動画生成AIのプロンプトは、絵の内容だけでなく「カメラがどう動くか」「その動きが何秒続くか」「どのアスペクト比で書き出すか」までを言葉で指定して初めて、狙った画になる。今日はKling・Runway・Veo・MiniMax Hailuoの4系統を横断し、カメラ用語・尺・アスペクト比の書き方をオリジナルの作例プロンプトで分解する。なお本来この枠で並べられることが多いSoraは、OpenAIがAPIを2026年9月24日に完全終了すると発表済みのため、今回は稼働中のツールに絞った。
動画生成プロンプトが画像生成と違う3つのポイント
画像生成プロンプトが「被写体・構図・光・質感」で完成するのに対し、動画生成プロンプトはそこに時間軸が加わる。具体的には次の3点を言葉で埋める必要がある。
- カメラワーク：固定か、動くか。動くならパン・ドリー・トラッキング・オービットのどれか一つを明確に指定する。
- 尺（秒数）とショット構成：単一ショットか、複数ショットの時間割りか。何秒で何が起きるかを明記する。
- アスペクト比：横長16:9か縦長9:16か、投稿先のプラットフォームに合わせて先に決める。
以下、モデルごとに書き方の作法が微妙に違う点を、実際に生成できる完成形プロンプトで見ていく。
作例1：Kling 3.0——時間割りで複数ショットを組む
Klingの最新世代はマルチショット機能を持ち、1本のプロンプトの中に「何秒から何秒まで、どのショットか」を時間割りで書き込める。Atlabsのプロンプトガイドによれば、時間コード付きの指示はショットの切り替わりを安定させる効果があるという。
A minimalist product commercial for a matte-black wireless earbud case on a wet marble countertop, cinematic advertising style, soft studio lighting, shallow depth of field.
[Shot 1] (0-3s): Static locked-off macro shot, the case lid slowly opens as thin steam curls past in the background.
[Shot 2] (3-6s): Slow orbit around the case, 90 degrees from left to right, revealing the earbuds seated inside, rim light catching the edges.
[Shot 3] (6-9s): Smooth dolly-in from medium shot to extreme close-up on the brand logo, rack focus shifting from soft background bokeh to a sharp logo, soft synth chord swelling, no dialogue.ポイントは3つ。まず「Static→Orbit→Dolly-in」と、静→動→接近の順で緊張感を積み上げていること。次にrack focus（フォーカス送り）で視線誘導を最後に足していること。そして各ショットに1つずつしかカメラ用語を割り当てていない点で、これは複数の動きを同じ文に詰め込むと解釈が不安定になりやすいためだ。
作例2：Runway Gen-4——image-to-videoは「1つの動き」に絞る
Runwayのimage-to-videoは、静止画の構図をどこまで固定し、どこだけを動かすかを明示する「モーション優先」の書き方が効く。Media.ioのプロンプト解説は、固定要素→動き→カメラ→タイミング→禁止事項の順で書く型を提示している。
Lock the woman's face, the ceramic cup, and the window light exactly as shown in the source image.
Add one motion: thin steam rising and curling slowly from the cup.
Camera: slow dolly-in, barely perceptible, no drift.
Timing: gradual movement across 5 seconds.
No morphing, no new objects, no change to composition.「Lock」で固定したい要素を先に宣言してから動きを1つだけ足すのが要点だ。カメラも「dolly-in」を1語だけ与え、パンやズームと同時に指定していない。image-to-videoでは元画像の情報量が多いぶん、動かす対象を絞り込むほど破綻が減る。
作例3：Veo 3.1——尺とアスペクト比を投稿先から逆算する
Veo 3.1は4秒・6秒・8秒の尺と、16:9（横長）・9:16（縦長）のアスペクト比を選べ、せりふや環境音などのネイティブ音声も生成できる。Higgsfieldの解説記事は、8秒は長尺ぶん時間的な一貫性が出やすいとしている。
Vertical 9:16 frame.
A street violinist plays under a glowing izakaya sign in a narrow Tokyo alley at night, rain has just stopped, puddles mirror the neon signs.
Camera performs a slow handheld push-in toward her face over 8 seconds, ending in a close-up as she opens her eyes.
Audio: soft violin melody, a distant train rumble, faint chatter from a nearby food stall.
