AIビデオのプロンプトミスを7つ解説：クリップの質を静かに損なう習慣とその直し方
がっかりするようなAIビデオクリップの多くは、モデルの性能不足が原因ではありません。画像生成から持ち込んだプロンプトの習慣が、そもそも動画のモーションには通用しなかったことが原因です。1枚の静止画なら形容詞の山を吸収できますが、5秒の動画ではそうはいきません。モデルはタイミング、カメラワーク、被写体の一貫性、多くの場合は音声まで同時に管理する必要があるためです。
このガイドでは、AI生成ビデオを静かに台無しにする7つのプロンプトの習慣を、ビフォーアフターの書き換え例とPixVerseでの実際の生成テストとともに解説します。Seedance 2.0、HappyHorse 1.0、PixVerse V6、PixVerse C1、Kling O3、Kling 3.0など、PixVerseで利用できるモデル間でこれらの修正方法を比較できます。根本的な問題はどれか一つのモデルに固有のものではありません。失敗のポイントが共通しているため、ほとんどのAIビデオ生成ツールで同様に現れます。すなわち、詰め込みすぎたプロンプト、あいまいなムードワード、競合するカメラ指示、実在しないネガティブプロンプト、ジッターを誘発するスピード表現、説明しすぎた参照画像、そして汎用的な品質ラベルです。
これは簡潔さのために短いプロンプトを書こうという話ではありません。プロンプト内のすべての単語に実際の役割を持たせることが重要です。よく構成されたプロンプトは、重要な情報を最初に置き、単一のモーションパスにコミットし、視覚的な一貫性を保つべき要素を守り、あいまいな好みの言葉をモデルが実際にイメージできる言葉に置き換えます。
テストの設定方法
以下の各例は、同一のベースライン生成設定と各クリップで音声をオンにした状態で、PixVerse上で生成しました。特定のモデルの技を紹介したかったわけではなく、それ以外の環境を一定に保ちながら、プロンプト自体が何をしているかを切り分けることが目的でした。6本のクリップは横長の1280x720で実行し、参照画像を使った例は縦長の商品ショットに依存するため720x1280の縦向きで実行しました。すべての出力に音声が含まれています。
各結果は、機能するプロンプトが満たすべき6つの基準で評価しました。指示への忠実度、モーションの明確さ、被写体の一貫性、カメラの安定性、音声の使いやすさ、そしてブログ記事、広告の下書き、ピッチデック、チュートリアルに実際に使える出来かどうかです。
これらは意図的にモデル横断のヒューリスティックです。現在のほとんどのビデオ生成ツールは同じ弱点を共有しています。時間経過に伴うドリフト、あいまいなモーションの手がかり、不安定なカメラパス、そして互いに静かに競合する指示です。
ここで取り上げたモデルの詳細については、Seedance 2.0レビュー、HappyHorse 1.0とSeedance 2.0の比較、Kling 3.0の解説をご覧ください。プロンプトのテストを本番パイプラインに組み込む場合は、AIビデオ生成ガイドでテキストから動画、画像から動画への自動化について解説しています。
ミス1：プロンプトの長さをコントロールの指標だと勘違いする
説明を追加すればするほど、モデルにより多くの材料を与えられるように感じます。しかし実際には、詰め込みすぎたプロンプトはたいてい、本当に重要な指示を埋もれさせてしまいます。冒頭の一文が最も重い意味を持ち、その後に積み重ねられるものはすべて、主要なアイデアを補強するどころか、モデルの注意を奪い合うことになります。
具体例：
A luxury perfume bottle in an elegant studio, beautiful lighting, cinematic reflections, premium commercial look, expensive materials, soft particles, smooth motion, refined atmosphere, high quality, delicate texture, a dramatic camera move, emotional storytelling, luxury brand energy, realistic glass, golden liquid, sparkling highlights, slow motion, elegant shadows, perfect composition, no distortion, no flicker, no bad anatomy, no messy background, no extra objects, professional video, viral ad style.
