ほとんどのAI動画が失敗する理由は単調だ。被写体がクリップの途中で変形する。頼んでもいないカメラ動作が起きる。秒2〜4の間に商品の色が変わる。技術的には「動画」でも、実務的には使い物にならない。
何万件という実際のAI動画プロンプト——出荷されたクリップを生んだものと、ゴミ箱行きになったもの——を見ていくと、あるパターンが浮かぶ。優れたプロンプトは長いわけでも詩的なわけでもない。もっと「構造化」されている。何が変わり、カメラがどう振る舞い、何を固定し、何を絶対に許容しないかをモデルに伝えている。
これは、クリエイターが何を作っているかをデータで示した4万件のAI動画プロンプトが明かすことの実務的コンパニオン。あちらが「何を」作るかなら、この記事は「どう書くか」。5つの型を、弱い例・強い例・差が生まれる理由とともに解説する。
重要なポイント
- 被写体＋アクション＋時間的変化で書き出す——静的な記述は、静的で生命感のないクリップを生む。
- カメラは撮影監督に指示するつもりで具体化：ショットサイズ、レンズ、そして意図的な1つの動き。
- 連続性トークン（顔、プロダクト、色、ロゴ）をロックして、全編で漂流させない。
- 生成前に、プラットフォームと尺に合わせてショットとテンポを設計する。
- ネガティブ指定と明確な出力仕様で制約し、モデルに「試すべきこと」だけでなく「避けるべきこと」を伝える。
パターン1：被写体・アクション・時間的変化で書き出す
動画はモーションだ。生きた映像を生むプロンプトと、写真にゆっくりズームするだけのプロンプトを分ける最大の違いは、「何かが起きる」と記述しているかどうか。
弱いプロンプトは「情景」を描く。強いプロンプトは「変化する情景」を描く。
弱い例: A coffee cup on a wooden table in a cafe.
強い例: A steaming coffee cup on a wooden cafe table; steam curls upward and drifts left as morning light slowly brightens across the surface over 5 seconds.
弱い版はモデルに静止画しか与えず、動きを発明させる——たいていは怠惰なプチズームか、曖昧な揺れになる。強い版は被写体（コーヒーカップ）、アクション（蒸気が立ち上り左へ流れる）、時間的変化（5秒かけて光がゆっくり明るくなる）を名指しする。モデルは冒頭と終端の状態を得て、その間を補間できる。これは動画モデルの本領だ。
解決はメカニカルだ。すべてのプロンプトで自問する。「このクリップの終わりと始まりで、1つだけ違うものは何か？」答えられないなら、動くポストカードになる。その変化を一文に焼き込め。ささやかな変化——首の向き、ドアが開く、霧が流れ込む——でも、モデルに「時間軸でやる仕事」を与えられる。
パターン2：シネマトグラファーのようにカメラを指示する
カメラを指定しないと、モデルが勝手に決める——そしてだいたい外す。凡庸なドリーインか、いかにも「AI」な手ブレ風ドリフトになりがち。最良のプロンプトは、カメラを創造的な意図として扱い、後付けにしない。
必要なのは3つ：ショットサイズ（ワイド／ミディアム／クローズアップ）、レンズやフレーミングの感触（35mm、広角、浅い被写界深度）、そして「1つだけ」の動き（ゆっくりプッシュイン、サイドトラッキング、完全固定）。動きは1つ。3つではない。
弱い例: A car driving down a coastal road, cinematic.
強い例: Wide tracking shot of a vintage convertible on a coastal highway, shot on a 35mm lens with shallow depth of field, camera tracks alongside the car at matching speed, golden hour.
「cinematic」は願望であって指示ではない。強い版はフレーミング（ワイドのトラッキング）、光学的キャラクター（35mm、浅い被写界深度）、そして一貫した単一の動き（並走トラック）を伝える。この一貫性こそがプロらしさに見える。矛盾するカメラ指示——「回り込みながらズームしてパン」——はモデルが破綻し、泳ぐような不安定さを生む。
カメラ語彙に不慣れなら、AI動画プロンプトの書き方ガイドが用語を分解している。近道は「何でも言った通りにしかやらないオペレーターに一行で渡す」つもりで書くこと。その精度で具体化しよう。
パターン3：連続性トークンをロックする
ここが、ホビイストと実用クリップ量産者を分ける。AI動画モデルはドリフトする。数秒の間に顔が微妙に別人へ、赤いロゴがオレンジへ、製品に余計なボタンが生える。連続性トークンは、そうした要素を固定するための、短く特徴的で繰り返し使うフレーズだ。
連続性トークンは、被写体のアイデンティティ、プロダクト、カラーパレット、ブランディングのために決め打ちし、逐語的に再利用する短い記述。
弱い例: A woman in a red jacket walks through a city, then we see her closer up.
強い例: A woman with shoulder-length curly black hair and a bright crimson leather jacket walks through a neon-lit city; same crimson jacket and same hairstyle held consistent throughout the clip.
