2026年に入り、Veo 3.1やSora 2、Kling 3.0、Seedance 2.0といった主要な動画生成モデルが軒並み「ネイティブ音声」対応になった。つまりプロンプトはもう画（構図・カメラ・光）だけを指定する時代ではなく、セリフ・効果音・環境音・BGMまで一発で作らせる時代に入っている。本記事ではカメラワークの型はいったん脇に置き、「音の設計」と「動きの物理的リアリズム」、そして尺・アスペクト比の実務的な組み方にしぼって、コピペで試せるオリジナルのサンプルプロンプトとともに解説する。
なぜ「音」からプロンプトを組み立てるのか
これまでの動画生成は無音のクリップを作り、後から音楽や効果音を編集で足すのが基本だった。しかしKling 3.0はダイアログシーンのネイティブ音声に対応し、話者ごとのセリフ割り当てや多言語・方言まで扱える。Veo 3.1も同様に、プロンプト内の言葉だけでダイアログ・SFX・環境音・音楽の雰囲気を制御する「audio-aware prompting」が前提になっており、切り替えるためのAPIパラメータがあるわけではなく、書き方そのものが音の設計図になる。音を後付けではなく最初から組み込むと、映像の動きと音のタイミングが噛み合いやすく、仕上がりの完成度が一段上がる。
作例1：会話・SE・環境音・BGMを一気に指定する2カットシーン
①狙い：雨の夜の書店で、探し物を見つける女性の短いドラマシーン。セリフと効果音、環境音、BGMのダッキング（音楽を下げる指示）まで一括で作る。
[Scene 1, 0:00-0:05] Interior, a dim vintage bookstore at closing time, warm lamplight. Handheld camera slowly pushes in on a woman scanning the shelves.
Dialogue: she whispers, "It has to be here somewhere."
SFX: floorboard creak under her foot, soft page-flutter as her finger runs across the spines.
Ambience: steady rain against the window, a distant clock ticking.
Music: a single sustained cello note, quiet, ducked under the dialogue.
No subtitles, no on-screen text.
[Scene 2, 0:05-0:10] She pulls out a worn leather journal; camera holds a static close-up on her hands.
Dialogue: she says, "Found you."
SFX: a soft thud as she sets the journal on the table, the crackle of an old spine opening.
Ambience: the rain intensifies slightly.
Music: the cello swells one step, then fades to silence.③分解解説：セリフは必ず引用符で囲み、誰が話すかを明示する。こうすると口の動きと音声の同期精度が上がるとされる。SFXは「何が」「いつ」起きるかを画面上の動作に直接ひも付けて書く。環境音は “ambient sound” のような曖昧語ではなく「雨音」「時計の音」など具体名詞にすると再現性が上がる。BGMは音量そのものではなく「セリフの下でダックする（下げる）」という役割指示にすると、声を邪魔しない仕上がりになりやすい。長いセリフより短く区切ったセリフの方が発話が破綻しにくい点も踏まえ、1カット1〜2文を目安にした。
作例2：布・水・煙の物理的な動きをリアルに見せるモーション作例
①狙い：会話もカメラワークも使わず、素材の物理挙動そのものを主役にした静的アングルのプロダクト風カット。
Extreme close-up, a single water droplet lands on taut red silk fabric stretched across a dark wooden frame, soft side lighting at a low angle.
The camera holds completely static. In slow motion, the droplet's weight pulls a shallow dimple into the fabric before surface tension releases it, sending a gentle ripple outward and rebounding into a soft wave. Fine dust motes drift upward from the fabric's edge as it settles.
Photorealistic, 4K, natural cloth and liquid physics, no camera movement, no dialogue, quiet ambient room tone only. 6 seconds.③分解解説：「動き」に特化する作例ではあえてカメラを固定し、被写体の物理挙動（布のたるみ→水滴の重み→表面張力の解放→リバウンド）を時系列の文章として書き下すのがコツ。Kling 3.0のように物理エンジンを内蔵するモデルは、こうした「重さ→張力→反発」のような因果関係を明記するほど自然な挙動を返しやすいと報告されている。被写体・環境・光を「レシピ」として渡す発想は、動きだけでなくどのモデルでも応用できる基本形だ。
作例3：縦型ショート動画（9:16）で使う、フック重視のセリフ設計
①狙い：SNSのフィードで最初の1秒を止めるための、縦型・短尺・パンチラインのある会話フック。
Vertical 9:16, 6 seconds. A barista behind an espresso counter looks straight into the camera and says, "Wait, you've never tried this?"
SFX: the hiss of the steam wand starting a beat after she speaks, a ceramic cup set down on the counter.
Ambience: light café chatter, muted background music.
