HiAPI
ブログ

使用ガイド

Gemini Omni Flash 参照画像からの動画生成プロンプト:開発者向けにそのままコピー&ペーストできるレシピ

複数参照画像の並び順、被写体の一貫性、カメラワークの表現、duration と resolution ティア、そしてネガティブリスト——実行可能なリクエスト付き

Nov 17, 2026
エディトリアルなカバーアート:深いパイングリーンの背景に、大きなプリズムがフラットなセージグリーンとミストグリーンの面に分割された、鮮明な幾何学的構図。
このページの内容

参照画像からの動画生成がプロンプト設計に実際にもたらす変化

テキストからの動画生成では、モデルが被写体・服装・環境・光・動きのすべてをゼロから創造する必要がある。参照画像からの動画生成は、この契約を反転させる。モデルに渡すのは「何か」の大部分にすでに答えている画像であり、プロンプトの役割は「どう」——被写体がどう動くか、カメラがどう振る舞うか、ショットがどれだけ続くか、そして何を絶対に出現させてはならないか——へと狭まる。

実際の帰結として、テキストからの動画生成向けのプロンプトの習慣はここではむしろ逆効果になる。被写体の外見を長々と描写する段落は参照画像と競合し、モデルにそれらを平均化させて凡庸で汎用的な結果へと誘導する。「シネマティック、エピック、ドラマチック、スイーピング」といった強調のための形容詞の積み重ねは、具体的な指示一つに比べてほとんど情報を持たない。そして人物の顔や製品の正確な形状を言葉で描写するプロンプトは、文章とピクセルが互いに矛盾するため必ずドリフトを生む。

保つべきメンタルモデル

各参照画像を一つの制約、プロンプトをスケジュールと見なそう。制約が語るのは誰が、何が。スケジュールが語るのはいつ、どこで、どう動くか。画像がすでに示している内容を再記述する文を書いていることに気づいたら、それを削除しよう。カメラと動きについての文をゼロしか書いていないことに気づいたら、それは本来言葉で語るべき部分の説明が不足している証拠だ。

API を呼ぶ前に有用なチェックがある:参照画像を隠して、プロンプトを読んでみる。それはこれらの具体的な入力に対するリクエストとして依然として成立するか?もし単独のテキストからの動画生成プロンプトのように読めるなら、書きすぎて注釈が足りない。

本ガイドでは、画像の並び順、被写体の一貫性、カメラワークの表現、ティアの選択、ネガティブリストを順に解説し、最後に hiapi API 上の gemini-omni-flash/reference-to-video 向けの実行可能なリクエストを示す。

テキストからの動画生成は一つの入力を画面へ送り込む。参照画像からの動画生成は複数の画像参照と一つのプロンプトを単一の出力へ収束させる——これは別の種類の、設計すべきメンタルモデルだ。

複数の参照画像を整理する

二枚以上の参照画像を渡すとき、順序と注釈はプロンプトの長さより重要だ。モデルはどの画像が出力のどの側面を支配するのかを知る必要があり、それを伝える最も経済的な方法は各スロットに一つの役割だけを割り当てることだ。

スロットごとに一つの役割

信頼できるパターンはこうだ:まず被写体、次に被写体を修飾するもの(服装、製品バリエーション)、その次に環境、最後にスタイル。各画像は一つのタスクだけを担うべきだ。もし一枚の画像がキャラクターの顔とキャラクターが立つ部屋の両方を同時に担うことを期待されているなら、両者が衝突したときモデルはどちらが勝つかを推測するしかない。

プロンプト内で役割を明示し、渡す画像の順序に合わせて書く:

Image 1: the character (face and hair).
Image 2: the jacket the character wears.
Image 3: the room the character stands in.
Image 4: the color and lighting style to apply overall.

プロンプト内で画像に番号を振り、それをリクエストペイロードの順序と一致させることは、複数参照プロンプトにおいて最も費用対効果の高い習慣だ。ペイロードの順序を入れ替えるときは、同じ編集の中でプロンプトのテキストも入れ替えよう。

役割が衝突するときは優先順位を明示する

衝突は起こる。二枚の画像がどちらも背景を含んでいるかもしれない。環境画像に人物が写っているかもしれない。そうした場合、モデルが自力で推論することを期待せず、一行で優先順位を述べる:

Use the face from Image 1. Ignore any people in Image 3; Image 3 is the room only.

