AIによる動画のプロンプトは非常に長く書かれているのに、人物は依然として顔が入れ替わったり、コップが手の中で変形したり、本来望んでいた動作がいくつかのつながりのないカットに分断されて撮影されてしまったりします。こうした問題に直面した場合、「映画感」「超高精細」「最高画質」といった要素をさらに重ねても、根本的なズレを解決できるとは限りません。

より有効な出発点は、要求を三つの問いに分解することです： 画面開始時の状態はどうか？この時間帯には何が起こるだけなのか？終了時にはどのような状態であれば合格とみなされるのか？ このチュートリアルでは、「陶芸家が片手でカップをトレイに置く」というオリジナルの事例を用い、プロンプトの確認や参考資料の準備、さらにPixPix上で追跡可能な修正フローの構築方法をご紹介します。

本記事は創作手法に関するチュートリアルです。事例に登場する人物やシーンはすべてオリジナルの架空設定であり、添付画像はAIによる静止画の解説用サンプルです。なお、PixPixでの動画生成は実施しておらず、実測による成功率やモデルランキング、効果の保証は含まれていません。

まず、問題がどの段階で起きているかを判断しましょう

「プロンプトが十分に詳細でないからだ」という理由だけで、すべての失敗を片付けてしまうのは避けましょう。 同じくコップが変形するケースでも、参考画像の輪郭がぼやけている可能性もあれば、手が大きく遮っているためかもしれませんし、現在のモデルがその接触動作をうまく処理できない場合もあります。

この表は、問題の順序を示したものであり、欠陥の原因を診断するものではありません。まずは使用上の影響が最も大きい箇所を見つけ出し、素材を変えるべきか、文章を修正するべきか、あるいはカットデザインを見直すべきかを決定してください。

オリジナルの事例に対して明確な初期状態を設定する

人物は最初に固定し、その後で動作を追加する

この事例の主人公は「林禾」という架空の陶芸家です。彼女は黒いショートストレートヘアで、オフホワイトの袖をロールアップした綿シャツ、セージグリーンのクロスベルト型エプロン、濃いグレーの長ズボンを着ており、アクセサリーは身に着けていません。動画全体では、彼女一人だけが映っています。

図注：人物素材設定のイメージ図。多視点の設定画は、複数の人物像を同時に動画の主役として扱うことを意味するものではありません。

人物の参考資料は、二つの問いに答える必要があります。すなわち、「顔は誰なのか」「服装はどのようなものか」です。多視点の設定画はアイデンティティを整理するのに役立ちますが、実際のアップロード時には、パターンの要件に従って明確な単一画像または個別参照の参考を使用し、複数の人物像エリアが複数の人間を指していると誤解されないようにしてください。

小道具にも唯一のアイデンティティが必要です。

本事例では、取っ手のない陶器製のカップを一つだけ使用します。外側はアンバー赤、内側はオフホワイト、口縁部はやや厚みがあり、表面はマット仕上げです。このカップは、淡色のオーク材製の長方形トレイの中央に置かれています。トレイは作業台の上に平らに置かれ、動作中は一切動かしません。

図注：オリジナル小道具の設定イメージであり、実際の商品構造の検証を目的としたものではありません。

ひとつのプロンプトの中で、最初に「陶器製のカップ」と呼びながら、後で「取っ手付きマグカップ」がカメラに向かって回転するような表現は避けてください。もし実際の商品の形状・色・表面模様を正確に再現する必要がある場合は、確認済みの商品写真を根拠として使用してください。

シーンをチェック可能な位置関係へと変える

作業台は人物の正面に配置され、大きな窓はカメラ左側の画外にあります。背景右奥には低い木製ラックが設置されており、その上にはオフホワイトの陶器製ボウルが三つだけ置かれています。自然光は左側から差し込み、右側には柔らかな影が残ります。

図注：初期構図のイメージ。カップは手に持ち、トレイは空の状態です。

このシーンにはこれ以上の装飾は不要です。重要なのは、スタジオ全体を逐一描写することではなく、動作に関与し、遮蔽や構図に影響を与えるアイテムを明確に示すことなのです。

