動画生成AIプロンプトの書き方｜コツ・テンプレート・コピペ可能なプロンプト例まとめ

動画生成AIにテキストを入力したのに、出来上がった映像がほぼ静止画だった。人物の手が6本になっていた。シーンが途中で別の場所に変わっていた。こういった結果になる原因のほとんどは、ツールの問題ではなくプロンプトの書き方にある。

動画生成AIのプロンプトは、ChatGPTへの質問とはまったく別物だ。映像を組み立てるための「撮影設計図」を言葉で書き起こす作業に近い。被写体、動き、カメラの動き、雰囲気、出力仕様—これらを具体的に指定するほど、意図した映像に近づく。

この記事では、プロンプトの基本構造から、テキスト動画生成AIと画像から動画生成の違い、コピペして使えるテンプレートと具体例、ツールごとのプロンプトの効き方の違い、うまくいかないときの改善手順まで、体系的に解説する。

画像生成AIと動画生成AIは、どちらもテキストから映像コンテンツを作る点では同じように見えるが、プロンプトに求められる情報量はまったく異なる。

画像生成AIは「完成した1枚」を作る。被写体の外見・構図・色味・スタイルを指定すればいい。

動画生成AIは「時間軸のある映像」を作る。静止した瞬間の描写だけでなく、何が動くか、どう動くか、カメラはどう動くか、映像はどこで始まりどこで終わるか—この4つの時間軸情報が必要になる。

この違いを理解せずに「きれいな景色の動画」「カフェでコーヒーを飲む女性」とだけ書いてしまうと、AIは動きの指示がないため、ほぼ静止した映像を出力することが多い。動きを指示しなければ、動かない。これが動画AIプロンプトの最大の落とし穴だ。

プロンプトを書く前に、以下の3点を先に決めておくと、指示の抜け漏れが大幅に減る。

1. 生成方法を選ぶ

主要な動画生成AIは大きく3種類の入力方式に対応している。

• テキスト動画生成（Text-to-Video）：言葉だけで映像をゼロから生成する。プロンプトがすべての視覚情報の唯一の源になるため、6つの要素を漏れなく書く必要がある。

• 画像から動画生成（Image-to-Video）：アップロードした画像を元に動きを加える。被写体や背景の外見はすでに画像に含まれているため、プロンプトは「何をどう動かすか」に集中できる。

• 最初と最後のフレーム指定（First-and-Last-Frame）：開始フレームと終了フレームをそれぞれ画像で指定し、AIが間のアニメーションを生成する。プロンプトは2枚の画像をつなぐ動きの論理を説明する役割になる。

入力方式によってプロンプトに書くべき内容が変わるため、まずここを決める。

2. 縦横比と尺を決める

• 縦横比：YouTube・Web用は16:9、InstagramリールやTikTok用は9:16（縦型）、フィード投稿は1:1

• 尺：多くのツールは1回の生成で5〜10秒が上限。それ以上が必要な場合は、複数の生成を編集でつなぐ前提で設計する

• 解像度：ツールが1080pと4Kのどちらに対応しているかを確認する

3. 動画の目的と視聴プラットフォームを決める

商品紹介、SNS広告、映画的な風景、研修マニュアル—用途が違えば、求められる長さ・テンポ・カメラワークも変わる。目的を先に決めると、プロンプトの優先順位が明確になる。

すべての動画AIプロンプトは6つの要素で構成できる。この構造を押さえると、指示の抜け漏れを防ぎやすくなる。

テンプレート： 被写体 ＋ 動作 ＋ 背景・シーン ＋ カメラワーク ＋ ビジュアルスタイル ＋ テクニカル設定

被写体（Subject）：誰が・何が映るか

映像のメインの対象を描写する。人物の場合は年齢・体格・服装・表情など、物体の場合は素材・色・サイズ・位置などを具体的に書く。

被写体の描写が曖昧だと、カメラアングルが変わるにつれて外見が少しずつ変化する「ドリフト」が起きやすい。特に顔と手は現行のAIモデルが苦手とする箇所のため、描写が詳細であるほど一貫性が保ちやすい。