Quick handheld camera, slight upward tilt from counter height, natural window light. No subtitles, no text overlay.③分解解説：Sora 2はタグの羅列ではなく「ショット記述」として書くほど狙い通りに動くとされ、セリフもコンマ区切りのキーワードではなく引用符付きの一文で渡す方が精度が上がる。ショート動画では尺が短いぶん、セリフは1文の「フック」に絞り、SFXをセリフの直後に配置してテンポを作るのが有効。カメラは凝った動きより「手持ちの軽い揺れ」程度に留め、音の情報量に画面の情報量を食われないようにしている。
作例4：マルチショットでアスペクト比・解像度をカットごとに変える
①狙い：1本の投稿の中でワイド→縦→スクエアとカットごとに画角を切り替える、SNS展開を見据えた構成。
Shot 1 (Widescreen 16:9, 1080p): Wide establishing shot, a cyclist pedals along a coastal road at golden hour; camera on a slow parallel tracking dolly.
Shot 2 (Portrait 9:16, 1080p): Cut to a close low-angle shot of the bicycle wheel spinning, gravel spray catching the backlight; camera static.
Shot 3 (Square 1:1, 720p): Cut to an overhead shot looking straight down at the cyclist's shadow stretching across the road as they pass.③分解解説：Runway Gen-4.5は1回の生成につき最大5ショットを追加でき、ショットごとにアスペクト比（Landscape/Portrait/Square/Widescreen）と解像度（720p/1080p）を個別に設定できる。この特性を活かし、同じ被写体・同じ光の条件を保ったまま画角だけを変えると、SNSごとに切り出せる素材を1回の生成でまとめて作れる。カットが変わっても「golden hour」「natural backlight」など光の条件を各ショットの文に残し、質感の一貫性を崩さないようにしている。
主要動画生成モデルの尺・比率・音声対応の目安
| モデル | ネイティブ音声 | 尺の目安 | アスペクト比・解像度 | 特徴 |
|---|---|---|---|---|
| Veo 3.1 | 対応（セリフ・SFX・環境音・BGM） | 最長60秒程度 | 16:9中心 | プロンプト内の言葉だけで音を制御する「audio-aware prompting」 |
| Sora 2 | 対応（セリフ・SFX） | Sora 2 Proで最長25秒程度 | 複数比率に対応 | ショット記述型のプロンプトを推奨 |
| Kling 3.0 | 対応（多言語・話者別セリフ） | ネイティブ最長15秒、拡張で最長5分程度 | 4K/60fps対応 | 物理エンジン内蔵で素材の挙動が自然 |
| Runway Gen-4.5 | 音楽・簡易SFX中心 | ショット単位で管理 | Landscape/Portrait/Square/Widescreen、720p/1080p | 1生成で最大5ショットを個別設定可能 |
出典：Fliki「18 Best AI Video Generators in 2026」、Adobe Firefly公式ヘルプ、Kling AI公式ブログの情報をもとに編集部で整理。仕様は各社のアップデートで随時変わるため、最新情報は各公式ページで確認してほしい。
音声プロンプトの要素別チートシート
| 要素 | 書き方のコツ | 例 |
|---|---|---|
| ダイアログ | 引用符で囲み話者を明示。1カット1〜2文の短さに区切る | a detective leans forward and says, “I know what you did.” |
| SE（効果音） | 画面上の動作に直接ひも付け、発生タイミングを書く | SFX: door bell chimes as she pushes it open |
| 環境音 | 抽象的な”ambient sound”を避け、具体的な音源名を書く | Ambience: steady rain hiss, distant traffic hum |
| BGM | 音量ではなく役割で指示する（例：セリフの下でダック） | Music: sparse piano, duck under dialogue |
| タイムスタンプ | 複数カットの音を時系列で制御したい場合に区切って書く | [00:00-00:03] … [00:03-00:06] … |
主な情報源
- Kling AI公式ブログ「Kling AI Long Video Prompts: 10s Script Guide」
- Kling AI公式ブログ「How to Produce Professional-Grade Visual Effects」
- Adobe Firefly公式ヘルプ「Partner models to generate videos」
- Runway公式「AI Video Generator」
- Fliki「18 Best AI Video Generators in 2026」
- Atlas Cloud「Kling 3.0 Production Guide for Cinematic Realism and Motion」
- AI Films Studio「Kling 3.0 & O1 Video Generation Tutorial」
- Skywork「How to Get Matching Soundscapes with Audio-Aware Prompting in Veo 3.1」
- YingTu「Veo 3.1 Audio Quality: Complete Guide to Native Sound Generation」
- AI Video Sensei「30 Tested Sora 2 Prompts: Physics, Cameos & Scene Templates」
サンプルプロンプトは本メディアのオリジナル例です。各モデル・サービスは提供元の規約に従ってご利用ください。生成物の権利・商用条件は各規約をご確認ください。情報は公開時点のもの。収集・要約はAI、公開判断は人。