マルチショットAIショートフィルムワークフロー:1本の脚本から見られる完成映像まで
まず脚本を「ショットリスト」に分解する。ひとまとまりの文章をそのままモデルに投げない
多くの人が最初につまずくのは、脚本を分解していないことだ。「主人公が雨の街を歩きながら過去を思い出す」という一文をそのままモデルに渡すと、出てくる映像のショット構成はバラバラになる——カットを入れるかどうかをモデルが勝手に決めてしまい、こちらには制御権がまったくない。
確実なやり方は、まずドキュメント上にショットリストを作り、各カットについて「尺、ショットサイズ(ロング/ミドル/クローズアップ)、カメラワーク(プッシュ/プル/パン/トラック/固定)、被写体の動き、光の雰囲気」を書き出すことだ。たとえば「00:00-00:04 固定ミドルショット、主人公が雨の中の街灯の下に立ち、腕時計に目を落とす、寒色系のトーン」といった具合だ。
Seedance 2.5 のようにタイムライン形式のプロンプトに対応したモデルを使っているなら、このショットリストはほぼそのままプロンプトに翻訳できる——00:00-00:05にカメラワーク、00:05-00:10に動作を書く、という具合だ。実行精度は現時点で中国系モデルの中でも最も安定しており、特に中国語のプロンプトは翻訳による目減りがないため、武侠風・中華風の題材は特に書きやすい。海外モデルを主力にしているなら、Veo 3.1 は参照画像による制御とキャラクターの一貫性を明確に強化しているので、脚本を書く際に各カットの「参照画像」もあわせてメモしておくとよい。テキストによる説明だけに頼らないということだ。
ショットリストを作る工程は一見「無駄な」時間に見えるが、実際に節約できるのはその後のモデル再生成にかかるコストだ——脚本が具体的であるほど、一発で決まる確率は上がる。
先にコンセプトアートを作っておくと、動画モデルが崩れにくくなる
ここ数年、マルチショットワークフローで広まってきた習慣のひとつが、テキストからいきなり動画に飛ばず、まず絵コンテのコンセプトアートやキャラクター設定画を1ラウンド作り、人物の見た目・衣装・シーンの色調を先に固めてから、そのイメージを画像生成動画に使うというやり方だ。
理屈はシンプルだ。「赤いジャケットを着たショートヘアの女の子」というテキストの説明は、カットごとにモデルが解釈する「赤いジャケット」や「ショートヘア」に微妙なブレが出ることがあり、数カット重ねるうちにキャラクターの見た目がズレていく。しかし先に顔と服装を固定したキャラクター設定画を1枚作っておき、以降のすべてのカットで同じ参照画像を使って続けていけば、一貫性は目に見えて向上する。
自分がマルチショットのプロジェクトをやるときは、コンセプトアートとキャラクター設定画の工程は基本的に PixPix を使っている——生成速度もスタイルのコントロールもやりやすく、しかも画像生成と動画生成の両方に対応しているので、コンセプトアートが決まったあとにツールを行ったり来たりする必要がなく、同じフローの中でそのまま続けられる。中間工程がかなり省ける。
シーンの絵も同じ考え方だ。まず固定カメラのシーンコンセプト画像を1枚作り、光と空間の関係を先に決めておく。そうすれば以降のカットでカメラ位置やショットサイズを変えても、土台となる世界観は同じままで、観客に「これらのカットは別の物語のようだ」と感じさせずに済む。
カットごとの生成:1カット1回勝負、一発で決まると期待しない
カットごとの生成に入るときは、心構えとしてひとつ受け入れておく必要がある。マルチショットのナラティブ表現において、一発で満足のいく結果を保証できるモデルは現時点で存在しない。特に複雑な動作や複数の被写体が絡むカットではなおさらだ。
実践としては、各カットにつき最低2パターンのプロンプトを用意することを勧める——1つは保守的なもの(動きの幅が小さく、構図もシンプル)、もう1つはより攻めたもの(カメラワークが複雑で動きの幅も大きい)。保守版は保険として使い、攻めた版がうまく仕上がればもうけものだ。
尺については、Kling 3.0 のように延長機能に対応したモデルなら、まず10秒の基本バージョンを出し、気に入ればそこから延長していける。分単位まで延ばすことも問題なくでき、長回しのブロッキングが必要なシーンに向いている。一方 MiniMax H3 は人物の演技やカットの「監督っぽさ」で評価が高く、価格も手頃で、無料枠も大きいため、予算は限られているが複数のクローズアップカットが必要なプロジェクトに向いている——コストを気にせず何パターンも試せる。
