開発者がそのままコピーできる Veo 3.1 Fast 画像から動画へのプロンプトレシピ

なぜプロンプト構造が言い回しより重要なのか

ほとんどの画像から動画へのプロンプトが失敗するのは、言葉遣いが間違っているからではなく、同時に変化する変数が多すぎるからです。形容詞を1つ変えるだけでカメラのドリフトの仕方が変わり、どこを変えたせいなのか分からなくなります。固定されたプロンプトの骨組みがこの問題を解決します。生成を制御された実験に変えるのです。

各プロンプトを4つの独立したブロックとして扱います。主体、最初のフレームの動きの手がかり、カメラの言い回し、音声の手がかり、さらに短い制約ブロックです。ある動画がおかしくなったら、1つのブロックだけを変えて再実行します。主体が崩れたなら動きの手がかりだけを触ります。カメラが平凡に見えるならカメラの行だけを触ります。これがデバッグとギャンブルの違いです。

この構造はプロンプトを移植可能にもします。ある最初のフレーム向けに調整したレシピは、フィールドの位置が変わらず値だけが変わるので、次の素材にそのまま移せます。

レシピの解剖：各プロンプトに含まれるフィールド

本ガイドのすべてのレシピは同じ5つのフィールドを同じ順序で使います。各フィールドが何を制御するかを理解すれば、当て推量に頼らず自分でバリエーションを組み立てられます。

主体

最初のフレームですでに見えている内容についての、短く具体的な記述です。これはアンカーであり、再想像ではありません。物体、その素材、最も安定した視覚的特徴を指し示します。1文に収めます。画像にすでに机の上の赤い陶器のマグカップがあるなら、そのままそう言います——キッチンを描写してはいけません。

最初のフレームの動きの手がかり

ここが多くの人が間違えるフィールドです。ゼロフレーム目から何が動くべきか——どの要素が、どの方向に、どのリズムで——を宣言します。漠然としたシーン描写ではなく、画像に見えている部分に結びついた単一の動作として書きます。

カメラの言い回し

仮想カメラの振る舞いを別の行で説明します。プッシュイン、ドリー、オービット、手持ちのドリフトなど。カメラ言語はほとんどの動きの形容詞よりも映像の体感エネルギーに影響するので、主体の文に埋め込まず独立したフィールドにします。

音声の手がかり

見えている動きに伴うべき音を描写します。ドアが閉まる、足音、風が布をかすめるなど、目に見える出来事に結びつけます。「シネマティック」や「エピック」といった情緒的な言葉ではありません。

ネガティブ制約

避けるべき内容を短く列挙します。テキストのオーバーレイなし、余分な手足なし、シーン切り替えなし。短く保ちます。肥大化したネガティブリストはあなたのポジティブな指示と競合します。

最初のフレームの動きに関するそのままコピーできるレシピ

これらのパターンは、静止画像を提供し、その画像からアニメーションを成長させたい場合を想定しています。動きの手がかりの行として貼り付け、角括弧の部分をあなたの主体に置き換えてください。

主体がフレームに入る

[主体] が左端からフレームに入り、ゆっくりと移動して中央付近で静止する。 最初のフレームに主体が占めることのできる空白がある場合に使います。動きに方向性があり、一度見れば簡単に検証できます。

主体がフレームから出る

[主体] が右端へ向かってドリフトし、一定の歩行速度でフレームから外れる。 トランジションやカットの締めのビートに適しています。出る動きは入る動きより制御しやすく、目的地が明確で曖昧さがありません。

主体が変形または状態変化する

[主体] がゆっくりと形を変える——[具体的な変化、例：布が波打ってから落ち着く]——その場に留まりながら。 変化する正確な部位を指し示します。曖昧な変形リクエストは溶けるようなアーティファクトを生みますが、部位を特定すればモデルの集中を保てます。

主体が反応する

[主体] の頭部が光源の方へわずかに向き、その後静止する。 最初のフレームがすでに注意をほのめかしている場合——顔、動物、キャラクター——反応の手がかりはよく効きます。反応は小さく単一にします。

上記4つのパターンすべてで、手がかりを1文・1つの主要動作に抑えます。同じ行に2つの動作を重ねることが、動画が不安定に見える最も一般的な原因です。

カメラの言い回しに関するそのままコピーできるレシピ

カメラの言い回しは主体の振る舞いとは独立して映像の体感を形作るため、別の行にする価値があります。これらのパターンは静的な最初のフレームとよく合います。

ゆっくりしたプッシュイン

カメラ：[主体] へゆっくりプッシュイン、横方向の移動なし。 最も安全なデフォルトです。新しい幾何構造を導入せず意図を加えるので、動きの手がかりと衝突しにくいです。

ドリーで後退

カメラ：[主体] からドリーで後退し、周囲の空間を明かす。 最初のフレームがタイトで、環境を見せたい場合に使います。静止した主体と組み合わせます。

アークオービット

カメラ：[主体] の周りを穏やかなアークで約30度、一定速度でオービットする。 オービットは3次元的な見え方をもたらしますが、主体の背後にある欠落したディテールを露呈する可能性があります。最初のフレームが完全な環境をほのめかしている場合にのみ使います。

