prompt-videos

Replicate での動画モデル向けプロンプト作成

Replicate の動画モデル向けプロンプト作成に関するブログ記事（2025～2026 年）から要点をまとめたものです。手法は特定のモデルに依存せず、応用可能な原則に重点を置いています。

記憶ではなく API を使ってモデルを選ぶ

このスキルでは、汎用的なプロンプト作成の手法を説明します。モデルを選ぶには、find-models スキルを使って Replicate API に問い合わせてください。動画モデルの状況は毎週変化します。以前見た名前をもとに、特定のモデルが存在する、または今も最先端だと思い込まないでください。必ず API で現在の選択肢を検索し、実行する前にスキーマを読んでください。

価格と機能の比較については、compare-models スキルを参照してください。

シーンの描写

優れた動画プロンプトは、キャプションではなくシーンの描写です。何が、どこで、どのように見えるかを書きましょう。

すべてのプロンプトに次の要素を盛り込む

1. 被写体：シーンに登場する人物や物（人、動物、物体、風景など）。
2. 状況：被写体がいる場所（屋内、街路、森、宇宙船の通路など）。
3. 動作：被写体が何をするか（歩く、振り返る、電話を手に取る、走るなど）。
4. スタイル：視覚的な美学（映画的、アニメーション、ストップモーション、ドキュメンタリーなど）。
5. カメラ：カメラの動き（ドリーショット、追跡撮影、固定、手持ちなど）。
6. 構図：ショットのフレーミング（ワイドショット、クローズアップ、オーバー・ザ・ショルダーなど）。
7. 雰囲気：ムードと照明（暖色系、青い光、ゴールデンアワー、曇天など）。

あいまいにせず、具体的にする

あいまい：「カーチェイス」

具体的：「夜、雨にぬれた高速道路で繰り広げられる高速カーチェイス。2 台のマッスルカーが、時速 140 マイルで激しい交通の中を縫うように走り、ヘッドライトが豪雨を切り裂く。1 台が大型トラックに接触し、火花が 6 車線に降り注ぐ。タイヤが路面にたまった水の上でハイドロプレーニング現象を起こす。ネオンの高速道路標識が頭上でぼやけて流れていく。」

詳細を盛り込む

現代の動画モデルは、長く情報量の多いプロンプトをうまく扱えます。「電話をしている男性」と書くのではなく、「使い込まれた緑のトレンチコートを着た、絶望した男性が、ざらついたレンガの壁に取り付けられたダイヤル式電話を手に取る。緑色のネオンサインが不気味に照らしている」と書きましょう。具体的な詳細を加えるほど、モデルが不適切に即興する余地を減らせます。

被写体は直接名前で示す

「赤いジャケットの女性」や「フランネルシャツを着たひげの男性」のような、描写を含む表現を使いましょう。動画モデルでも、画像モデルと同じように代名詞は曖昧になるため、避けてください。

カメラと撮影技法

動画モデルは映画制作の用語を理解します。適切なフレーミングを期待するのではなく、用語を使ってショットを指示しましょう。

ショットの種類

フレーミングを調整するには、標準的なショット用語を使います。

• ワイドショット／エスタブリッシングショット：シーン全体と環境を映す
• ミディアムショット：おおむね腰から上の被写体を映す
• クローズアップ：被写体の顔や重要な物体でフレームを埋める
• エクストリームクローズアップ：細部（目、取っ手を握る手、水滴など）を際立たせる

カメラの動き

カメラの動きを描写します。

• 固定／三脚：カメラを固定し、動かさない
• パン：カメラを左右に水平回転させる
• チルト：カメラを上下に垂直回転させる
• ドリー：カメラを被写体に向けて、または被写体から離れる方向に物理的に移動させる
• トラッキング：カメラを被写体と並行して移動させる
• クレーン：カメラを垂直に上昇または下降させる
• 手持ち：ドキュメンタリー風の揺れる動き
• ドローン／空撮：真上からのショットや、鳥瞰で広く映すショット
• ドリーズーム（ヒッチコック／めまい効果）：被写体を固定したまま、背景を引き伸ばす

カメラの位置

カメラの高さと角度を指定します。

• アイレベル：自然で中立的な視点
• ローアングル／虫の目線：被写体を見上げる（被写体を力強く、または威圧的に見せる）
• ハイアングル／鳥瞰：被写体を見下ろす（被写体を小さく、または弱々しく見せる）
• オーバー・ザ・ショルダー：別の被写体の背後から、ひとりの被写体を映す
• POV／一人称視点：カメラを被写体の目として扱う