より少なく、よりクリーンな参照画像が、より多くに勝る

参照画像が一枚増えるごとに、モデルが同時に満たさなければならない制約が一つ増える。もし四枚目の画像がスタイルを追加するだけで、そのスタイルが一つのフレーズで表現できるなら、フレーズの方を優先しよう。役割が明確に注釈された四枚は、役割が重複する八枚にたいてい勝り、失敗の診断も容易になる。

各参照スロットは最終画面内の一つの役割へマッピングされる——順序と重みがモデルの優先順位を決める。

ショットをまたいで被写体の一貫性を保つ

複数クリップにまたがる一貫性は、同じ参照画像のセットを再利用し、同じ役割注釈を引き継ぎ、プロンプトの中でショットを描写する部分だけを変えることから生まれる。参照画像を入れ替えた瞬間、下流のすべてのプロンプトを再調整しなければならない。参照画像を固定しておけば、新しいショットはそれぞれ小さく独立した実験になる。

安定したアイデンティティブロック

ある被写体のすべてのプロンプトに逐語的にコピーする短いヘッダーブロックを書き、その下にショット固有の指示を追加する:

Subject: the character from Image 1, wearing the jacket from Image 2.
Keep face shape, hair length, and jacket color identical to the references.

このブロックは決して変わらない。その後に続くもの——カメラワーク、アクション、duration——はすべて変数だ。この構造により、ドリフト問題が参照画像に起因するのか言葉遣いに起因するのかを一目で見分けられる。なぜなら言葉遣いはそのまま保たれているからだ。

外見ではなく変化を描写する

ショットが被写体に何かをさせることを求める場合、被写体の特徴ではなく、アクションとその結果生じる変化を描写する:

The character turns from facing the window to facing the camera; the jacket stays the same.

「stays the same」や「unchanged」のようなフレーズは安価で効果的なアンカーだ。最初のショット以降は、顔や製品の輪郭をテキストで再描写するのは避けよう。参照画像がすでにその情報を運んでおり、追加のテキストはノイズを増やすだけだ。

平均化の失敗に警戒する

被写体がやや凡庸に仕上がる——特徴がぼやけ、色が混ざる——場合、たいていの原因は同じ役割を争う重複した参照画像が多すぎるか、プロンプトが画像の上にさらに外見を詳細に描写していることだ。解決策は形容詞を追加することではなく、参照画像を削除し外見描写の文を削ることだ。

モデルが従うカメラワークの表現

カメラワークはプロンプトが最も失敗しやすい箇所であり、失敗のパターンはほぼ常に同じだ:一つのショットで複数の動きを指定すると、モデルは一つを選ぶか、それらを混ぜるか、あるいはゆっくりしたドリフトを生み出して結果的にどれも満たさない。

ショットごとに一つの明確な動き

プロンプトごとに書くカメラの挙動は一つだけ。まず動きを名指しし、次にその対象を指し示す:

Camera: slow push in toward the character.
Camera: static, locked off. The character moves; the camera does not.
Camera: orbit clockwise around the product, roughly a quarter turn.
Camera: pan left, following the character as they walk.

固定カメラも動くカメラと同様に明示する価値がある。カメラの言葉を省略すると、モデルが要求されていないドリフトを加えるかもしれない。「static, locked off」は制約であり、無駄な言葉ではない。

積み重ねの結果

「Slow push in while orbiting and slightly zooming」は、互いに部分的に打ち消し合う三つの制約として読める。ショットの意味を担う一つの動きを選ぼう。二つ目の動きが必要なら、それは二つ目のクリップに入れて編集時に繋げる——一度の生成に二つのことを求めるより経済的だ。

テンポは動きとともに

速度に修飾語を一つ添えるのは有用だ——「slow」「steady」「fast」——なぜならそれはショットの尺の中でどれだけ動くかをモデルに伝えるからだ。同じ動きの周りに速度や情緒の形容詞を二つ以上付けても情報は増えない。カメラの言葉は一文に収め、各プロンプトの決まった位置——たいていは末尾——に置こう。そうすればプロンプトの束をざっと見るだけで各ショットが何をするか即座に把握できる。