Natural lighting, 35mm lens look, shallow depth of field.Instagram ReelsやYouTube Shortsを想定するなら、まず「Vertical 9:16」を冒頭で宣言する。尺は選べる値が離散的（4/6/8秒)なので、「8秒」と明言して余計な補間を防ぐ。ネイティブ音声モデルでは「Audio:」の一文で環境音・BGM・せりふの有無まで書くと、映像と音がずれにくい。
作例4：MiniMax Hailuo(H3)——カメラ指示は「自然文で1つだけ」
MiniMaxのHailuoは旧世代で[Pan left]のような角括弧コマンドを使っていたが、最新のH3世代では自然な英文の中にカメラの動きを織り込む書き方に変わった。MiniMax H3のプロンプトガイドは、被写体→動作→カメラ→環境→スタイルの順で1項目ずつ書くことを推奨している。
A young woman unboxes a small amber skincare bottle on a wooden desk, gently twisting off the cap and holding it toward the camera as a slow dolly-in follows her hand, morning window light, cozy home-studio mood, warm and inviting tone.カメラ用語は「a slow dolly-in follows her hand」と、動作の直後に自然文で差し込まれている一箇所だけ。ここに「handheld」や「tracking」を重ねて2つ書くと、モデルがどちらを採用するか迷い、カメラが機能しなくなりやすいというのがH3特有の癖だ。
作例5:Seedance——冒頭でショット数・尺・比率を先に宣言する
ByteDanceのSeedanceは、複数ショットのモンタージュを書くとき「何ショット・合計何秒・どのアスペクト比か」をプロンプトの最初に置くと構成が安定する。Higgsfieldのプロンプトライブラリもこの順序を一貫して推奨している。
3 shots, 15 seconds total, 16:9 aspect ratio, photorealistic cinematic montage, continuous color grading across shots, 35mm film look with light grain.
Shot 1 (0-5s): low-angle tracking shot following a courier's boots sprinting through a rain-soaked neon alley.
Shot 2 (5-10s): aerial shot rising above the alley, revealing the sprawling neon skyline as the courier weaves through the crowd.
Shot 3 (10-15s): whip pan into a close-up of the courier glancing back, headlights flaring behind her, hard cut to black.先頭の「3 shots, 15 seconds total, 16:9」という宣言が、後続の各ショットの尺配分と画づくりの土台になる。ショットごとにtracking→aerial→whip panと視点の高さと速度を変えることで、単調な羅列にならずに緊張感を作れる。
カメラ用語の早見表
| 用語 | 意味 | 効果 |
|---|---|---|
| static / locked-off | カメラを固定する | 安定感、静けさを出す |
| pan | 固定点から水平に振る | 空間の広がりを見せる |
| tilt | 固定点から垂直に振る | 高さ・スケールを見せる |
| dolly-in / push-in | 被写体に向かって物理的に近づく | 緊張感・没入感を高める |
| tracking shot | 被写体と並走して動く | 被写体を画面内に保ちつつ背景を流す |
| orbit | 被写体の周りを弧を描いて回る | 立体感、プロダクトの全周を見せる |
| crane / aerial | 上下・上空からの俯瞰移動 | スケール感、状況説明のショットに使う |
| rack focus | 手前と奥でピントを送る | 視線誘導、注目対象の切り替え |
| whip pan | 高速でパンしブレを伴う | 場面転換、勢いを出す |
モデル別・尺とアスペクト比の目安
| モデル | 対応アスペクト比 | 尺の目安 | ネイティブ音声 |
|---|---|---|---|
| Kling 3.0 | 複数対応（マルチショットは2〜6シーン） | ショットごとに秒数指定可 | 対応（せりふ・SE・環境音） |
| Runway Gen-4 | 用途に応じて設定 | 単発生成約10秒、Extendで最大40秒 | 非対応 |
| Veo 3.1 | 16:9 / 9:16 | 4秒・6秒・8秒 | 対応（せりふ・SE・環境音） |
| Hailuo 3.0（MiniMax） | 21:9 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16 | 最大15秒 | 対応（ステレオ、せりふ含む） |
| Seedance | プロンプト冒頭で宣言 | マルチショットで合計秒数を宣言 | 入力に音声参照を併用可 |
数値は各情報源の記事執筆時点のものであり、モデルは頻繁にアップデートされるため、実際の生成前に各サービスの最新仕様を確認してほしい。
主な情報源
- Kling 3.0 Prompt Guide – Atlabs
- How to Create AI Videos – Kling official blog
- Runway Gen 4.5 Prompts – Media.io
- Runway Gen-4 Course – KursVideoAI
- How to Use Google Veo 3.1 – Higgsfield
- Veo 3.1 Guide – Genflow
- MiniMax H3 Prompt Guide – wan27.org
- Meet MiniMax H3 on Higgsfield
- Seedance 2.0 Complete Prompting Guide – Higgsfield
- Dreamina Seedance prompt guide – BytePlus ModelArk docs
- Sora (text-to-video model) – Wikipedia
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。