「カップを置く」を別の出来事へと変える六通りの書き方

宣伝文句のみで、目に見える動作はなし

以下の文章は美的な期待を伝えつつも、カメラが何を捉えるべきかは明示していません。

高級陶芸ブランドの広告。手作りの温もり、極上の質感、映画のような演出、超高精細で迫力ある製品のプレゼンテーション。

もし目的がただカップを置くことだけなら、まずタスクを次のように簡略化できます。

林禾は右手で握ったアンバー赤の取っ手のない陶器製カップを、木製トレイの中央に垂直に静かに置きます。カップの底がトレイに触れた後、彼女は右手を離し、手を引き戻します。カメラは固定されたまま、カップとトレイを完全に捉えます。

まずはこの行為を成立させた上で、その後で光や陰影の層、環境音、あるいはより繊細な演技を追加するかどうかを判断しましょう。 スタイルワードは残してもよいですが、動作の説明までは担わないようにしてください。

冒頭で既に置いたはずなのに、「置く」を求められる

もし入力画像のカップがすでにトレイの上に安定して置かれているにもかかわらず、プロンプトで「彼女がカップをトレイに置く」と指示された場合、モデルは自ら、カップを手に取り、移動させ、再び置くまでの過程を補完しなければなりません。

二つの選択肢があります。ひとつは、カップを手に持ち、トレイが空の状態の初期画像を用意して、そのまま「置く」動作を行う方法。もうひとつは、既存の画像を活用し、「彼女の右手がカップに軽く触れ、その後離れる」という形に変更する方法です。後者は元のタスクを変更するため、新しい映像内容を受け入れる際にのみ採用すべきです。

参考画像と動作指示は連携できるものでなければなりません。 入力素材がどれほど明確であるかは、文章がどれほど明確であるかと同じくらい重要です。

同じショットで、固定・前進・周回の要求が同時に発生する

「固定カメラで撮影し、カメラをゆっくり前進させながら一周回り、最後に俯瞰に切り替える」という指示には、複数の動きとカットの要件が含まれています。これは別途設計された複数ショットのシーケンスには適しているかもしれませんが、このシンプルな動作の第一段階のテストとしては不向きです。

本事例では、まず中景を固定し、カップ・両手・トレイが常に映るようにします。動作が問題なく通過した後で、初めて小幅な前進を試みましょう。同一のラウンドでズームや周回、俯瞰を同時に組み込むことは避けましょう。

「自然に置く」と書かれていても、受け渡しの描写がない

ここで言う受け渡しとは、カップの支えが手からトレイへと変わる瞬間のことです。プロンプトには、右手でカップの下半分を握り、口が上を向くように保持し、カップの底がトレイに触れた後に指を離し、カップはトレイに残ったまま、右手は離れる、という具体的な指示を明記するとよいでしょう。

図注：接触状態の模式図。支持関係を示すためのもので、動画内の接触動作が実際に実現されたことを証明するものではありません。

各関節を複雑な機械指令として記述する必要はありません。重要なのは、各段階において物体を誰が支えているか、そして手のひらとカップ本体が依然として独立した二つの個体であるかどうかです。 もし何度も失敗する場合は、まず移動距離を短くしたり、「カップを手に持つクローズアップ」と「カップが安定して置かれた後」の二つのショットに分割してみましょう。

感情・光・背景をすべてアクティブな動きの中に詰め込む

「彼女は嬉しそうに、しかし思索にふける様子でカップを置き、逆光とトップライトが交互に差し込み、スタジオ内に設置された小道具も同時に回転し、カメラは素早くスタジオの中を駆け抜けていく」——こうした描写には、互いに競合する多くの変化が盛り込まれています。

このショットでは、演技としてはカップを下を見て確認し、安定させた後に静かに息を吐くだけにしておけば十分です。照明は左側の窓からの光を維持し、背景は静止したままにします。まずはカップを置く動作そのものを検証し、他の変化はそれぞれ目的を持ったものに留めるべきです。

