いクロスフェードをかけて切り替え、声の下にミックスします。確認場所：プレーヤー横の音楽スイッチ。変更：オンかオフのみです。曲の選択、音量調整、作り直しのボタンはありません。料金：動画の料金に含まれます。内蔵スコア。
工程5：結合（モデルではありません）
入力：各セグメントの有効なテイクを順番に。出力：エピソードのファイル。確認場所：SceneMixerの「エピソードを合成」ボタン。全セグメントが完成すると使えます。変更：セグメントを別のテイクに切り替えるか再生成して、もう一度結合します。以前のファイルは、新しいファイルに置き換わるまで残ります。料金：毎秒1クレジット。
結合は単純な動画処理です。可能な限り再エンコードせずにつなぐため、承認した映像がそのまま出荷される映像になります。一方で、間違ったクリップを直すことはできません。クリップはそのままつながれるので、一部のセグメントにだけ付いていたマークは、そのまま一部にだけ残ります。エピソードを合成して共有する。
どの工程が原因ですか？
| 見えている症状 | 該当する工程 | 直す場所 |
|---|---|---|
| ショットに違う人物や動作が映っている | 読み取り | ショットテキストを編集し、そのセグメントを再生成する |
| どのショットでも同じ顔が違っている | 描画 | ステップ2で説明文を編集し、設定画を再生成する |
| 1つのショットだけおかしく、ほかは問題ない | 撮影 | そのセグメントを再生成するか、「このクリップを編集」を使う |
| セリフが違う声で話されている | 撮影（声タグが原因） | ショット内の話し手タグと声タグを確認し、次にキャラクターの声を確認する |
| 音楽が不要 | スコアリング | 音楽スイッチをオフにしてダウンロードする |
| エピソードの一部にバッジが付き、一部には付いていない | 結合 | バッジのスイッチを設定し、該当のセグメントを再生成して、もう一度結合する |
このうちモデルを選べるもの
SceneMixerでは、テキスト、画像、動画のそれぞれがティアに沿って動きます。ティアとは、どのサービスか、どのモデルか、解像度はどれか、セグメントの長さはどこまでかを定める設定の一行です。選ぶ価値があるのは動画ティアで、費用も目に見える違いもここに出ます。選択画面はエディタの上部バーにあります。テキストと画像のティアは、設定の「モデル設定」にあり、デフォルトはパイプラインの調整に使われたものです。ティアは設定であって変わるものなので、このページではモデル名を挙げていません。最新の一覧は、選択画面と料金ページで確認できます。裏側で動いているもの。
| 工程 | 入力 | 出力 | 変更できるもの | 費用 |
|---|---|---|---|---|
| 読み取り | あなたの文章 | キャスト、場所、小道具、ショット | すべて（手作業またはAI編集） | 長さに応じて課金。手作業の編集は無料 |
| 描画 | 説明と見た目 | 設定画と状態画像 | 説明、再生成、アップロード（有料プラン） | 15は無料、以降は画像ごと |
| 撮影 | 設定画、ショットのテキスト、音声 | 音声付きのクリップ一本 | ショットのテキスト、ティア、クリップの修正 | 秒単位 |
| 音楽付け | 絵コンテ | 声の下に流れる音楽 | オンまたはオフ | 料金に含まれます |
| 結合 | 完成したセグメント | エピソードのファイル | どのテイクを使うか選び、再度結合 | 毎秒1クレジット |
よくある質問
動画AIとは？
テキストを読み取り、参考画像を描き、音声付きのクリップを撮影し、音楽を付けて結合する、モデルとツールのまとまりです。SceneMixerでは五つの工程になり、そのうち三つは選べるモデルを使います。
一つのAIモデルが動画全体を作っているのですか？
いいえ。SceneMixerは工程ごとにテキストモデル、画像モデル、動画モデルを使い分けており、結合は通常の動画処理です。音楽はサイト側で構成し、ミックスします。
最も費用がかかるのはどの工程ですか？
撮影です。SceneMixerは動画を秒単位で課金し、ほかのステップはどれも比べると小さな額です。
モデルは選べますか？
動画ティアはSceneMixerのエディタで、テキストと画像のティアは設定で選べます。最新の一覧は料金ページで確認できます。デフォルトは、パイプラインの調整に使われたものです。
音声だけを別々に編集できないのはなぜですか？
SceneMixerは、声、口の動き、環境音を映像と一体のクリップとして生成します。完成したクリップの声の差し替え、音楽のオフ、セグメントの再生成はできます。
AIは台本を文字どおりに読むのですか？
SceneMixerは台本をキャストとショットに読み取り、絵コンテに必要なものを補います。動画に費用がかかる前に、結果を読んで編集できます。
人が確認する工程はありますか？
あなた自身です。確認するポイントは二つあり、SceneMixerのステップ2のキャストと、動画生成前の絵コンテです。どちらも編集は無料です。
同じリクエストでも、クリップが違うのはなぜですか？
動画生成は確率的なものだからです。そのため、まず絵コンテを読み、残りを撮る前にセグメントを一つ撮影し、ショットは個別に再生成します。
2026年11月2日更新