手持ちドリフト

カメラ：手持ちドリフト、胸の高さで構えているようなわずかな垂直の揺れを伴う。 ドキュメンタリー的なエネルギーを加えます。揺れは微細に保ちます——大きな手持ちの動きは繊細なディテールをぼやけさせがちです。

実用的なルール：各プロンプトにはカメラ指示を1つだけ与えます。同じ動画でプッシュインとオービットの両方が欲しいなら、2つのショットを生成して編集で繋ぎます。競合するカメラ用語は、ドリフトしたぼやけた映像を得る最短の道です。

ネイティブ音声に関するそのままコピーできるレシピ

音声プロンプトは、目に見える動作によって引き起こされる音を描写するときに最もよく効きます。モデルは見えるものにしか同期できないので、すべての音声リクエストを画面内の何らかの出来事に結びつけます。

動作に固定された環境音

音声：穏やかな室内の暗騒音、[目に見える動作、例：ページをめくる] の音を伴い、画面上の動きに一致する。 最も信頼できるパターンです。動作が音声に時間的なアンカーを与えます。

ビートに合わせたインパクト

音声：[主体] が定位置に収まったときに柔らかなインパクト音が鳴り、その後静かになる。 動きの手がかりに明確な終点がある場合に使います。1つの出来事に1つの音。

環境のベッド

音声：かすかな屋外の環境音——遠くの鳥のさえずり、かすかな風の音——連続しており、ミックス内で低音量。 ゆっくりしたカメラの動きがある確立ショットに適しています。ベッドの描写は、映像と衝突しないよう十分に汎用的にします。

見落とされがちな音声リクエスト

抽象的な情緒語——「エピック」「シネマティック」「エモーショナル」——は、モデルに同期できる見える内容を何も与えません。台詞のリクエストも短いクリップでは同様に信頼できません。見える口と明確なセリフがなければ、結果はたいてい曖昧なつぶやきになります。話させたいなら別のステップとして計画してください。各音声行は1文に抑え、カメラが見られるものに言及します。

レシピを組み合わせてショットごとのパイプラインにする

フィールドが安定したら、それらを繋いで再現可能なショットごとのワークフローにします。

1ショットずつ構築する

1枚の画像、1つの動きの手がかり、1行のカメラ、1行の音声、1行の制約。毎回この順序でプロンプトを組み立てます。この一貫性がバッチ作業を可能にします。

バリエーションを並行生成する

主体と制約を固定したまま、カメラまたは動きの行だけを小さなバッチで変えます——1ショットあたり3〜5回の実行で通常は傾向が分かります。他のフィールドが凍結されているので、出力の差異は変更したフィールドに帰属できます。

勝ったレシピを蓄積する

ある組み合わせがうまくいったら、完全なプロンプトテキストを名前付きレシピとして保存します。いくつかのプロジェクトを経ると、動き・カメラ・音声の行が検証済みで互いにうまく機能する個人ライブラリが蓄積されます。

最も弱いフィールドに対して反復する

各ラウンドの後、どのフィールドが最悪のアーティファクトを生んだかを問い、それだけを変えます。各素材で2〜3ラウンドの精修が現実的な予算です。最初の生成で最終動画を期待するのは現実的ではありません。

同じパイプラインは veo-3.1-fast の画像から動画へのエンドポイントでも同様に機能するので、一度検証したプロンプトは生産量を増やしても有効です。

よくある失敗パターンとそのデバッグ方法

ほとんどのひどい動画は少数のプロンプト問題に起因します。それぞれに1箇所だけ直せばよい修正方法があります。

プロンプトの詰め込みすぎ

症状：主体が溶ける、またはシーンが勝手に再配置される。原因：1行に競合する指示が多すぎる。修正：プロンプトを5つのフィールドに削り、機能していない形容詞をすべて削除する。1文が2つの動作を描写しているなら、分割する。

カメラ用語の競合

症状：定義されないドリフト、揺れ、またはカメラが方向を定めない。原因：プロンプトに2つ以上のカメラ指示がある。修正：カメラ行を1つだけ残す。2つ目の動きは別のショットに回す。

音声がアンカーされていない

症状：音声がちぐはぐ、または漠然としている。原因：動作に関連付けた音ではなく情緒語を使っている。修正：目に見える出来事——定位置に収まる、振り向く、一歩——を中心に音声行を書き直す。

動きの手がかりがシーン全体を描写している

症状：すべてが少しずつ動くが、どれも説得力を持って動かない。原因：手がかりが単一の要素ではなくシーンを名指ししている。修正：主体を1つと方向を1つ選び、明確に書く。

肥大化したネガティブ語

症状：モデルが指示の半分を無視しているように見える。原因：冗長なネガティブリストがポジティブプロンプトを希釈している。修正：ネガティブ語を2〜3項目に削り、実際に見たアーティファクトだけを対象にする。

一度に1つのフィールドだけをデバッグし、何を変えたかを記録します。ここにあるレシピは出発点にすぎません——あなた固有の最初のフレームに適合させて信頼できると感じるまで、2〜3ラウンドかけることを想定してください。