一見丁寧に見えますが、ほとんどのフレーズはあいまいであるか、前に述べたアイデアの繰り返しです。モデルはモーション、照明、ムード、反射、パーティクルエフェクト、そして山積みの品質ラベルの間で選択を迫られ、肝心の被写体がノイズの中に埋もれてしまいます。
失敗する理由： ビデオモデルはテキストを順番に読んでいくため、中心となるアクションについての最も明確なシグナルは、クリップ全体を通して最も維持されやすい傾向があります。クリップが長くなるほど時間的な一貫性はすでにモデルに大きな負荷をかけているため、これはより重要になります。これはOpenAIがビデオモデルは依然として正確な物理法則や因果関係に苦戦していると指摘している点とも一致します。主要なアイデアの後に弱い指示を積み重ねても、追加のコントロールは生まれず、ノイズが増えるだけです。
修正方法： 50〜80語程度のタイトな構成を目指します。1文目で被写体・アクション・場所、2文目でカメラとスタイル、3文目で制約条件を示します。
A clear glass perfume bottle stands on black marble as warm rim light passes through golden liquid. The bottle makes a small showcase turn, revealing a slight side edge, then settles back to center. Slow macro push-in from label height to the cap, luxury studio lighting, soft gold dust drifting behind the bottle. Ends on a stable centered frame, no text overlay, no extra objects. Audio: subtle glass movement, soft studio room tone.
テスト： PixVerse、5秒、720p、16:9、ガラスの動きとスタジオトーンの音声オン。コンパクトなプロンプトが、主要なアクションを見失うことなく、製品の同一性、抑制されたモーション、照明、カメラコントロールを維持できるかを確認したいと考えました。
結果として、ボトルはプッシュインの間ずっと中央に留まり、金色の液体はガラス越しにはっきりと見え、暖かい逆光が一つの形容詞にも頼らずにプレミアムなムードを作り出しました。短いプロンプトが自動的にあいまいなプロンプトになるわけではありません。一つの被写体、一つの抑制されたアクション、一つのカメラワーク、そしていくつかの実質的な制約を持つコンパクトな指示は、散漫な好みを並べた長いリストに常に勝ります。
ミス2：「シネマティック」を品質スイッチとして頼る
「シネマティック」はほぼすべてのAIビデオプロンプトに登場しますが、使っても最も役に立たない言葉の一つです。ホラー調の照明、ロマンチックなゴールデンアワー、ざらついたドキュメンタリー風のリアリズム、SF的な靄など、互いに何の共通点もない映画的な見た目のどれをも指し得ます。
具体例：
A retired detective walks through a rainy alley at night. Cinematic, professional, dramatic, movie quality.
これはモデルにムードを与えているだけで、見た目を与えていません。出力は暗くざらついたものから、明るく光沢のあるものまでどこにでも転びうり、どちらになるか予測する手立てがありません。
失敗する理由： 「シネマティック」のような広範な言葉は、膨大かつ互いに無関係な学習データの断片に結びついています。照明のセットアップ、レンズの特性、構図、カメラの動き、カラーパレット、あるいは特定の監督スタイルの手がかりなど、実際の映像言語を名指ししない限り、モデルはあなたが思い浮かべている「シネマティック」のどの分岐を指しているのか知る術がありません。Runwayの Gen-3 Alpha に関する研究も同じ方向を示しています。時間的に密度の高い、具体的な描写のキャプションは、あいまいなスタイルラベルよりも一貫して優れた結果を出します。
修正方法： 「シネマティック」を、照明のセットアップ、レンズの挙動、構図のルール、カラーパレットといった具体的なものに置き換えます。
A retired detective in a long dark coat walks through a rain-soaked alley at night. Slow push-in from wide shot to medium close-up, red and blue neon reflected on wet cobblestones, one-point perspective down the alley, anamorphic lens flare from practical neon signs, cigarette smoke crossing his face. Audio: rain on pavement, distant traffic, soft neon hum.