一度にすべての条件を変更し、どの要素が効果的だったのかを推測する

前バージョンで手部の統合を行った場合、次回のバージョンで参照画像・モデル・モーション・フレームサイズまで一気に変更すると、結果が改善したとしても、その原因を特定するのは非常に困難になります。

まずは現行バージョンを保持したまま、最も関連性の高い項目だけを変更することをお勧めします。例えば、カップが指の間を通過する場合、まずは把持方法の説明を調整したり、移動距離を短くするといった対応から始めます。また、もしカップの外観が最初のフレームから不自然であれば、まずは参照資料を見直しましょう。 毎ラウンドごとに、保持する項目・変更する項目・観察結果を記録します。

事例をそのままテスト可能なプロンプトに整理する

以下は、画像から動画を作成する際の出発点となる一例です。人物や小道具の参照は、まず現在の設定に基づいて関連付けを行います。「林禾」はあくまで本文中のケース名であり、それ自体がモデルにこの顔を認識させるわけではありません。

既に関連付けられた参照の中から、同じショートヘアの陶芸家と、赤褐色の外壁にアイボリー色の内壁を持つ取っ手のない陶製カップを使用します。彼女はアイボリー色の袖まくりシャツ、セージグリーンのエプロン、濃いグレーの長ズボンを着用しています。

冒頭は固定された正面中景：彼女は作業台の後ろに立ち、右手でカップの下半分を握り、口元を上に向けて、底面を空の木製トレイの上に置きます。左手はトレイ脇のテーブルに置かれ、右手とは離されています。

彼女はゆっくりとカップを垂直にトレイ中央へと下ろし、底面がトレイに触れた後、右手を緩めて引き戻します。カップは直立したまま、トレイは元の位置を保ちます。彼女はカップを下を見て、動作終了後に静かに息を吐きます。

カメラは固定され、中景では両手・カップ・トレイがしっかりと捉えられます。最後はカップが安定し、右手がすでに離れた瞬間の映像で終わる予定です。

左側の窓からの光がカップ本体を安定して照らし、背景右後方の木製ラックと三つのアイボリー色の陶器碗はそのまま残ります。人物の表情・服装・カップの色や形状は一貫して維持されます。全編は一つの連続ショットです。

図注：最終構図の模式図。開始時と接触時の図とは別に生成されるもので、同一動画のフレームキャプチャーではありません。

このプロンプトは目標を示すものであり、生成の保証ではありません。 現在の入力画像がすでに外観を明確に示している場合、繰り返しの外観描写を減らし、動きや時間の変化に重点を置くことができます。一方、パターンに追加の参照が必要な場合は、必要な不変要素を残しておきましょう。

異なるモデルによって、プロンプトの習慣も異なることがあります。

PixPixでテストを行う際は、まず一つの事項を成立させることから始めます。

参照方法を選択し、次に仕様を決める

PixPixの動画作業台を開き、現在のアカウントが提供するモデルや入力モードを確認した上で、素材をアップロードまたは関連付けます。人物画像・小道具画像・背景画像をすべて同列に並べてタスクに投入しないようにしましょう：まず、どの画像が固定された人物を表し、どの画像が固定されたカップを表し、どの画像が開始シーンを定義するのかを明確に区別してください。

PixPixのMiniMax H3ページでは、テキスト・画像・動画・音声の入力方法が紹介されており、文生動画・始末フレーム・オールマイティな参照の使い分けが説明されています。公式の説明では、始末フレームは開始・終了の構図を規定するために、オールマイティな参照は人物・小道具・スタイルを固定するために使用するとされています。Seedance 2.5ページでは、マルチモーダルな参照や延長機能、タイムスタンプ編集能力が紹介されています。これらは公式の機能紹介であり、本稿での実測比較ではありません。実際の利用可能な選択肢は作業台の表示に従ってください。

