なぜプロンプトがすべてを決めるか
テキスト→動画（T2V）と画像→動画（I2V）のモデルは、あなたのアイデアを「理解」しているわけではありません。入力された言葉を、訓練に使われた映像資料のパターンと照合しているだけです。プロンプトはモデルが受け取る唯一の指示であり、文言のわずかな違いが生成結果を変えます。「道に車が走っている」と「赤いヴィンテージカーが夕暮れの海岸道路を走行、トラッキングショット」では、同じモデルでも全く異なる 2 つのクリップになります。
この記事では、実用的な構成を紹介します。6 要素の T2V プロンプト構造、動画モデルが反応するカメラ用語、I2V プロンプトの違い、そして利用するモデルに合わせた調整方法です。
T2V と I2V：2 つのモード、2 種類のプロンプト
- T2V（テキストから動画）——被写体・アクション・場所・カメラ・光・スタイルまで、ショット全体を言葉で書きます。モデルがすべて外観を発明します。
- I2V（画像から動画）——外観を固定する静止画像を用意し、プロンプトは起きることを記述するだけです：動きとカメラワーク。
この違いが重要な理由は、言葉の役割が変わるからです。T2V ではプロンプトが絵コンテそのものです。I2V では、あなたが選んだ画像に付けた運動のメモになります。
6 要素の T2V プロンプト構成
強力な T2V プロンプトは、おおむねこの順番で 6 つの質問に答えます：
- 被写体——画面に誰（何）が出るか、具体的な詳細付き（「一人の人」ではなく「ワックス加工のコートを着た灯台守」など）。
- アクション——1 ショットにつき 1 つのメインアクション。3 つのアクションを積み重ねると、どれもかすんだ混合物になります。
- 環境と時間——場所、時刻、天気。時刻はスタイル語よりも配色を強く左右します。
- カメラ——ショットサイズ（クローズアップ、ロングショット…）、アングル（アイレベル、ローアングル…）、動き（固定、パン、ドリー、手持ち…）。どれか 1 つだけでも明記すると、モデルの推測を防げます。
- ライティングとカラー——光の質感：ゴールデンアワー、ブルーアワー、ネオン、キャンドルの灯り。さらにティール＆オレンジ、モノクロームなどの色方向。
- スタイルとムード——ビジュアル言語（シネマティック、ドキュメンタリー、アニメ、ノワール）と感情のトーン（メランコリック、緊張感、遊び心）。
完成例
上記 6 要素を組み立てた例：
「ウエストアップのミディアムショット、ワックス加工のコートを着た灯台守が海防堤を歩く、足元で波が砕ける、風でコートが揺れる夕暮れ、被写体を追うトラッキングショット、ブルーアワーの光に一本の暖色ランタンの灯り、シネマティックなフィルム質感、メランコリックなムード」
ショットサイズ、被写体、アクション、場所、時刻、カメラワーク、光、スタイル、ムード — 9 要素が 1 つも欠けておらず、各節が 1 つの役目しか持ちません。装飾の一文もありません。
動画モデルが理解するカメラ語彙
動画モデルはショット用語でアノテーションされた映像で訓練されているため、標準化された映画用語が効きます。最も使う語：
- ショットサイズ——極端なクローズアップ、クローズアップ、ミディアムクローズアップ、ミディアムショット、ミディアムワイド、全身ショット、ロングショット、極端なロングショット、真上からの俯瞰、ツーショット。
- アングル——アイレベル、ローアングル、ハイアングル、バードアイ、ワームズアイ、ダッチアングル、オーバーザショルダー、POV（主観視点）。
- カメラワーク——固定、パン、チルト、ドリーイン、ドリーアウト、トラッキング、オービット、クレーン、手持ち、ズーム。
- リズム——スローモーション、リアルタイム、ファストモーション、タイムラプス。リズムの指定は最も見落とされるレバーの 1 つです。「スローモーション」の 1 語でクリップ全体が変わります。