テスト： PixVerse、5秒、720p、16:9、雨と街の環境音をオン。「シネマティック」という言葉だけよりも、具体的な映画的要素を名指しした方が、より安定した雰囲気を生み出せるかを確認したいと考えました。
これがうまくいったのは、プロンプトがモデルが実際にレンダリングできるものを名指ししたからです。濡れた石畳、ネオンの反射、路地の奥へと続く一点透視、ゆっくりとしたプッシュイン、ノワール調の照明。刑事は視覚的な軸であり続け、路地の奥行きと色付きの看板がムードを作ります。このクリップが映画的に見えるのは、プロンプトがショットの見た目を描写したからであり、流行語を借りたからではありません。
ミス3：1つのショットに複数のカメラワークを積み重ねる
AIビデオモデルはカメラの指示をそれなりに追従できますが、それは支配的な動きが一つだけの場合に限られます。複数のカメラの手がかりを重ねると、たいていジッター、ドリフト、あるいはクリップの途中で意図しない切り替わりが起こります。
具体例：
A miniature magnetic train travels through a glass terrarium city. Camera pushes in, pans left, orbits around the train, tilts up through the moss towers, and adds handheld shake.
これは実際の映画のカメラワークのように読めますが、生成という観点では優先順位を奪い合う5つの別々の空間ベクトルにすぎません。モデルはそれらを順序立てるか、あるいはブレンドするかのどちらかを迫られ、どちらの経路も目に見える不安定さを生みがちです。
失敗する理由： プッシュイン、パン、オービット、チルト、ハンドヘルドシェイクは、それぞれ異なる方向のカメラの移動を表しています。それらを重ねると、モデルはどれを優先すべきか、いつ次に受け渡すべきかを推測しなければならず、そのハンドオフのタイミングでたいていぐらつきが現れます。Direct-a-VideoやMotionCtrlのようなカメラ制御システムに関する研究は、まさにこの理由から、カメラの動きと物体の動きを意図的に分離しています。一つのプロンプトに5つのカメラベクトルを同時に背負わせるべきではないのです。
修正方法： 主となるカメラの動きを一つ選び、その上に多くても一つのテクスチャの手がかりを加えます。
A miniature magnetic train glides through a glass terrarium city on a lab table, passing moss towers and condensation-beaded glass walls. Camera: one smooth lateral tracking move parallel to the train, slight handheld texture only. Train stays centered as the background slides past. Audio: soft electric hum, tiny rail vibration, water drops on glass, muffled room tone.
テスト： PixVerse、5秒、720p、16:9、音声オン。このシーンはガラスの反射、小さな建物、結露、動く列車、マクロスケールといった、カメラの混乱を誘う要素が満載で、単一の横方向のトラッキングショットで、背景がモーションのエネルギーを生み出す役割を担いながら、小さな被写体を判読可能な状態に保てるかどうかの良いストレステストになります。
結果はこのセット全体の中で最もクリーンな部類に入ります。列車はフレームの下部で判読可能な状態を保ち、苔むしたテラリウムがその背後で視差と奥行きを生み出します。プロンプトがプッシュ、パン、オービット、チルトを重ねる代わりに一つの横方向の動きにコミットしているため、カメラが自らと競合することがありません。
ミス4：存在しないネガティブプロンプトを書く
多くのクリエイターがStable Diffusionの習慣をビデオプロンプトに持ち込み、「negative: jitter, bent limbs, flicker, deformation」のような行を書きます。ほとんどのAIビデオ生成ツールには本物のネガティブプロンプト欄が存在せず、そのテキストは単なる追加のプロンプトにすぎません。
具体例：
A watchmaker repairs a floating clockwork cube under a desk lamp. Negative: jitter, bad hands, bent fingers, flicker, deformation, broken gears, unstable lighting.
これは実際には事態を悪化させることがあります。モデルは「jitter」「bent fingers」「deformation」という単語をそのままテキストとして読み取り、それらの概念を除外する代わりに、避けようとしていたまさにその連想を持ち込んでしまうかもしれません。
失敗する理由： インターフェースに専用のネガティブプロンプト入力欄がない限り、入力したものはすべて肯定的な指示として扱われます。モデルには「negative:」をハードな除外指定として捉える組み込みの概念がありません。安定性を求めるなら、安定した結果そのものを直接描写する必要があります。
修正方法： すべてのネガティブを、望ましい状態を述べる肯定的な制約に変換します。
A watchmaker uses brass tweezers to place one transparent gear inside a tiny floating clockwork cube under a warm desk lamp. Camera slowly pushes from the hands to the cube. Hands move naturally, gear edges stay sharp, the cube remains centered, and the warm lamp light stays consistent with no flicker. Audio: brass tweezers click, tiny gear tick, quiet workshop room tone.