動作（Action）：何がどう動くか

動作の指示がないと、AIは静止に近い映像を出力することが多い。 これが最も重要な要素の一つだ。

被写体の動きだけでなく、背景の動き（風に揺れる葉、流れる人混み、立ちのぼる湯気）も自動では生成されない。必要であれば明示的に書く。

動作の描写で効果的な表現例：

• 「カメラに向かってゆっくりと歩いてくる」

• 「一筋の液体が途切れずに注ぎ込まれる」

• 「上体をゆっくりと後ろに傾ける」

• 「湯気がゆらりと立ちのぼり、拡散する」

• 「ページをパラパラとめくりながら前に歩く」

「嬉しそうにしている」「エネルギーを感じる」のような感情・抽象表現はAIが映像に変換できない。内面の状態は外見の動きや表情で書き換えるのが鉄則だ。

背景・シーン（Setting）：場所・時間・雰囲気

場所、時間帯、天候、空間の規模を具体的に書く。「カフェ」ではなく「夕方の柔らかい自然光が差し込む、コンクリート打ちっぱなしの壁と木のカウンターが特徴的な小さなコーヒースタンド」のように情景が浮かぶレベルで描写すると、AIが補完する余地が減る。

カメラワーク（Camera）：ショットサイズ・アングル・動き

カメラの指定は、同じ被写体と動作でも映像の印象を大きく変える高影響要素だ。指定しなければAIが任意で選ぶため、意図と異なるカメラワークになることが多い。

よく使うカメラ用語（そのまま使える）：

ビジュアルスタイル（Visual Style）：照明・色調・雰囲気

映像全体のトーンと質感を決める。「きれいな映像」ではなく「逆光でシルエットが浮かぶ、映画のワンシーンのような映像」のように、情景が目に浮かぶ表現にする。

よく使うスタイル表現：

• 照明：「柔らかい拡散光」「ゴールデンアワーの暖かい光」「蛍光灯の冷たい白光」「コントラストの強いフィルムノワール風の照明」

• 色調：「暖色系のグラデーション」「脱彩色した土のトーン」「高コントラストのネオンカラー」

• スタイル：「シネマティック、浅い被写界深度」「ドキュメンタリー風の手持ちカメラ」「プレミアム広告のクリーンな質感」「フィルムグレインのあるレトロな雰囲気」

特定の映画や監督名を参照するより、「feel」を描写する方が精度が上がることが多い。「〇〇監督風」という指定はモデルによって解釈が大きく異なるためだ。

テクニカル設定（Technical Controls）：尺・比率・ネガティブプロンプト

細かい制御をかけるパートだ。

• 尺：「5秒のクリップ」「約8秒で生成」

• 縦横比：「9:16縦型」「16:9横型」

• ネガティブプロンプト：出力してほしくない要素のリスト

ネガティブプロンプトは多くのツールに専用の入力欄がある。使わないのはもったいない。頻出の指定をまとめておく。

品質系： ぼやけている、低画質、透かし、粒状感、過露出

人物の崩れ防止： 指が多い、手の変形、顔の歪み、服装の変化

シーン制御： カット不使用、背景の人物を増やさない、テキストなし

テキスト動画生成はゼロから映像を作るため、6つの要素を漏れなく書く必要がある。ただし、長ければ良いわけではない。構造が明確な80語のプロンプトは、内容が散漫な200語のプロンプトより精度が高くなることが多い。

5ブロックテンプレート（コピペOK）

以下のブロックを上から順に埋めていく形式が、指示の抜け漏れを防ぎやすい。

英語モデルで精度を上げたい場合は、スタイルやカメラ用語だけを英語に置き換えるハイブリッド方式が実用的だ（例：cinematic, warm tone, bust shot）。

モデルはプロンプトの冒頭を重視する

多くのモデルは、プロンプトの後半よりも冒頭の数十語を優先して解釈する傾向がある。最も伝えたい要素（被写体・動作・カメラ）を先頭に置くと、反映されやすい。

画像から動画を生成するとき、最も多い失敗は「画像に写っているものをプロンプトでも説明しすぎること」だ。

画像をアップロードした時点で、被写体の外見や背景はすでにAIに伝わっている。プロンプトで「青いドレスを着た女性が木のテーブルの前に立っている」などと書き直すと、AIが混乱して元の画像から離れた映像を生成することがある。