全部指定する必要はありません。「トラッキングショット」か「手持ち」の 1 つのカメラ決定が、3 つのスタイル形容詞より結果を大きく動かすことも多いです。
I2V プロンプトの書き方
画像→動画モードでは、静止画像がすでにプロンプトの半分です。画像が被写体・場所・配色・スタイルの大部分を固定するため、テキストでは動きとカメラのみを記述します：
- 何が起きるか：「波が押し寄せてくる、人物がランタンを掲げる」。
- カメラの動き方：「ゆっくりドリーイン」「固定機、被写体が移動」「手持ちで追う」。
- テンポ：「スローモーション」または「リアルタイム」。
記述は短く——通常 1〜2 文で十分です。画像の内容を言葉で説明し直すと、モデルがテキストと写真を混ぜ合わせ、結果がどちらにも寄りません。AI動画プロンプトジェネレーターはこのモードで前置き "Following the input image" を付け、画像で決まっているカテゴリ（ショットサイズ・カメラアングル・構図）を非表示にします。
モデルに合わせたプロンプト調整
主要な動画モデルは異なるラボから提供されています：Kling（Kuaishou）、Seedance（ByteDance）、Hailuo（MiniMax）、Wan 2.2（Alibaba）、Vidu（Shengshu Technology）、Sora 2（OpenAI）、Veo 3（Google）、Runway Gen-4（Runway）、Luma Dream Machine（Luma AI）、Pika 2.2（Pika）。プロンプト戦略は 2 点で実用的に異なります：
- 言語。中国発のモデルは中国語ネイティブです——中国語のプロンプトが最も自然に読まれます。残りのモデルは主に英語で訓練されました。モデルが最も強い言語でプロンプトを書きましょう。
- 品質フレーズ。各モデルには好みの締めフレーズがあります——Kling は「シネマティックな画質、繊細な明暗、豊かなディテール」、Pika 2.2 は "cinematic, vibrant, smooth motion, crisp detail"。正しいフレーズを付ければ、同じ選択肢でも各モデルでネイティブなプロンプトとして機能します。
ジェネレーターはこの 2 点を自動処理します：選択したモデルに合わせて出力言語を切り替え（中国語サイトでは中国発モデルが中国語出力、それ以外はすべて英語）、各モデル独自の品質テールを付加します。
AI 動画プロンプトを台無しにする 7 つの失敗
- 被写体が曖昧。「どこかに一人の人」だとモデルがキャストを発明してしまいます。画面に何が写るか具体的に。
- 複数のアクション。3 つのアクションを積み重ねるとかすんだ混合物になります。1 クリップ 1 アクションに。
- スタイルの矛盾。「ドキュメンタリー手持ち」と「豪華なスタジオルック」は相殺します。ビジュアル言語は 1 つに。
- カメラの意図がない。ショットサイズも動きも書かないとモデルが推測します。明示的に宣言を。
- 詰め込みすぎ。200 語のパラグラフはすべての指示を薄めます。30〜80 語の具体的記述のほうが長い随想より効くことが多いです。
- 言語の混在。プロンプトは 1 つの言語に。半翻訳のプロンプトはモデルを混乱させます。
- リズムの無視。スローモーションやタイムラプスが必要なら明記を。リアルタイムは黙ったままのデフォルトです。
構造でプロンプトを組み立てる
フリーテキストを書く代わりに、構造化グリッドからオプションを選ぶ方法があります。AI動画プロンプトジェネレーターは 11 カテゴリ——ショットサイズ、カメラアングルとカメラワーク、動作リズム、時間と天候、ライティング、カラーグレーディング、スタイル、ムード、エフェクト、構図——をカバーし、全オプションに参考画像を付けたうえで、カテゴリ毎の単一選択を対象モデル向けの 1 つのプロンプトに組み立てます。すべてブラウザ内で動作します：書き入れた内容はアップロードされません。