見落とされがちなポイントとして、1本の短編では基本的にすべてのカットを同じモデルで統一したほうがいい。あるカットが特定のプロバイダー独自の機能にどうしても依存する場合を除いて(たとえばキャラクターにセリフを言わせる必要があるなら、そのカットだけ Veo 3 や Sora 2 を個別に使う、といった具合)。複数のモデルを混ぜて出したカットは、画風や色調を揃えるのが非常に難しく、後工程のカラー補正でも救いきれないことが多い。
トランジションの繋ぎ:カット同士をどう繋げば違和感が出ないか
AI生成のカットには本質的な問題がある。それぞれのカットが独立して生成されるため、カメラ位置・光・色温度の設定が同じでも、細部にはどうしても揺らぎが出る。そのまま硬いカットで繋ぐと「場面が飛んだ感じ」になりやすい。
いくつか実用的なテクニックがある。1つ目はファーストラストフレームによるリレー——前のカットの最後のフレームを切り出し、次のカットの開始参照画像としてモデルに渡すことで、少なくとも画面のトーンと被写体の位置は揃えられる。Veo 3.1 の複数参照画像制御はこの用途で特に使いやすい。2つ目は、カメラの繋ぎよりも動作の繋ぎを優先すること——脚本を設計する段階で、前のカットの動作の終わりと次のカットの動作の始まりが1つの連続した物理的動作になるようにする(たとえば前のカットが「手を上げてドアを押す」で、次のカットが「ドアが開く」で始まる、といった具合)。観客の注意は動作そのものに引っ張られるため、画面の細部が完全に一致しているかどうかにはあまりこだわらなくなる。
編集ソフトでも従来の手法をセーフティネットとして使うのを忘れないこと——フェードイン/フェードアウト、軽いモーションブラーのトランジション、あるいは一瞬の暗転カットなど、いずれもAI生成カット同士の継ぎ目を隠すのに役立つ。「モデルが直接生成したトランジションのほうが従来の編集テクニックより優れている」と思い込む必要はない。この2つは補完関係であって、置き換え関係ではない。
音声・音楽:サウンドのラインだけは最後まで放置しない
音声と音楽は脚本段階から並行して計画しておくべきで、映像がすべて出来上がってから「ここにどんな音楽をつけようか」と考え始めるのはよくない——それではリズムが合わない、感情が噛み合わないといった問題が起きやすい。
コンテンツにキャラクターのセリフが含まれる場合、音声と映像を同期生成できるモデルを使えば後工程の手間が大幅に減る。Veo 3 と Sora 2 はどちらもセリフとリップシンクを一発で同期させて生成できるため、別途音声を録ってトラックを合わせる必要がない。ただし主力の生成モデルがネイティブなセリフ対応をしていない場合(たとえばカットの精度を重視するタイプのモデル)、従来のやり方をたどるしかない。音声生成ツール(BGMにはSunoのような音楽生成ツール、セリフには声優かTTSツール)で音声トラックを個別に生成し、編集ソフトに読み込んで手動でタイミングを合わせる。
環境音についてはむしろ簡単で、現在の主流の動画モデルの多くはネイティブに効果音の生成機能を備えており、風の音、足音、環境ノイズは基本的に映像と同期して出てくるため、追加の作業はほとんど不要だ。浮いた労力はBGMの感情の起伏に多く割くとよい——マルチショットの短編のリズム感は、映像編集そのものよりもBGMが担っている部分が大きいことが多い。
編集の仕上げ:バラバラのカットを1本の完結した映像にまとめる
素材がすべて揃ったら、編集段階でやるべきことは実質3つだけだ:色調を統一する、リズムを整える、字幕を入れて仕上げる。
色調について:前段階でできる限り1つのモデルですべてのカットを統一していても、生成ごとに色温度には微妙な差が出る。編集ソフトでLUTを一度通す、あるいはホワイトバランスを手動で微調整することが、映像全体を「1人が撮ったように見せる」ための最後の保険になる。
リズムについて:余白を軽視しないこと——AI生成のカットは情報密度が高くなりがちで(動きの幅も画面の細部も詰め込まれがち)、カットが速すぎると観客はむしろ疲れてしまう。静止した「呼吸のカット」を1つ2つ適度に残しておくと、全体の見やすさがかなり改善する。
最後の字幕と仕上げのパッケージングは、通常の編集ソフト(CapCut、Premiere、DaVinciなどどれでもよい)で十分対応できる。ここは特にAIを介在させる必要はない——マルチショットワークフローの本当の技術的な核心は、脚本、コンセプトアート、カットごとの生成、トランジションの繋ぎという前段階にある。編集の仕上げはむしろ実行力の問題だ。このフローを一度きちんと固めてしまえば、次の作品にも流用でき、制作効率が明らかに上がっていく。