レンズとフォーカスの表現

• 被写界深度を浅くする：被写体はシャープに、背景はぼかします
• ディープフォーカス：前景から背景まで、すべてをシャープにします
• マクロレンズ：被写界深度を浅くした極端なクローズアップ
• 広角レンズ：パースを誇張し、より多くの周囲を映します
• ティルトシフト：選択的にピントを合わせる帯域によるミニチュア効果

段階的な展開パターン

短いクリップでは、ワイドからミディアム、クローズアップ、そして極端なクローズアップへと進めるのが自然です。これは8～15秒のクリップに適しており、モデルに明確な構成を示せます。たとえば、次のようになります。

• 0～3秒：場所を確立するワイドショット
• 3～7秒：ミディアムショットで、被写体が登場するか行動する
• 7～12秒：重要な瞬間のクローズアップ
• 12～15秒：細部（手、目、雨粒など）の極端なクローズアップ

音声と台詞

多くの動画モデルは、映像と同時に音声もネイティブに生成します。必要な音声をプロンプトで指定しないと、モデルが推測しますが、間違った推測になることがよくあります。

4つの音声レイヤーをすべてプロンプトで指定する

1. 台詞：登場人物が話す内容。正確な言葉、または意図を記述します。
2. 環境音：シーンの背景音（ブリキのひさしに当たる雨音、街の交通音、森の鳥の声など）。
3. 効果音：動作に伴う具体的な音（ドアがバタンと閉まる音、ガラスが割れる音、剣を抜く音など）。
4. 音楽：ジャンル、雰囲気、楽器編成（緊張感のある映画音楽、穏やかなジャズピアノ、音楽なしなど）。

環境音を指定しないと、モデルが不適切な音を幻覚することがあります。よくある失敗例は、背景で「ライブのスタジオ観客」が笑う音を加えてしまうことです。サウンドスケープを明確に記述して防ぎましょう。「遠くのバンドの音、騒がしい人混み、にぎやかなフェス会場の環境音」のように指定します。

台詞のプロンプト指定

方法は2つあります。

• 明示的：「男性が言います：私の名前はベンです。」正確な言葉を指定できます。
• 暗示的：「男性が自己紹介します。」言い回しはモデルに任せます。

明示的な台詞は、クリップの長さに収まるよう短くする必要があります。8秒のクリップに台詞を詰め込みすぎると、不自然に早口になります。台詞が少なすぎると、気まずい沈黙やAIが生成した意味不明な音声が生じることがあります。

字幕を避ける構文

多くの動画モデルは、字幕が焼き込まれた動画で学習しており、出力にも字幕を追加することがあります。これを防ぐには、次のようにします。

• 台詞にはコロンを使います。「彼女が言います：こんにちは」とし、「彼女が『こんにちは』と言います」とはしません
• プロンプトに「(字幕なし)」を追加します
• 字幕が残る場合は、指示を繰り返します。「字幕なし。字幕なし！」

発音

モデルが名前や単語を誤って発音する場合は、プロンプトで発音を音声的につづります。たとえば、「fofr」ではなく「foh-fur」、「Shridhar」ではなく「Shreedar」と記述します。

誰が何を言うか

複数の登場人物がいるシーンでは、モデルが誰の台詞かを取り違えることがあります。台詞を特徴的な視覚的描写に結びつけます。「ピンクの服を着た女性が言います：……」「眼鏡をかけた男性が答えます：……」のように指定します。

マルチショットとタイムコードを使ったプロンプト指定

モデルによっては、1つのクリップ内で複数のショット（最大約15秒）を生成できます。タイムコードを使って、各ショットを個別に指定できます。

タイムコード形式

プロンプトにタイムスタンプを直接記述します。

[0-4s]: Wide establishing shot, static camera, misty bamboo forest at dawn
[4-9s]: Medium shot, slow push-in, the fighter steps forward
[9-15s]: Close-up, orbit shot, the fighter strikes, slow motion

各ショットでは、次の項目を指定します。

• カメラの位置と動き
• 被写体の動作
• 照明や雰囲気の変化

トランジションの表現

ショット間のトランジションを明示的に指定します。

• 急な切り替えには「ハードカットで……」
• 滑らかなトランジションには「シームレスに変化して……」
• 速く勢いのあるカットには「素早くパンして……」
• 唐突でドラマチックな変化には「スナップカットで……」

トランジションを明示しないと、モデルが独自に補います。それが意図に合うとは限りません。

例：複数ショットのコマーシャル

(0-3s) Macro shot of a luxury perfume bottle among scattered pink peonies,
       shallow depth of field, petals floating in warm afternoon light,
       soft ambient music.
(3-7s) Camera glides closer, a feminine hand enters frame from the right,
       fingers gently touch the glass bottle, the sound of silk rustling.
(7-12s) Hard cut to slow-motion spray, golden mist diffuses through the air,
        particles catching rim light against a dark background,
        the hiss of the atomizer.
(12-15s) Seamless pull-out to hero frame, product centered, volumetric
         lighting, minimal cream background, elegant silence.