「赤いジャケットの女性」では、モデルに再発明の余地を与える。「肩までの黒いカーリーヘア」と「鮮やかなクリムゾンのレザージャケット」を明示し、一貫保持を指示すれば、モデルに錨が生まれる。1つのプロジェクトで複数クリップを作るなら、これらのトークンを毎回コピペし、絶対に言い換えない。言い換えが、ショット3でキャラがショット1と別人に見える原因だ。
ブランド案件では必須。厳密な色名（Hex相当）、ロゴ位置、製品の決定的特徴を、すべてのプロンプトに固定せよ。プラットフォームが画像参照やテキストから動画の開始フレームに対応しているなら使うべき——ただしテキストのロックも併用する。動きの「中」を貫いてアイデンティティを運ぶのは、参照画像ではなく記述だ。
パターン4：プラットフォームと尺にショットを合わせる
12秒のYouTubeヒーローに優れたプロンプトは、4秒のTikTokフックには不向きだ。違いはアスペクト比だけではない。最良のプロンプトは、公開先から逆算して設計される。
書き始める前に決める3つ：アスペクト比（フィードは9:16縦、YouTubeやLPは16:9）、尺（起こせる変化量に直結）、ペーシング（短いループは1ビート、長めは明確なアーク）。
弱い例: An energetic montage of a fitness product with lots of quick cuts and text, for social media.
強い例: 9:16 vertical, single continuous 5-second shot: a runner laces up bright orange sneakers and pushes off frame-left into a sprint, fast-paced, punchy, designed as a TikTok hook with the action landing in the first 2 seconds.
短い単発生成の中で「多数のクイックカット」を求めるのは破綻のもと——多くのモデルは1回の生成で1カット連続ショットを出すから、要求がツールと衝突する。強い版は形式を尊重する：縦、ワンショット、プラットフォームが求める最初の2秒にアクションが着地するよう設計。仕様に沿ったクリーンなワンショットを複数作って編集で繋ぐほうが、1プロンプトで編集を詰め込むより良い結果になりやすい。
尺は要求できる変化量も決める。4秒なら、明確な1アクション。12秒なら、小さなアークが可能。4秒に三幕構成を詰め込めば、すべてが滲むだけ。
パターン5：ネガティブ指定と明確な出力仕様で制約する
最後のパターンは、ほとんど誰も使わない——だからこそアドバンテージだ。モデルに「欲しいもの」を積み増すより、「いらないもの」を明示するほうが効くことが多い。そこに明確な出力仕様を添えれば、地味な決定を運任せにしなくなる。
やることは2つ：ネガティブ（拒否するアーティファクトやクリシェ——歪んだ手、文字化け、余計な手足、フリッカー、望まないスローズーム）と、出力仕様（フレームレートの質感、ライティング、ムード、アスペクト比を文末で明快に）。
弱い例: A chef plating a dish in a restaurant kitchen.
強い例: A chef precisely plating a dish in a warm restaurant kitchen; medium shot, soft key light from the left, calm and deliberate pacing, 16:9. Avoid: distorted hands, extra fingers, floating utensils, on-screen text, fast camera movement.
ネガティブは実効性が高い。手は動画モデルの恥部になりやすいので、「歪んだ手、余分な指」を名指しすれば、そこに計算資源を割く。「画面上のテキスト回避」でモデルが幻視しがちな文字ジャンクを潰す。文末の出力仕様——ショットサイズ、光の向き、テンポ、アスペクト比——で、意図当てゲームをやめ、明示に切り替える。
ネガティブは絞って関連性を高く。汎用10項目は信号を薄める。このプロンプトで起きがちな失敗に的を絞った3〜4項目が鋭い。モデルごとに弱点は違うので、使うモデルを知る価値がある——AIモデルの強みマップで、各モデルの得手不得手を分解している。
5つを1つのプロンプトに束ねる方法
これらは選択式ではない——最良のプロンプトは5つを積み重ねる。自然な並びはこうだ。
- 被写体＋アクション＋変化（「シェフが料理を盛り付け、仕上げのガーニッシュを置くと湯気が立ち上る」）
- カメラ（「ミディアム、50mm、スロープッシュイン」）
- 連続性トークン（「同じ白のダブルのコックジャケットのシェフで全編一貫」）
- プラットフォーム＋尺の仕様（「16:9、8秒、穏やかなペーシング」）
- ネガティブ＋出力（「左からの暖かいキーライト。Avoid: 歪んだ手、画面上テキスト」）
上から下へ、モデルが自信をもって実行できる一貫した指示になる。各節が、本来モデルが「勝手に」決めてしまう問いに答える——そして「勝手に」は悪いAI動画の温床だ。
毎回ゼロから書く必要もない。コピペ可能なプロンプトテンプレート集を使えば、よくあるショットの検証済みスケルトンが手に入る。被写体とトークンを差し替えるだけで、思考せずとも5パターンを回せる。
次の一手
出来が悪かったクリップのプロンプトを1つ選び、5つの型で見直そう。時間的変化は名指しされているか？ 明確な1つのカメラ動作を指示しているか？ 連続性トークンはロック＆反復されているか？ 実際のプラットフォームと尺に合わせてスペックされているか？ モデルに「避けるべきこと」を伝えているか？
弱い2点を直して再生成。それだけの編集パスで、「削除」から「出荷」に化けることが多い。
準備ができたら、アプリでtext-to-videoを開き、構造化プロンプト——被写体、カメラ、トークン、仕様、ネガティブ——で書いてみよう。スケールで実際に効いている裏付けデータが欲しければ、対になる分析記事4万件のAI動画プロンプトが明かすことを読んでほしい。クラフトとエビデンスの両輪が、勘をやめて「演出」を始める最短路だ。