AI動画プロンプトのオカルトと科学：運任せから、生成品質の体系的向上へ

あなたは「猫が窓辺で日向ぼっこしている」というプロンプトを書いた。AIが返してきたのは、猫型のモザイク画が何か分からないものの上に座っている動画。5回書き直しても結果は毎回違い、「使える」ものは一度もない。あなたは疑い始める——AI動画って運次第なのか？ なぜ他の人は同じモデルで映画レベルの映像を作れるのに、自分は「猫」すら成立させられないのか？ 焦らなくて大丈夫。あなたの運が悪いのではない。まだAI動画プロンプトの根本ロジックをつかんでいないだけだ。

---

一、まずAIがどうやってプロンプトを「読む」のかを理解する

AI動画モデルは、あなたのプロンプトを「理解」しているわけではない——確率マッピングをしているのだ。

「猫が窓辺で日向ぼっこしている」と書いたとき、AIは次の動きをする。

• 「猫」「窓辺」「太陽」を、学習データの中にある対応する視覚的特徴にマッピングする
• 「〜で」「日向ぼっこ」を空間関係と照明パターンにマッピングする
• 潜在空間上でそれらの特徴を組み合わせ、すべての条件を満たす映像シーケンスを生成する

重要な洞察：AIは語彙の種類ごとに「理解精度」が異なる。

語彙タイプ	AIの理解精度	例
物の名詞	★★★★★ 最高	猫、車、机、コップ
色・素材	★★★★☆ 高い	赤い、金属、ガラス、ファー
光の条件	★★★★☆ 高い	日差し、逆光、ネオン、柔らかな光
空間関係	★★★☆☆ 普通	〜の上、隣、通り抜ける
動作の記述	★★★☆☆ 普通	歩く、走る、振り向く、落ちる
感情・雰囲気	★★☆☆☆ 低い	悲しい、静か、緊張した
抽象概念	★☆☆☆☆ 最低	自由、未来、愛

つまり、プロンプトの「意味の重心」はAIが最も得意とする精度の高い語彙に置き、精度の低い語彙は補助的な修飾として使うべきだ。逆にしてはいけない。

---

二、プロンプトの黄金構造：五層のタマネギモデル

プロンプトを1つのタマネギと考えよう。内側から外側まで五つの層がある。各層が一つの課題を解決し、それが積み重なっていく。

[第1層：主体] → フレーム内に何があるのか？（名詞）
[第2層：動作] → 主体は何をしているのか？（動詞）
[第3層：環境] → どこか？ 光は？ トーンは？
[第4層：カメラ] → どう撮るのか？ 画角は？ カメラワークは？
[第5層：スタイル] → 質感は？ テイストは？ アスペクト比は？

完全な例：
[オレンジの猫] [木製の窓辺でゆっくり背伸びをし、尻尾をゆっくり振る]
[午後の日差しが左の窓から斜めに差し込み、木の床に暖かな光の斑点が映る]
[ミディアムショットから猫の顔のあたりまでゆっくり寄る]
[映画的な色調、浅い被写界深度、フィルムグレイン、8mmレトロ風、1080P]

各層の書き方の原則

第1層——主体（必ず正確に）：

• ✅ 「オレンジの短毛猫」＞「猫」
• ✅ 「白いシャツを着た若いアジア人女性」＞「人」
• ❌ ぼんやりした指示は避ける：「誰か」「何か」

第2層——動作（必ずシンプルに）：

• ✅ 「ゆっくり顔を向ける」＞「顔を向ける、背伸び、前足を舐める、飛び降りる」
• 黄金ルール：1つのプロンプトには1つの芯となる動作だけを書く。 複数の動作を入れるとAIの注意力が分散し、どの動作も中途半端になる
• 速度を表す修飾語が非常に重要：「ゆっくり」「素早く」「スローモーション」——速度を書かなければ、AIは標準的な中くらいの速度を選ぶ