ショットごとに一つのクリーンな動き——プッシュ、オービット、パン——を固定された被写体を囲む積み重ねのない一本の経路として描く。

書く前に duration と resolution のティアを選ぶ

duration と resolution は、書き上げたプロンプトに後からかぶせる設定ではない。それらはプロンプトが表現すべき内容を変える。まずこの二つのティアを決め、それから書き始めよう。

duration は動きの密度を変える

短いショットは一つのビートしか収められない:単一の動き、または単一のアクション。長いショットは一回の状態変化を収められる——振り向き、露わになること、入場。長いショット向けのプロンプトを書いたのに短いショットでレンダリングすると、アクションは判別できないほど圧縮される。短いショット向けのプロンプトを書いたのに長いショットでレンダリングすると、モデルはドリフトで埋める。

経験則:短いショットは一ビート、長いショットは一状態変化。一つのレシピが二ビートを必要とするなら、単一のプロンプトを引き伸ばすのではなく、二回の生成に分けよう。

resolution は構図の許容度を変える

より高い resolution ティアは、被写体が明確で背景がごちゃつかない、クリーンでシンプルな構図を要求する。細かいディテール——ジュエリー、製品上の小さな文字、織物の質感——は上限ティアでのみはっきりと読み取れる。低いティアでこれらを求めても、結果はどろどろの塊だ。逆に、ショットが小さな被写体を含む広角の全景なら、低いティアでは被写体が完全に失われる。

ティアをショットが依存するディテールに合わせよう:製品のクローズアップや顔のアップのキャラクターショットには高いティアを、広角の環境プレートにはより低いティアを使える。ここが参照画像の品質が上限を定める箇所でもある——出力の解像度は参照画像を超えない。

ティアをプロンプトファイルに書き込む

コード内では、duration と resolution をプロンプトのテキストと並ぶフィールドとして保持し、コメントに散らばせないようにしよう。以下のレシピでは、リクエストボディがそれらを明示的に運ぶので、プロンプト自体は内容と動きに集中できる。

プロンプトと対立せずに瑕疵を修正するネガティブリスト

ネガティブリストは絶対に出現させてはならないものの小さな集合だ。その用途は繰り返し現れる瑕疵を抑えることであり、動画生成に対する不満をすべて列挙することではない。

短く、具体的に

四から六項目が有用な範囲だ。各項目は、自分の出力で実際に見た具体的で目に見える失敗を一つ名指しすべきだ:

Negative: extra fingers, warped face, text overlays, watermark, flickering lighting, duplicate subject.

このリストは実際の失敗パターン——手の瑕疵、アイデンティティのドリフト、不要な字幕、時間方向の不安定さ——に対処しつつ、モデルが調和させなければならない新しい概念を持ち込まない。

なぜ長いリストは逆効果になるのか

長いネガティブリストは、ポジティブプロンプトと語彙を共有するものを名指ししがちだ。ポジティブプロンプトが夜景を求めているのに「no dark, moody lighting」と書くと、モデルは予測不能な形で解決する矛盾を抱え込む。同様に、出現すべきでない物体を多く列挙すると、その物体がシーンに漏れ出す。ネガティブ項目はそれぞれモデルが能動的に処理しなければならない概念だ。二十項目のリストは、物事を台無しにするチャンスが二十回あるということだ。

バッチ全体で安定させる

あるネガティブリストがある被写体に対して有効だとわかったら、それを凍結しよう。同じイテレーションでポジティブプロンプトとネガティブリストを両方変更すると、修正や回帰の原因を特定できなくなる。一度に一つの変数だけを、ポジティブプロンプトから始めてイテレートしよう。

そのままコピー&ペーストできる、実行可能なリクエスト付きのレシピ

各レシピは一つのプロンプトと、gemini-omni-flash/reference-to-video 向けのリクエストボディだ。参照ファイルのパスは自分の画像に置き換えよう。duration と resolution はリクエスト内のフィールドとして運ばれる。現在提供されているティアはモデルページを確認してほしい。

レシピ 1:キャラクター、安定したアイデンティティ、単一の動き

Image 1: the character (face and hair).
Image 2: the jacket the character wears.

Subject: the character from Image 1, wearing the jacket from Image 2.
Keep face shape, hair length, and jacket color identical to the references.
Action: stands still, looking slightly off-camera.
Camera: slow push in toward the character.
Negative: extra fingers, warped face, text overlays, flickering lighting.
curl -X POST https://api.hiapi.ai/v1/video/generations \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-omni-flash/reference-to-video",
    "prompt": "Image 1: the character (face and hair).\nImage 2: the jacket the character wears.\n\nSubject: the character from Image 1, wearing the jacket from Image 2.\nKeep face shape, hair length, and jacket color identical to the references.\nAction: stands still, looking slightly off-camera.\nCamera: slow push in toward the character.\nNegative: extra fingers, warped face, text overlays, flickering lighting.",
    "references": ["character.png", "jacket.png"],
    "duration": "short",
    "resolution": "high"
  }'
import requests, os

prompt = """Image 1: the character (face and hair).
Image 2: the jacket the character wears.

