Veo 3でテキストから動画へ：良いクリップを台無しにする6つのミス

Veo 3がランダムに失敗することはほとんどありません。クリップが戻ってきたとき、カメラが被写体を通り過ぎて流れていたり、手がカウンターに溶け込んでいたり、口が動きを止めてから0.5秒遅れてセリフが聞こえたりするなら、原因はたいていプロンプトの空白です。モデルはその空白をあなたの代わりに埋めました。しかも、自分自身の推測で埋めたのです。

以下に挙げるのは、Veo 3でのテキストからの動画生成で最も多くのレンダリングを無駄にするミスです。おおよそ、クリップをどれだけ台無しにするかの順に並べています。どれも修正にはフレーズ1つ分のコストしかかからず、再レンダリングの予算は要りません。そして、生成ボタンを押す前に確認できます。

ミス1：1本の短いクリップにシーン全体を語らせる

1回の生成はショットであり、シーンではありません。Google DeepMind自身のVeoサンプルは、いずれも1つの被写体、1つのカメラの挙動、1つの音声の土台を記述しています。Magic Hourが公開しているVeo 3.1の事例も同様に、それぞれが8秒の生成1回で、完成したシークエンスではなく1カットのインサートだというレビュー注記が添えられています。

この失敗はうっかり書いてしまいがちです。「彼女はカフェに入り、フラットホワイトを注文し、窓際に座ってスマホを確認する」。これは8秒を奪い合う4つの動作です。返ってくるのはたいてい真ん中の動作で、しかも曖昧に演じられ、手がポケットに届く前にスマホが現れます。

修正するには、そのショットを担う1つの動作を選びます。入店とスマホは別々の生成に残し、あとで編集でつなぎます。どの動作が最も重要かを決められないなら、そのショットはまだプロンプトを書く段階にありません。

ミス2：互いに衝突するカメラワークを重ねる

「ゆっくりパン、オービット、そしてプッシュイン」は撮影技法のように読めても、3つの矛盾する指示として振る舞います。Magic Hourのトラブルシューティング一覧はまさにこれを指摘しています。カメラは計画を無視するので、カメラの挙動を1つ選び、方向と速さを明示し、それと競合する動きを削除するのが修正法です。

出力の中にその兆候を探してください。動きを中途半端にしか完遂しないクリップ——前には進むが一度も上がらない、あるいは被写体を回り込むうちに被写体がフレームの外へ滑っていく——は、カメラを動かせないモデルではなく、たいてい2つの動きが入ったプロンプトです。

動きを1つ、方向を1つ、速さを1つ書きます。「カメラはゆっくり1回だけプッシュインし、手のミディアムクローズアップで終わる」。2つ目の動きは、1つ目が単独で決まった後に加えます。

ミス3：見える動作ではなく雰囲気を描写する

シネマティック、プレミアム、エモーショナル、ダイナミックといった言葉はピクセルに対応しません。それらは完成したショットに対する評価であり、モデルには評価を描く手段がありません。描けるのは、表面、光の方向、そして動きです。

Higgsfieldのミス一覧も、別の角度から同じ点を突いています。感情を名指しするのではなく、ブレーキにかかる躊躇いのある手や、名残惜しげな視線のように、カメラに見える何かに結びつけるのです。Magic Hourの修復法は置き換えの練習で、プレミアムはヘアライン金属、マットな表面、制御されたリムライトになり、シネマティックは特定のカメラ高さとレンズの質感になります。

「プレミアムなコーヒーのひととき」と「傷のついたオークのテーブルに置かれた白いカップから湯気が立ちのぼり、左から低い朝の光が差し、カメラは固定され、カップとソーサーは変わらない」を比べてください。後者は、モデルが実際に描ける4つの要素と、変えてはならない1つの要素を与えています。

ミス4：除外を命令として書く

多くのプロンプト作成者は「テキストなし、ウォーターマークなし、余計な人物なし」のような一文で終わります。Google自身の動画生成プロンプトガイドは逆の形を求めています。「壁なし」「壁を表示しない」といった指示的な言い回しを避け、不要な要素はリストとして記述し、見たくないオブジェクトを名指しするのです。

実務上の帰結は2つあります。第一に、除外はモデルが読むように訓練された形、つまり対象と口論するのではなく対象を名指しする形で保ちます。第二に、どんな除外も保証ではなくリクエストとして扱います。Magic Hourはキャプションについてこれを率直に述べています。テキストを除外する指示はあくまでリクエストであり、最終フレームに紛れ込んだ文字がないかは依然として確認しなければなりません。