第3層——環境（シーン＋光＋トーン）：

光のテンプレート（どれか一つ選ぶ）：
- 自然光：「午後の黄金色の日差し」「曇りの日の柔らかい散乱光」「早朝の冷たい青い光」
- 人工光：「暖色のテーブルランプが45度の角度から差し込む」「ネオンライトが下から照らす」
- 特殊な光：「逆光でシルエットになる」「サイド光が質感を際立たせる」「トップライトで重苦しい雰囲気」

トーンのテンプレート(どれか一つ選ぶ)：
- 「映画的なトーン」（高コントラスト、暖色の暗部）
- 「日本の透明感のあるトーン」（低彩度、青緑寄り）
- 「サイバーパンクトーン」（青紫＋マゼンタ、高彩度）
- 「フィルムの暖色トーン」（黄味寄り、柔らかいハイライト）

第4層——カメラ（画角＋カメラワーク）：

画角の早見表：
- エクストリームクロースアップ → 顔面、商品のディテール
- ミディアムショット → 人物の上半身、日常的な会話
- ワイドショット → シーン全体の把握、環境の語り
- トラッキングショット → 主体に寄り添って移動
- ハイアングル / 俯瞰 → 上から撮影する神の視点

カメラワークの早見表：
- 静止 → 「固定カメラ」
- 前進 → 「ゆっくり押す（スロープッシュイン）」
- 後退 → 「ゆっくり引く（スロープルアウト）」
- 横移動 → 「水平パン」
- 周回 → 「主体の周りを回る（オービット）」

第5層——スタイル（質感＋フォーマット）：

スタイルのパラメータ（組み合わせて使う）：
- 質感：「4K」「映画級」「フィルムグレイン」
- スタイル：「フォトリアル」「アニメ風」「水彩画風」
- 特殊：「浅い被写界深度」「マクロ」「タイムラプス」
- フォーマット：「1080P」「9:16縦画面」「16:9ワイド」

---

三、モデルごとのプロンプトの好み

同じプロンプトでも、モデルによって結果に大きな差が出る。学習データとアーキテクチャの好みが違うからだ。

Kling 3：中国語ネイティブ、「語彙頻度」重視

Kling 3 は、5つのモデルの中でも中国語の理解が最も得意だ。よく使われる中国語表現と、明確な構図の指示を好む。

Kling 3向けのイメージ：
オレンジの猫が窓辺にうずくまり、日差しの中で目を細めてうたた寝している。
映像は穏やかで温かみがあり、毛が日差しに照らされて輝いて見える。
カメラがゆっくり猫の顔のクローズアップに寄り、ヒゲのディテールまで分かる。
暖色トーン、1080P

ポイント：高頻度の言葉を多用する。「穏やか」「温かい」といった雰囲気を表す語彙もKlingはよく理解する。

Veo 3.1：画質の最高峰、「物理的正確さ」重視

Veo 3.1 は物理的なリアリティの再現で他モデルを圧倒するが、プロンプトにはより「技術的」な記述が必要だ。

Veo 3.1向けのイメージ：
オレンジのトラ猫が木製の窓辺で眠っている。
ゴールデンアワーの光が窓の左側から差し込む。
光の束の中に、漂う埃の粒子が見える。
猫の毛は一本一本が判別でき、光が毛先に当たる部分ではサブサーフェススキャタリングが見られる。
カメラをゆっくり押し込む。浅い被写界深度、絞りF2.8。
シネマティックなカラーグレーディング、フォトリアル、1080P

ポイント：物理現象（埃の粒子、サブサーフェススキャタリング、F値）を記述すると、Veoはその技術パラメータを理解する。

Seedance 2.0：マルチモーダルの王者、「参照アンカー」重視

Seedance 2.0 の核心的な強みは、<画像N>構文とマルチモーダル参照である。プロンプトでは、参照画像を活用して記述負担を減らすべきだ。

Seedance 2.0向けのイメージ：
<画像1>の猫が、<画像2>の窓辺でゆっくり背伸びをする。
光は<画像2>の窓の方向から差し込む。
猫の動きは自然で、毛の質感は<画像1>と一致している。
ミディアムショット、浅い被写界深度、1080P