Image-to-Videoのプロンプトはシンプルに「動き」だけを書く。

書き方の原則

• 画像の視覚情報は再説明しない

• 「何が動くか」と「何は動かないか」の両方を書くと安定する

• カメラの動きも指定する

具体例

First-and-Last-Frame（最初と最後のフレーム指定）の場合

2枚の画像で開始と終了を決め、AIが間をつなぐ方式だ。プロンプトはその「遷移の論理」を説明する役割になる。

注意点として、開始フレームと終了フレームの色温度・照明方向・カメラ距離に大きな差があると、AIが自然につなぐことが難しくなる。 2枚の画像に視覚的な連続性があることを事前に確認しておく。

4種類のよくある用途について、改善前後のプロンプトを比較する。

商品紹介動画

改善前： スキンケア商品の広告動画を作ってほしい。

改善後：

SNSショート動画（縦型・9:16）

改善前： ライフスタイル系のリール動画を作りたい。

改善後：

シネマティック風景映像

改善前： 山の映像を作って。

改善後：

キャラクター・人物動画

改善前： 夜の街を歩く男性の動画。

改善後：

主要ツールはそれぞれ特性が異なる。同じ指示文でもツールによって解釈が変わるため、ツールの癖に合わせてプロンプトを調整すると精度が上がる。

Veo（Google）

シーンの一貫性と長尺の映像に強い。文脈を丁寧に組み立てた長めのプロンプトが有効で、カメラワークや時間構成を細かく指定するほど意図に近い映像が出やすい。

プロンプトの重点：シーンの文脈 ＋ カメラの時系列指定

Sora（OpenAI）

複雑なシーンや物理的な動きの再現に強みがある。世界の「物理法則」を理解した映像が得意で、光の反射、液体の動き、群衆のシーンなどが比較的安定する。

プロンプトの重点：物理的な動きの具体描写 ＋ 環境の詳細

Runway / Pika

ショートクリップとスタイル重視のクリエイティブに向く。スタイルワード（cinematic、anime、noir など）の指定が効きやすく、短尺・高品質の用途に適している。

プロンプトの重点：スタイルワード ＋ 被写体の動き

Kling・Hailuo（新興ツール）

日本語プロンプトへの対応度がツールごとに異なる。日本語で生成精度が低い場合、キーワード部分を英語に切り替えるハイブリッド方式を試すと改善することがある。

プロンプトの重点：まず日本語で試し、スタイル・カメラ用語だけ英語に変換

結論：精度を最優先するなら英語、扱いやすさを優先するなら日本語。最も実用的なのはハイブリッド方式だ。

英語プロンプトのメリットと注意点

多くの動画生成AIモデルは英語データで学習されているため、英語の方が指示の解釈精度が高い傾向がある。特に「close-up」「dolly zoom」「cinematic」「shallow depth of field」などのカメラ・スタイル用語は、英語で書く方が意図どおりに伝わりやすい。

ただし、英語の表現が不正確だと逆効果になる。英文が得意でない場合は、無理に全文を英語にしない方がいい。

日本語プロンプトを活かすコツ

日本語で書く場合は、情景が目に浮かぶレベルまで具体的に描写することが重要だ。「きれいな映像」「おしゃれな感じ」のような曖昧な形容詞を避け、「柔らかい逆光が被写体のシルエットを浮かび上がらせる、夕方のカフェ」のように場面を言語化する。

ハイブリッド方式（推奨）

日本語で全体の構造を組み立て、カメラワークとスタイルに関する用語だけ英語に置き換える方法が、精度と扱いやすさのバランスがよい。

パターン1：動きが少ない・ほぼ静止画になる

原因： 動作の指示が不足している。動きを指定しなければAIは静止に近い映像を選びやすい。

対処： 具体的な動詞と速度の描写を追加する。「湯気がゆっくりと立ちのぼる」「カメラが5秒かけてゆっくりズームイン」のように、何がどう動くかを明示する。ツールにモーション強度のスライダーがある場合は、それも上げる。

パターン2：人物の外見・手が崩れる

原因： 複雑な動きや手のクローズアップは、現行モデルの苦手分野だ。多人数シーンや速い動作も崩れやすい。

対処： 動作をシンプルにする。「料理人が素早く食材を刻む」→「料理人が調理台の前に立ち、両手でゆっくりと作業する」のように、1つの動きに絞り、速度を落とす。手のクローズアップが必要な場合は、そのツールがどの程度対応しているか事前に確認する。