したがって、その行は「テキスト、ウォーターマーク、追加の人物」になり、確認の工程はテキストが現れがちな2〜3フレーム——看板、画面、パッケージ、そしてカメラに面したあらゆる表面——をチェックする作業になります。

ミス5：音声をトラックではなくキャプションとして扱う

Veo 3は音声をネイティブに生成し、効果音、環境音、セリフが映像と同じパスから出てきます。これは無音の動画生成ツールに対するこのモデル最大の利点であり、それを最も早く無駄にする方法は、音を映像の説明に後付けする思いつきとして扱うことです。

失敗の形は2つが主流です。1つはショットに対して長すぎるセリフです。文が終わる頃には口が動きを止めているか、セリフが途切れています。もう1つは、音楽、室内の空気音、効果音、音声が1つの節に詰め込まれた、区別のない単一の音声リクエストで、モデルは1つを選んで残りを捨てます。

レイヤーを分け、話者を名指しします。「静かなスタジオの室内音、鍵がテーブルに触れる金属音が1回、音楽なし」はミックスの指示です。「彼女はリラックスした声で、これらは最初のディナーパーティーに間に合うと言う」は演技の指示です。セリフは実際に指定した尺に収まる長さに保ち、脚本ではなく秒数に対して語数を数えます。

ミス6：接触点と物理を曖昧なままにする

プロンプトが指定しないものはすべてモデルが決めます。Higgsfieldのチェックリストはこれを具体的な事前確認に変えています。接触点、つまり手、指、そして何かが何かに触れている箇所を名指しし、あわせて光源を1つと動きの方向を明示します。

だからこそ手が定番の犠牲者になります。「彼女が鍵を持ち上げる」というプロンプトは、握り方、指の本数、角度を未解決のまま残し、レンダリングはそれをもっともらしさと間違いの間のどこかで解決します。「彼女の親指と人差し指が鍵の頭をつまみ、テーブルから持ち上げる」というプロンプトは、余地をずっと少なくします。

物理も同じように振る舞います。布、液体、髪はモデルが最も即興する領域なので、固定すべきことを明示します。ジャケットは動かない、グラスの中の液体は水平を保つ、時計の文字盤とベルトは最後まで変わらない。こうした行は安価で、使える商品カットと撮り直しを分ける違いになります。

直すのは指示であって、プロンプト全体ではない

悪いクリップを目の前にしたときの本能は、すべてを書き直すことですが、それは証拠を壊します。リトライごとに1つの指示だけを変えれば、どの文が原因だったかがわかります。

参照用の生成を残しておきます。同じ被写体、同じ音声で、うまくいくとわかっている固定ショットです。新しい試行が失敗したら、2つを比較して違いを名指しします。同じテキストを再実行するたびに失敗が動くなら、それはプロンプトの問題です。毎回まったく同じように間違えるなら、それは設定の問題で、形容詞を増やしても助けになりません。

書き直す前に、症状をこの順番で通します。被写体の具体性、動作の数、カメラの数、光源、接触点、音声レイヤー、そして不変条件。あなたのテキストで本当に指定不足な最初の項目が直すべきもので、たいていはそれが唯一の項目です。

生成前にほとんどを捕まえるチェック

プロンプトを一度読み、各行にチェックを入れます。答えのない行には、モデルが答えを用意します。

• 被写体は1つ。テキストだけで見分けられるほど具体的に描写されている。
• 動作は1つ。目に見える結果のある動詞で述べられている。
• カメラの挙動は1つ。方向と速さが示されている。
• 光源は1つ名指しされ、方向が示されている。
• すべての接触点が名指しされている。手、足、面の上に置かれた物体。
• 音声はセリフ、環境音、効果音、音楽に分けられ、話者が名指しされている。
• 不変条件の行がある。ショットの間、変わってはならないもの。
• 尺、解像度、アスペクト比は文章ではなくインターフェースで設定されている。

最後の項目は見た目以上に重要です。縦のフレーミングを求めるプロンプトは、縦の設定のように出力キャンバスを変えません。横でレンダリングしたものを縦にクロップすれば、あなたが大事にしていた動作が切れます。ツールがコントロールを提供しているなら、そのコントロールを使ってください。

これらはいずれも、絵コンテが予測可能であるのと同じ意味でVeo 3を予測可能にはしません。失敗を読めるようにするのです。それが扱える部分です。名指しした1つを外したクリップは、名指しした1つの変更で直せます。一方、すべてを外したクリップは、たいていプロンプトがすべてを一度に求めていたことを意味します。どのショットにレンダリングの価値があるかまだ迷っているなら、短いクリップに合うVeo 3のユースケースがその選択を扱っています。修正したプロンプトを入れるのはVeo 3動画ジェネレーターです。