テスト： PixVerse、5秒、720p、16:9、小さな機械音とワークショップのトーンで音声オン。手、小さな歯車、透明なエッジはいずれもアーティファクトが出やすい領域であり、明記した制約がネガティブリストと比べて実際に目に見えるエラーを減らすかどうかを確認する有用なチェックになります。
ピンセット、透明なキューブ、歯車のディテールはすべてランプの下で視覚的に分離された状態を保っています。手はカメラに近く、モデルに負荷をかけていますが、対象の挙動を直接述べること、つまり自然な手、シャープなエッジ、安定した光を述べることが、避けたいまさにその言葉を繰り返すリスクのあるネガティブリストよりもクリーンな結果を生みます。
ミス5：スピードの指示として「速い（Fast）」を使う
スピードが欲しいときに「速い」は当たり前の言葉に感じられますが、それはビデオ生成を不安定な方向へと押しやりがちです。特にプロンプトにすでに複雑なアクション、カメラの動き、複数の動く要素が含まれている場合はなおさらです。
具体例：
A longboarder rides fast down a mountain road, fast camera, quick turns, fast motion blur, dynamic speed, intense action, rapid movement.
これでは被写体、カメラ、エフェクト、シーンのタイミングすべてが同時に加速するよう求められ、モデルはその負荷の下で解剖学的な正しさ、物体の形状、カメラパス、背景の一貫性をまとめて保持しなければなりません。
失敗する理由： スピードは単なるスタイルの言葉ではなく、時間的な要求です。「速い」を求める代わりに、スピードを視覚的に示す物理的な証拠、圧縮された姿勢、飛沫のパターン、伸びる背景の軌跡、制御されたカメラフレーミングを描写します。
修正方法： 「速い」を具体的なモーションの物理法則に置き換えます。
A downhill longboarder leans into a rain-slick mountain road curve, knees compressed, back hand hovering inches above the asphalt. Each wheel throws a thin spray of water outward as roadside reflectors stretch into soft background trails. Camera holds low beside the board in one steady tracking shot. Helmet and jacket remain stable. Audio: wheels humming, wet road hiss, wind pressure, one board carve.
テスト： PixVerse、5秒、720p、16:9、音声オン。ここでの問いは、物理的なモーションの言葉が、5つのものを同時に加速させるようモデルに求めることなく、スピードを伝えられるかどうかです。
結果は「速い」という言葉ではなく、物理的な証拠を通してスピードを伝えています。低いカメラアングル、濡れた路面の反射、圧縮されたライディング姿勢、水しぶきが組み合わさり、ライダーとボードを完全に判読可能な状態に保ちながら、下り坂の速さを感じさせています。
ミス6：すでにアップロードした参照画像を再度説明してしまう
画像から動画への作業では、アップロードした写真にすでに写っているものをすべて繰り返すと矛盾が生じます。画像にすでに構造のしっかりしたスポットライトの下の黒いハンドバッグが写っている場合、プロンプトが少し違う言葉で同じバッグを再び描写すると、モデルは同一の被写体に対して二つの指示、つまりピクセルとテキストを持つことになり、両者の間の食い違いがドリフトを招きます。
具体例（image-to-videoプロンプト）：
A black leather handbag with a curved handle, silver clasp, structured body, stitched panels, and dark studio background sits under a dramatic spotlight.
これらすべてがすでに参照画像に写っている場合、このプロンプトはモデルに対して、本来はただ保持すべきディテール、つまりシルエット、素材、装飾要素、さらには背景までも再解釈するよう誘っているようなものです。結果としてこれらが変化する可能性があります。
失敗する理由： 参照画像はそれ自体すでに強力な指示です。目に見える被写体を再度描写すると、実際に存在するものとピクセル単位で一致しない可能性のある第二の指示チャンネルを開いてしまいます。この場合、プロンプトの役割は画像が示せないもの、つまりモーションとカメラの挙動をカバーすることです。
修正方法： image-to-videoでは、プロンプトを3つの役割に限定します。モーションの指示、カメラの指示、そして一つの一貫性のルールです。
Keep the reference object completely intact. Add a gentle camera push-in from the current framing while a narrow highlight slowly travels across the visible surface. Preserve the exact silhouette, materials, decorative details, background, lighting direction, and composition from the reference image. Audio: soft display-room tone, faint glass resonance, subtle fabric rustle.