パターン3：カメラの動きが激しすぎる

原因： 「ズームイン」「パン」のような指示には強度の情報が含まれていない。AIが任意の速度を選ぶ。

対処： 速度の修飾語を追加する。「非常にゆっくりと」「わずかに」「クリップ全体をかけて」「ミディアムショットからクローズアップの直前まで」のように、開始と終了のフレームサイズを明示するとより正確に制御できる。

パターン4：途中でシーンが変わる・カットが入る

原因： プロンプト内に複数の場所描写が混在していたり、「次に」「その後」のような時系列を示す言葉を使っていると、AIがシーンチェンジとして解釈することがある。

対処： 1回の生成は1つの場所・1つの連続したシーンに絞る。「次に〜」「その後〜」は使わない。複数の場所が必要な場合は、それぞれを別のプロンプトで生成し、編集でつなぐ。ネガティブプロンプトに「カット不使用」を加えておくのも有効だ。

パターン5：指定した終わりのフレームにならない

原因： テキスト動画生成モデルの多くは、プロンプト末尾の「〜で終わる」という指示を強制的に守る仕組みを持っていない。

対処： ツールがFirst-and-Last-Frame機能に対応していれば、その機能を使う方が確実だ。テキスト動画生成で試す場合は、終わりの描写をプロンプトの末尾ではなく冒頭に置いてみる（モデルは冒頭の情報を優先する傾向がある）。または、終わりのフレームから始まる2本目のクリップを別途生成し、編集でつなぐ方法も有効だ。

改善サイクルの原則：1回に1要素だけ変える

何かがうまくいかないとき、複数の要素を同時に変えると「どの変更が効いたか」が判別できなくなる。

1. 最小構成のプロンプトで生成し、方向性を確認する

2. 崩れている要素が被写体・背景・カメラ・スタイルのどれかを特定する

3. その1要素だけを具体化し、他は変えずに再生成する

4. 有効だったプロンプトは「型」として保存し、次回に再利用する

ショットサイズ

カメラアングル

照明スタイル

Q：日本語プロンプトと英語プロンプト、どちらを使うべきですか？

精度を最優先するなら英語だが、日本語でも具体的に書けば実用的な映像が生成できる。カメラワークやスタイルに関する専門用語だけを英語にするハイブリッド方式が、精度と手軽さのバランスがよくおすすめだ。

Q：画像から動画を生成するとき、プロンプトに何を書けばいいですか？

画像に写っているものを再説明する必要はない。「何をどう動かすか」と「何は動かさないか」の2点に絞って書くと安定した結果が得やすい。カメラの動きも忘れずに指定する。

Q：ネガティブプロンプトは必ず使うべきですか？

必須ではないが、使うと安定性が上がる。特に「低画質」「手の変形」「フレーム内のテキスト」「予期しないカット」を防ぎたい場合は、ネガティブプロンプトに追加しておくことをすすめる。

Q：プロンプトは日本語と英語、どちらが長くても大丈夫ですか？

長さより構造が重要だ。6つの要素が揃った80字のプロンプトは、内容が散漫な200字より精度が高いことが多い。また、多くのモデルはプロンプトの冒頭を優先するため、最も伝えたい情報を先頭に書くのが基本だ。

Q：同じプロンプトで複数回生成すると結果が変わるのはなぜですか？

動画生成AIには確率的な要素があるため、同じプロンプトでも毎回異なる結果が生成される。精度を上げるには、生成→評価→プロンプト改善のサイクルを回すことが基本だ。良かったプロンプトはそのまま保存し、再利用できるようにしておく。

Q：プロンプトに「シネマティック」と書くと何が変わりますか？

「シネマティック」というスタイルワードは、多くのモデルで「映画的な照明・構図・色調・被写界深度」を想起させる有効なキーワードだ。ただし、ツールによって解釈が異なるため、他のスタイル指定と組み合わせて使うと意図に近づきやすい。

動画生成AIのプロンプトは「何を作るか」を文字で書く作業ではなく、「映像をどう撮るか」を設計する作業だ。被写体・動作・背景・カメラ・スタイル・テクニカル設定の6要素を意識するだけで、曖昧な指示から具体的な設計図に変わり、出力の精度が大きく改善する。

うまくいかないときは一度に複数の要素を変えず、1回の修正で1要素だけ改善する。このサイクルを繰り返すうちに、自分のユースケースに合った「型」が蓄積されてくる。GenApeの動画プロンプト生成機能を使えば、この設計プロセスをテンプレートから始めることができる。