テキストから映像へ：Veo 3.1 Lite によるシーン絵コンテ変換の例

本項目は、veo-3.1-lite/text-to-video の「テキストから映像へ」の変換経路を紹介するものです。構造化された英語のシーン記述から、ネイティブ音声付きの短編映像クリップを直接生成します。プロンプトは「シーンの場所—主体と動作—カメラワーク—光と雰囲気」の4段構成で整理されており、開発者が単一のテキスト入力に対してモデルがどのように構図を組み立て、どのようなカメラワークの傾向を見せ、音と映像をどのように同期させるかを比較観察しやすくなっています。 このモデルファミリーは 16:9 と 9:16、720p と 1080p、さらに 4s/6s/8s の選択可能な尺に対応しているため、本示例では 16:9、720p、8s の横長基本設定を選び、絵コンテの概念実証における汎用的な出発点としています。音声生成はオンのままにし、Veo 3 シリーズの出力に音声トラックが含まれる特性を反映しています。base には negative_prompt、seed、safety_tolerance などの非メディアフィールドも用意されており、再現や比較実験に便利です。 適用シーン：マーケティングやブランド短編映像の絵コンテ事前検証、ソーシャルメディア向け横長コンテンツの大量プロトタイプ制作、コストに敏感な製品にテキスト・トゥ・ビデオ機能を統合する際の効果ベースライン測定などです。このモデルファミリーは低コスト・高スループットの選択肢として位置付けられ、複数バージョンを素早く反復してから案を選定するのに適しています。解像度上限は 1080p、尺の上限は 8s のため、長編映像やより高解像度の要件には向きません。