ポイント：画像で伝わる情報は文字で繰り返さない。
テキストは「動き」と「変化」に集中させる。

Sora 2：物理エンジン、「動きの連続性」重視

Sora 2 の物理的なリアリティは、内蔵された物理シミュレーション能力によるものだ。プロンプトでは運動プロセスの記述を重視する。

Sora 2向けのイメージ：
猫が窓辺に沿って歩く。一歩ごとに慎重に足を置く。
猫はゆっくり頭を外に向ける。
尻尾を一度振ってからおさめ、耳を前に向ける。
10秒間のショット全体で動きを途切れさせない。
自然な窓からの光、フォトリアル、1080P

ポイント：連続した運動のプロセスを記述する。Soraは長時間にわたる自然な動きの維持が得意だ。

MiniMax：速度優先、「シンプルさ」重視

MiniMax は短時間で映像を出すのが得意だが、プロンプトは極限まで簡潔に——長すぎるとむしろ問題が出る。

MiniMax向けのイメージ：
オレンジの猫が窓辺で日向ぼっこ、うたた寝。暖かい光、浅い被写界深度、1080P

ポイント：短ければ短いほど良い。核となる要素が伝われば十分。

---

四、「運任せ」から「再現可能」へ：プロンプト調整システムを構築する

ステップ1：「バージョン記録」の習慣を作る

生成のたびに、「プロンプトのバージョン＋モデル＋結果の評価」を記録する。

| バージョン | プロンプトの主な変更点 | モデル | 評価 | 問題 |
|------|-------------|------|------|------|
| v1 | 「猫」 | Kling 3 | 2/5 | 猫の品種が安定しない |
| v2 | 「オレンジの短毛猫」 | Kling 3 | 3/5 | 動きがかたい |
| v3 | v2 + 「ゆっくり顔を向ける」 | Kling 3 | 4/5 | 背景が雑然としている |
| v4 | v3 + 「無地の白背景」 | Kling 3 | 5/5 | ✅ |

ステップ2：「失敗パターン」を見分ける

失敗するたびに、どのタイプの失敗パターンに当てはまるかを分類する。次からは避けられる。

失敗パターン	症状	根本原因	解決策
主体が曖昧	画面に何が写っているのか分からない	主体の記述が具体的でない	物体の詳細（品種、素材、色、形状）を増やす
動作がカクカク	動きがけいれんしたようで不自然	動作の記述が複雑すぎる	単一動作＋速度を表す修飾語に絞る
画面が雑然	背景の要素が混乱している	環境への制約が不足	背景と空間関係を明確にする
人物の顔が変わる	同一人物なのにカットごとに顔が違う	キャラクターを固定する要素がない	Seedance 2.0 の <画像N> で一貫性を保つ
画質が劣化	映像の途中で画質が落ちる	動きの幅が大きすぎる	動きの速度を下げ、カメラワークを減らす
色彩がずれる	映像の途中で色調が次第に変わっていく	光の記述が不安定	冒頭と末尾のフレームの両方で光の条件を明示する

ステップ3：プロンプト部品ライブラリを作る

検証済みの「使える表現」をストックしておき、次からそのまま呼び出せるようにする。

# ライトライブラリ
「golden hour backlight」→ ゴールデンアワーの逆光。暖かみのある雰囲気に
「soft diffused window light」→ 柔らかい拡散窓光。人物や商品に
「neon street lighting with rain reflection」→ ネオンの街灯＋雨の反射。サイバーパンク風に

# カメラワークライブラリ
「slow gentle pan left to right」→ 左から右へゆっくりなめらかにパン。安全な動き
「subtle breathing movement only」→ 呼吸しているかのような微細な動きのみ。最も安全な商品展示の動き
「smooth 15-degree per second rotation」→ 毎秒15度のスムーズな回転。商品展示の標準速度