Subject: the character from Image 1, wearing the jacket from Image 2.
Keep face shape, hair length, and jacket color identical to the references.
Action: stands still, looking slightly off-camera.
Camera: slow push in toward the character.
Negative: extra fingers, warped face, text overlays, flickering lighting."""

r = requests.post(
    "https://api.hiapi.ai/v1/video/generations",
    headers={"Authorization": f"Bearer {os.environ['HIAPI_API_KEY']}"},
    json={
        "model": "gemini-omni-flash/reference-to-video",
        "prompt": prompt,
        "references": ["character.png", "jacket.png"],
        "duration": "short",
        "resolution": "high",
    },
)
print(r.json())

レシピ 2:製品オービット

Image 1: the product, front view. Image 2: the product, side view.
Image 3: the surface it sits on.

Subject: the product from Images 1 and 2, resting on the surface from Image 3.
Keep shape, color, and proportions identical to the references.
Action: the product is motionless.
Camera: orbit clockwise around the product, roughly a quarter turn.
Negative: duplicate product, warped edges, text overlays, flickering lighting.

レシピ 1 と同じリクエストボディ構造を送り、references に三つの項目を入れ、ショットがエッジのディテールに依存するため高解像度ティアを使う。

レシピ 3:環境、固定カメラ

Image 1: the room.
Image 2: the lighting and color style.

Scene: the room from Image 1, lit and graded as in Image 2.
Camera: static, locked off. Nothing in frame moves except a faint drift of dust in the light.
Negative: people, text overlays, watermark, flickering lighting.

固定された環境プレートは最もコストの低い有用なクリップであり、最も検証しやすい——出力内の被写体形状の瑕疵は、ネガティブリストを厳しくする必要があることを即座に示す。

レシピを調整する

自分のすべてのプロンプトでこれらのセクションラベル(Subject:、Action:、Camera:、Negative:)を保とう。これらのラベルはモデルにとって魔法の言葉ではないが、あなたが守るべき規律を強制する:参照画像ごとに一つの役割、ショットごとに一つの動き、そして短く的を絞ったネガティブリスト。

出力を検証し素早くイテレートする

生成された各クリップを、決まった順序で二つの問いでレビューしよう。第一:被写体は参照画像に一致しているか?第二:動きは要求した単一の動きに一致しているか?この二つのチェックで大半の失敗は捉えられ、順序が重要だ。なぜならアイデンティティの問題はたいてい先に直さないと、動きの問題が見えてこないからだ。

何かを変える前に失敗の原因を帰属させる

被写体がドリフトするとき、原因はほぼ常に参照画像か役割注釈だ——役割の重複、画像が一枚多い、あるいは外見描写の文がピクセルと競合している。動きが誤っているとき、原因はほぼ常にプロンプトのカメラ行か、duration ティアとビート数の不一致だ。構図が濁っているのに被写体と動きが正しいときは、resolution ティアが容疑者だ。

同じイテレーションでプロンプト、参照画像、ティアを同時に変更すると帰属が壊れ、推測するしかなくなる。一度に一つ変え、再レンダリングし、比較しよう。

すべてのイテレーションを記録する

各レシピについて簡単な記録を残そう:順序どおりの参照画像リスト、プロンプトのテキスト、duration と resolution のティア、そして一行の結論。これにより一週間後の失敗も診断可能になり、プロンプトライブラリを一回限りの実験の山ではなく、既知の良好な出発点の集合に変えられる。レシピが安定したら、それを凍結し、その場で編集するのではなく新しいショットをそこから分岐させよう。

リクエストボディがパラメータ化されていれば、ループ全体——プロンプトのレシピ、リクエスト、クリップのレンダリング、結論、単一変数の変更——はすぐに回る。上のレシピから始め、自分の参照画像に置き換え、検証ループにチューニングを任せよう。

永続的なAIアーティファクトで開発を始める

APIキーを取得して、タスクベースの1つのAPIで画像・動画・音声モデルを呼び出せます。

APIドキュメントを読む