初回は、現在のモードが提供する比較的短い時間枠を選び、最終的な用途に合わせたフレームサイズを設定します。まず、置く動作と手を離す動作に十分な時間を確保し、その後でより長い物語を検討しましょう。提出前に作業台に表示される仕様と消費量を確認し、チュートリアルに記載された固定ポイント数だけで現在のコストを推測しないようにしてください。

「気分が良くなった」の代わりに動作チェックシートを使う

初版を最初から最後まで再生し、オープニング、カップの底がトレイに接触する瞬間、そしてエンディングの3カ所を一時停止して確認する。 静止フレームで構造をチェックし、連続再生で動作のつながりを確認する。

1. オープニングには人物一人、コップ一つ、トレイ一つしか登場せず、コップは確かに手の中に収まっている。

2. コップは手から下へと移動し、口の向きや本体の比率に急な変化はない。

3. カップの底がまずトレイに接触し、続いて右手が離れるが、手とコップ本体が明らかに一体化することはない。

4. エンディングではコップはトレイの上に残り、右手も離れるが、画面が急にカメラアングルを変えたりはしない。

不合格項目が一つでもあれば、まずはそれを記録し、美術的な細部を急いで追加するのは避ける。繰り返し調整で解決できない欠陥については、遮蔽を減らしたり、動作を小さくしたり、カットを分割することで回避できる。

バージョンを保存し、比較可能な証拠を残す

モデル比較を行う際は、共通の入力、プロンプト、画角、時間、解像度、生成数などをできるだけ揃えるようにする。揃えない条件については個別に明示し、難易度の異なるタスクを混ぜて順位付けしないようにする。

よくある質問

プロンプトが長ければ長いほど、動画はより正確になるのでしょうか？

必ずしもそうではありません。 長さはタスクの明確さの代わりにはなりません。まず主体、初期状態、核心となる動作、カメラアングル、終了状態を確保し、その後で実際の不具合に応じて補足情報を加えます。結果に役立たない重複した形容詞は、先に取り除いておくとよいでしょう。

「変形しない、多すぎる手は不要」と書けば、それで修正できるのでしょうか？

それだけで修正が保証されるわけではありません。希望する状態を優先的に記述し、例えば「左手はテーブルに平らに置き、右手は離れた後、ゆっくりと戻す。コップは直立したまま」といった形で表現し、現行のモデルに基づいて不要な部分を説明します。なお、現在のモデルに独立した否定的プロンプト用のフィールドがある場合は、その実際の使い方に従って記入し、すべてのモデルが対応していると仮定しないでください。

画像から動画を作る場合、画像全体を繰り返し描写する必要があるのでしょうか？

機械的に繰り返す必要はありません。画像がすでに外観や構図を示している場合、テキストはその後の動作に重点を置けばよいでしょう。複数のタスクを参照する場合は、キャラクターの役割や小道具、開始画面の役割を明確に伝える必要があります。素材ではカップが安定して置かれているのに、テキストでは遠くから飛び込んでくるといった矛盾は避けましょう。

なぜ明確に指示を書いたのに、それでも失敗してしまうのでしょうか？

プロンプトは入力の一部にすぎません。参照品質、遮蔽物、動作の難易度、モデルの性能、生成時のランダム性など、さまざまな要因が結果に影響を与えます。形が崩れるたびに特定の語句が欠けているせいだと決めつけるべきではありませんし、ある語句を追加すれば必ず安定すると約束することもできません。

一度の明確な修正から始めましょう

PixPix ビデオワークベンチにアクセスし、動作とつながる開始フレームを用意して、「カップを安定させて置く」という一連の動作をまず完成させます。オープニング、接触、エンディングの三つのポイントで結果を確認したうえで、次回のバージョンではどの部分だけを修正するかを決定しましょう。

どの要求がクリアされ、どの要求が依然として失敗しているのかを明確に説明できるようになれば、プロンプトは漠然とした願望の文言から、段階的に修正可能な創作指示へと変わります。