テスト： PixVerse、5秒、720p、9:16縦向き、微妙な素材の音とルームトーンで音声をオンにしたimage-to-video。これがうまくいくのは、参照画像がすでにその物体を定義しているからです。プロンプトは意図的に色、形、素材を再描写することを避け、モデルに隠れたメカニズムを発明させるようなことは求めていません。
ハンドバッグはそのシルエット、留め具の位置、持ち手の形、レザーの質感を保ち、暗いスタジオの背景もそのままに、カメラとハイライトがすべてのモーションを供給しています。参照主導の商品ビデオでは、プロンプトにおける抑制がしばしば野心よりも重要になります。
ミス7：プロンプトを汎用的な品質ワードで埋め尽くす
「amazing」「beautiful」「high quality」「epic」「professional」といった言葉はAIビデオプロンプトに絶えず登場しますが、方向性を示す情報はほとんど持っていません。これらは非常に多様な種類の出力に結びついた高頻度のラベルであり、信頼できるコントロールにはつながりません。
具体例：
An amazing, beautiful, epic festival scene with high quality visuals, stunning motion, professional lighting, and perfect composition.
これはモデルに、出力が良いものであるべきだと伝えているだけで、この特定のシーンにおいて「良い」が実際に何を意味するかは伝えていません。
失敗する理由： 「epic」だけでも、雄大な風景、戦闘、輝く空、巨大なスケール、劇的なスコア、スローモーション、ファンタジーの鎧など、多くのものを意味しえます。形容詞を目に見える具体的なものに置き換えない限り、モデルがあなたの意図したものを推測する方法はありません。
修正方法： すべての汎用的な形容詞を、名指しできる目に見える手がかり、つまり構図、照明のセットアップ、レンズの仕様、カラーパレット、素材の挙動に置き換えます。
A night kite festival unfolds on a white salt flat covered by a thin mirror of water. Three translucent kites shaped like deep-sea creatures float overhead, blue-green bioluminescent ribs pulsing under the fabric. Low-angle slow push-in from ankle-height reflections to the nearest kite tail, wide-lens feel, cyan-magenta color contrast, lanterns along the horizon. Audio: fabric flutter, taut string vibration, shallow water footsteps, distant crowd murmur.
テスト： PixVerse、5秒、720p、16:9、布の音、足音、群衆の環境音で音声オン。目標は、具体的な視覚的手がかりが、汎用的な品質ワードよりもスタイルの一貫性を保てるかどうかを確認することでした。
出力は核となるアイデア、つまり塩湖の反射の上に浮かぶ、光るあばら骨を持つ半透明の生物型の凧を保持しています。カメラアングルは要求された足首の高さのフレーミングよりも少し高い位置に着地したため、忠実度は完璧ではありませんでしたが、視覚的な同一性は「beautiful epic festival」だけで生み出せるものよりもはるかに強いものでした。具体的な名詞、照明の手がかり、色の関係性は、一貫して好みの形容詞に勝ります。
2つの完全なプロンプトの分解
修正前： 「未来都市についてクールでシネマティックなAIビデオを作って。美しく、リアルで、ドラマチックで、高品質で、バズるようにして。」——これはミス2とミス7を重ねているだけで、被写体、アクション、カメラパス、最終フレームといった軸となる要素が何もありません。
修正後： 「未来都市を映す6秒のリビール映像。カメラは雨に濡れた通りの上を低く滑るように進み、青いホログラムの看板が路面に反射している。1機の配送ドローンがレンズの近くを通過し、ガラスタワーへと上昇していく。滑らかな前方トラッキング、クールなブルーのパレット、タワーの入り口の暖かい光、柔らかい雨、遠くの交通音、ドローンが1回通過する。」
