AIアニメ動画生成：一文が720コマになるまで

生成ボタンを押したあとに起きること

毎秒24コマの30秒のクリップは、720枚の画像です。生成AIはアニメーターのように1枚ずつ順番に描くのではなく、クリップ全体をひとつのつながったものとして作ります。だからこそ、無関係な絵がチカチカ入れ替わるのではなく、動きがなめらかに続くのです。

プロンプトは、4つのことについての指示として同時に読まれます。画面に何があるか、どう動くか、カメラがどう振る舞うか、全体がどんな見た目か。指定しなかった部分は、統計的にいちばんありふれたもので埋められます。期待はずれの結果のほとんどは、これで説明できます。モデルが失敗したのではなく、伝えられていなかっただけなのです。

数分から、Proプランなら最長20分の長いお話では、最初にお話全体を始めから終わりまで計画するので、キャラクターも舞台も作品全体を通して同じままです。

結果を本当に変える設定

長さ

数秒から5分まで、Proプランなら最長20分まで、または自動。これは技術的な判断というより表現上の判断です。15秒未満なら一瞬の場面、30秒なら導入・展開・オチを入れる余裕があり、数分ならひとつのお話がまるごと入ります。ひとつの静かなアイデアに長い時間を求めると、間延びした感じになります。実際に間延びしているからです。

画面比率

YouTubeやWebサイトには16:9、ショート、TikTok、リールには9:16、フィード投稿には1:1、さらに4:3、3:4、21:9があります。後から切り抜くのではなく、生成前に選びましょう。生成AIは渡された画面に合わせて構図を作るので、切り抜くとその構図が台無しになります。元の画像や動画を渡すと選択より優先され、出力はそのファイルの形になります。

解像度

手早い下書きには480p、SNSやWeb向けの完成品には720p、プランによってはさらに高い解像度があります。ここには賢い使い方が隠れています。まだ迷っている間は480pで試し、決まったものだけを最高画質で作るのです。費用が抑えられ、構図の判断はどちらのサイズでも同じです。

音声

音は映像の下に敷くのではなく、映像と一緒に生成されるので、足音は踏み出すタイミングで鳴り、セリフは口の動きと合います。すでにサウンドトラックのある編集に組み込む場合を除き、オンのままにしておきましょう。

思いどおりに導く方法

3つの習慣がほとんどの仕事をします。

形容詞ではなく動詞を書く。「元気で楽しそうなキツネ」は雰囲気を伝えますが、動きを伝えません。「キツネが荷物を3つスクーターに積み、エンジンをふかして画面の外へ走り去る」と書けば、動かすべき流れが伝わります。動きは行動から生まれます。

カメラを固定する。カメラが何をするか書かないと、画面は漂います。「固定の引きの画」や「ゆっくり寄る」と数語書くだけで、よく聞く「ふわふわする」という不満のほとんどがなくなります。

2〜3つの身体的特徴でキャラクターを固定する。青い目と緑の目、へこんだ左肩、毛糸のマフラー。こうした手がかりを頼りに、モデルは最初のコマから最後のコマまでキャラクターを同じに保ちます。

まだできないこと

知らずにつまずくより、先に計画に入れておきたい限界が3つあります。画面内に描かれる文字——看板、ラベル、字幕——は崩れることが多いので、無地の面でデザインし、本物の文字は後から編集ソフトで加えましょう。録音済みの声にコマ単位で合わせることは指定できません。そして、何十もの別々のカットでピクセル単位まで同じキャラクターを保つことはまだ確実にはできませんが、参考画像を使えば驚くほど近づけます。

それ以外は、欲しいものをどれだけ正確に説明できるかの問題です。AIアニメ動画メーカーでは、テキスト、画像、最初と最後のコマ、複数枚の参考画像、動画の延長、動画の編集という6種類の入力を、同じスタジオで使えます。