参照入力

多くの動画モデルは、テキストプロンプトとともに、画像、動画クリップ、音声ファイルを参照入力として受け付けます。これにより、ワークフローは「プロンプト作成」から「演出」に近いものへと変わります。

画像から動画へ

開始画像を入力し、動きを説明します。モデルがそのフレームからアニメーションを生成します。

• 入力画像が動画の最初のフレームになります
• モデルがすでに確認できる静止シーンではなく、変化する内容（動作、カメラの動き）を説明します
• スタイルの維持は得意です。アニメ調、絵画、写真、カラーグレーディングなどがそのまま引き継がれます
• スタイルを最大限にコントロールするには、まず専用の画像モデルで開始画像を生成してから、動画モデルに渡します

最初と最後のフレームの補間

開始画像と終了画像の両方を受け付けるモデルもあります。モデルはその間の変化を生成します。次のような用途に便利です。

• 被写体間のモーフィング（例：ある動物が別の動物に変身する）
• ビフォーアフターの変化（部屋の模様替え、季節の移り変わり）
• 開始状態と終了状態が決まっている、制御された物語の展開

被写体の参照

キャラクター、製品、物体の参照画像を受け付け、生成動画でその外観を維持するモデルもあります。次のような用途に便利です。

• UGC 風の製品レビュー動画（キャラクターの参照画像＋製品の参照画像）
• 複数の動画クリップにわたるブランドの一貫性
• 既存のキャラクターを新しいシナリオに登場させる

入力アセットを参照する際、多くのモデルでは、どの参照がどの役割に対応するかを指定するために、プロンプト内で [Image1] や [Audio1] のような角括弧構文を使用します。「[Image2] is in the interior of [Image1].」のように指定します。

音声駆動型の生成

音声ファイルを受け付け、生成動画を音声に同期させるモデルもあります。モデルは次の要素を合わせることができます。

• 音声に合わせた口の動き
• 音楽のビートに合わせたカットや動き
• 環境音に合わせた周囲のリズム

音声を参照する際は、テキストプロンプト自体にも音声の内容を書き起こし、動画の長さを音声の長さに合わせると効果的です。

複数の参照を組み合わせるワークフロー

最も優れた結果は、複数の種類の参照を組み合わせることで得られます。

• キャラクターの外観を示す画像
• 動きのスタイルを示す動画クリップ
• リズムやテンポを示す音声トラック
• すべてをどのように組み合わせるかを説明するテキストプロンプト

スタイルのコントロール

スタイルを明示する

動画モデルはスタイルを表すラベルを理解します。プロンプトに直接含めてください。

• 「クレイアニメのスタイルで」
• 「ピクサーアニメーションスタイル」
• 「アニメ」
• 「ストップモーション」
• 「8 ビットレトロ」
• 「グラフィックノベル」
• 「ドキュメンタリー映像」
• 「折り紙」
• 「LEGO」
• 「設計図風の技術図面」

スタイルラベルは、見た目だけでなく、キャラクターの動きや相互作用にも影響します。クレイアニメのスタイルでは、ぎこちないストップモーションの動きになります。アニメのスタイルでは、流れるような誇張された動きになります。

品質を高めるキーワード

「超リアル、8k」や「シネマティック」のようなフレーズを使うと、モデルは最高品質の出力を目指すようになります。フォトリアルな結果が欲しい場合に使います。

映画やジャンルに関する表現

雰囲気やトーンを指定するには、特定のジャンルや映画制作スタイルを参考にします。

• 「Michael Mann の撮影スタイル」（ネオン、夜、都会）
• 「Wes Anderson」（シンメトリー、パステル、風変わり）
• 「Roger Deakins の照明」（自然主義的、精密）
• 「Blade Runner 2049 の撮影スタイル」（雰囲気のある、オレンジとティール）
• 「National Geographic のドキュメンタリー」（自然、安定した、観察的）

入力画像でスタイルを指定する

スタイルを言葉で説明するのではなく、画像モデルで望みどおりの美的表現の画像を生成してから、動画モデルに渡します。これにより、見た目をピクセル単位でコントロールできます。動画モデルは、動きを加えながらスタイル、カラーグレーディング、構図を維持します。