# トーンライブラリ
「Kodak Portra 400 color palette」→ コダック Portra 400 のトーン。レトロな暖色
「Wes Anderson symmetrical pastel」→ ウェス・アンダーソン風の左右対称で淡いパステル
「Blade Runner teal and orange」→ ブレードランナー風のティール＆オレンジの補色コントラスト

---

五、シーン別プロンプト早見テンプレート

シーン1：商品紹介

[商品名 / 商品説明] を [無地やシンプルな背景] の上で [ゆっくり回転させる/パンする]。
[重要な素材] の [光沢 / テクスチャー] が [ライト] の下ではっきり見える。
カメラ [動かし方]、[画角]、[トーン]、1080P

シーン2：人物のナレーション

[年齢] の [性別]、[外見の特徴]、[服装]。
[シーン] で [単一の動作] をする。 [感情 / 表情]。
[光の条件]、[雰囲気の記述]。
[画角]、[トーン]、1080P

シーン3：風景 / つなぎ映像

[場所 / シーン] の [時間帯 / 天気]。
[メインの視覚要素] が画面の中で [位置 / 動き]。
[光の特徴]、[雰囲気]。
[画角（通常はワイド）]、[トーン]、[特別効果（タイムラプス等）]、1080P

シーン4：抽象 / アート

[中心となる視覚的メタファー] で [抽象的な概念] を表現する。
[色] と [形] の [変化のさせ方]。
[スタイルの参照]、[質感]。
[アスペクト比]、1080P

---

六、究極の心法：良いプロンプトは「足し算」ではなく「引き算」

初心者にありがちな間違いは、プロンプトは長ければ長いほど良いと思い込み、思いつく言葉を全部詰め込んでしまうことだ。

真実：不正確な修飾語を一つ増やすたびに、AIの意味空間にノイズの次元が一つ足される。

❌ 羅列型：
かわいいオレンジの短毛猫。とても癒やされる。暖かく居心地の良い木製の窓辺の上。
日差しが降り注ぎ、猫は気持ちよさそうにのんびり背伸びをしている。
近くには観葉植物もあり、窓の外は青空と白い雲、小鳥が飛んでいる。
映像はとても美しく温かく、映画の質感。日本の透明感のある雰囲気が欲しい。
理想的には浅い被写界深度で背景をぼかすこと。1080P

✅ 精錬型：
オレンジの短毛猫が木製の窓辺でゆっくり背伸びをし、尻尾が少しだけ巻いている。
午後の日差しが左の窓から斜めに差し込み、光の斑点が猫の背中と窓辺に落ちる。
カメラはゆっくり猫の顔に寄る。浅い被写界深度、背景はすっきりと。
暖色の映画的なトーン、1080P

両者の差は文才ではない——「情報密度」の差だ。 精錬版は7〜8文字ごとに1つの正確かつ有効な情報が入っている。羅列型は20文字ごとに1つの曖昧な情報しかなく、間はノイズで埋まっている。

この公式を覚えておこう。

生成品質 = プロンプトの情報密度 × モデルとのマッチ度 ÷ 意味ノイズ

---

まとめ

AI動画プロンプトはオカルトではない。分解でき、最適化でき、再利用できる工学だ。

五層のタマネギ（主体→動作→環境→カメラ→スタイル）、モデルごとの特性（Klingは中国語表現、Veoは技術的記述、Seedanceはマルチモーダル、MiniMaxはシンプルさ）、失敗パターンの把握——これらのフレームワークを使えば、「そのまま使えるカットができる割合」を20%から60%以上に引き上げられる。

最終的な心法は、わずか八文字に集約される。精を良くし、多すぎを避け、少なくて本質を外さない。

早速 Tomato AI を開いて、先ほどのテンプレートで以前「失敗した」プロンプトを書き直してみよう。同じイメージを頭の中に描いていても、足りないのは想像力ではない——「AIに通じる言葉へ翻訳する」能力だ。そしてこの能力は、今この瞬間から、学習可能なモジュールへ分解されている。