修正前： 「ロングボーダーが山道を猛スピードで駆け下り、車をよけ、倒木を飛び越え、火花の中を滑り抜け、ドローンショットに切り替わり、車輪のクローズアップに切り替わり、ヘルメットの反射に切り替わり、最後にロゴと花火で締めくくる、すべて5秒以内で、速いカメラワーク、完璧な音。」——これはミス1、3、4、5を一つの詰め込みすぎた文にまとめてしまっています。
修正後： 上のミス5と同じロングボーダーの修正——一つのアクション、一つのカメラワーク、肯定的な制約、具体的な音声の手がかり。
再利用可能なプロンプトテンプレート
このかたちをデフォルトの出発点として使ってください。
[被写体] + [一つのアクション] + [場所]。[一つのカメラワーク] + [具体的なスタイル、レンズ、照明、または構図]。[肯定的な制約：何を安定させるべきか、何を排除すべきか、音声が必要かどうか]。
例：「陶器のコーヒーカップが暗い木のテーブルの上に置かれ、湯気がゆっくりと渦を巻きながら立ち上る。ゆっくりとしたマクロプッシュイン、暖かいタングステンのサイドライト、浅い被写界深度、静かな朝のカフェの背景。カップの形は安定したまま、テキストオーバーレイなし、音声には柔らかいルームトーンとかすかなスプーンの音を含む。」
まとめ
より良いAIビデオプロンプトは、長いプロンプトではなく、よりクリーンなプロンプトです。被写体、アクション、場所を前面に出しましょう。「シネマティック」や汎用的な品質ワードを、目に見える具体的な手がかりに置き換えましょう。単一のカメラワークにコミットしましょう。実在しないネガティブプロンプトを避け、肯定的な制約を選びましょう。「速い」を物理的なモーションのディテールと交換しましょう。image-to-videoでは、参照画像に再描写させるのではなく、その役割を果たさせましょう。
これらの修正方法は、現在のほとんどのAIビデオ生成ツールに当てはまります。なぜなら、時間的なドリフト、あいまいなスタイルのサンプリング、カメラのジッター、被写体の一貫性の欠如、過負荷なモーション指示といった、同じ根本的な弱点を標的にしているからです。PixVerseなら、同じプロンプトをSeedance 2.0、HappyHorse 1.0、PixVerse V6、PixVerse C1、Kling O3、Kling 3.0の間でツールを切り替えたりワークフローを作り直したりすることなくテストできるため、これを実践に移すのが簡単です。
よくある質問
AIビデオプロンプトを本当に良くするものは何ですか？ 良いプロンプトはモデルに明確な狙いを与えます。被写体、アクション、場所、一つのカメラワーク、目に見えるスタイルの手がかり、そしていくつかの肯定的な制約です。「黒い大理石の上のガラスの香水瓶、ゆっくりとしたショーケースの回転、暖かいリムライト、安定した反射」は、「シネマティックで高級な商品ビデオ」よりも常に優れた結果を出します。
AIビデオプロンプトはどのくらいの長さにすべきですか？ ほとんどのテキストから動画へのプロンプトでは、50〜80語が確実な出発点です。被写体、アクション、場所を先に述べ、その後にカメラワーク、照明、モーションのディテール、音声を加えます。あいまいな冒頭の一文は、その後にどれだけ言葉を加えても救われることはめったにありません。
なぜ「シネマティック」はプロンプトの言葉としてうまく機能しないのですか？ 広すぎて何か具体的なものを指し示すことができません。目に見える映画的な言語に置き換えましょう。「35mmのハンドヘルドの感触」「ネオンの反射がある雨の路地」「ゆっくりとしたドリーイン」「強いバックライト」「背景の暖かい実用光」などです。
AIビデオ生成ツールは本物のネガティブプロンプトに対応していますか？ 一部のツールには専用のネガティブプロンプト欄がありますが、標準的なプロンプト欄は通常すべてを指示として読み取ります。代わりに肯定的な制約を書きましょう。「手は自然な動きを保つ」「カメラは安定したままである」「背景は空のままである」「製品のシルエットは保たれる」などです。
被写体を変えずにimage-to-videoでプロンプトを書くにはどうすればいいですか？ アップロードした画像にすでに写っているものを再度描写しないでください。プロンプトは画像が示せないもの、つまりモーション、カメラの挙動、照明の変化、音声、そして一つの一貫性のルール（「参照物体をそのまま保つ、穏やかなプッシュインを加える、シルエットと素材を保持する」）に使いましょう。