粒子感と質感

「少し粒子感のある、フィルム風」や「VHS の美学」を加えると、出力がAI特有の過度にクリーンな見た目から離れ、より自然な動画になります。

キャラクターの一貫性

説明をそのまま繰り返す

同じキャラクターで複数のクリップを生成する場合は、すべてのプロンプトで同一のキャラクター説明を使用します。正確な表現で「キャラクターシート」を作成します。

「John。40代の男性で、短い茶色の髪、青いジャケットと眼鏡を身に着け、物思いにふけった表情をしている」

John が登場するすべてのプロンプトに、この説明を貼り付けます。説明が具体的で独自性のあるものであるほど、結果の一貫性が高まります。

指定する項目

• 外見：年齢、髪、肌、体格
• 服装：正確な衣服、色、素材
• アクセサリー：眼鏡、ジュエリー、帽子
• 表情や雰囲気：物思いにふけった、陽気な、緊迫した

キャラクターではなくシーンを変える

一貫したキャラクターをさまざまなシナリオに登場させる場合は、アクション、場所、カメラワークだけを変更します。キャラクターの説明は、一字一句変えずに保ちます。

本人確認用の参照画像

モデルが被写体の参照画像に対応している場合は、キャラクターの鮮明な写真を入力として使用します。これはテキストによる説明だけよりも信頼性が高く、特にクリップ間で顔の特徴を維持するのに効果的です。

よくある落とし穴

1. 音声を説明しない：音声のプロンプトを省略すると、モデルが環境音を幻覚で生成します。不適切な笑い声や「ライブスタジオの観客の声」が加わるのはよくある失敗です。音の情景を必ず説明してください。

2. クリップの長さに対してセリフが多すぎる：8 秒のクリップに入るのは、短い文でおよそ 2～3 文です。段落を詰め込むと、不自然に速い話し方になったり、出力が途中で切れたりします。

3. クリップの長さに対してセリフが少なすぎる：長いクリップに数語しか指定しないと、モデルが無意味な音声や不自然な間で無音部分を埋めます。クリップの長さに合わせてセリフの量を調整してください。

4. 変更しない要素を指定しない：参照画像を使用する場合や編集を行う場合は、何を維持するべきかを必ず指定してください。明示的な指示がないと、モデルは何でも変更する可能性があります。

5. 同一のプロンプトで変化を期待する：画像モデルとは異なり、一部の動画モデルは、同じプロンプトに対して（シードが異なっていても）非常によく似た出力を生成します。バリエーションが必要なら、再実行するだけでなく、プロンプトを変更してください。

6. カメラの動きを指定しない：カメラの指示がないと、静止ショットになるか、予測不能な動きになります。カメラについて明示的に説明してください。

7. 字幕の混入：多くのモデルは、字幕が映像に焼き込まれた動画で学習しています。セリフには引用符ではなくコロンを使い、「（字幕なし）」を追加し、必要に応じて繰り返してください。

8. 複雑なシーンに曖昧なプロンプトを使う：最新の動画モデルは、長く詳細なプロンプトに対応できます。カメラの動き、照明、サウンドデザイン、被写体の動作、環境の詳細など、12 項目以上の具体的な要件を明確に記述すれば、うまく機能します。希望する内容を遠慮せずに指定してください。

9. アスペクト比と解像度を忘れる：ほとんどの動画モデルは、対応する解像度（480p、720p、1080p）が決まっています。モデルの対応状況を確認し、用途に合った解像度を選んでください。縦型動画が必要でもモデルが横型しか出力しない場合は、別のツールでリフレームする必要があるかもしれません。

10. 動画モデルにインターネットアクセスがないことを忘れる：動画モデルは、リアルタイムの情報を持っていません。学習データに基づいて動作します。現在の出来事やリアルタイムの情報を知っていると期待しないでください。

背景資料

上記のテクニックは、動画モデルへのプロンプトに関するReplicateのブログ記事をもとにまとめたものです。記事では、執筆当時に最新だった特定のモデルを取り上げていますが、テクニックは現在のさまざまな動画モデルにも応用できます。さらに詳しい情報については、以下の記事を参考にしてから、find-modelsスキルを使って、今日のタスクに適したモデルを選んでください。

• Seedance 2.0で素晴らしい動画を作る方法（2026年4月）
• Veo 3.1にプロンプトを入力する方法（2025年10月）
• 画像を使ってVeo 3にプロンプトを入力する方法（2025年8月）
• オープンソース動画が復活（Wan 2.2）（2025年7月）
• AI動画モデルを比較する（2025年7月）
• 最高の結果を得るためにVeo 3にプロンプトを入力する方法（2025年6月）