写真からAI動画を作る：完全ガイド

photo-to-videoの仕組み

image-to-videoはAI動画生成への最も実用的な入口だ。シーン全体をゼロから説明する代わりに、モデルに写真を渡して「この先数秒」を想像させる。写真が構図・被写体・光・スタイルを固定し、モデルの仕事は動きだけになる。この制約があるからこそ、同じ技術水準でもphoto-to-videoの結果はtext-to-videoより劇的に良く見える。

内部でモデルは2つのことをしている。まず、画像モデルと同じように画像を解析する。被写体、奥行き、光、質感だ。次に、モーションプロンプトに導かれて、その後に続く自然な短いフレーム列を予測する。出力の質は重要度順におおむね3つの入力で決まる。元写真、動きの説明、生成設定だ。トラブルシューティングの多くは設定から始めるが、このガイドは写真から始める。失敗の大半はそこで生まれるからだ。

最初に期待値を合わせておこう。モデルがアニメ化するのは写真に写っているものだ。作り変えるのではない。写真が暗い・ぼやけている・構図が悪ければ、動画は「暗く・ぼやけて・構図の悪い」ものの動く版になる。ゴミを入れれば、ゴミの動きが出る。

正しい写真の選び方：8割ルール

解像度は重要だが、思われているのとは違う形でだ。4Kの素材は不要だ。ほとんどの動画モデルは内部で720pで動作し、入力はどうせ縮小される。必要なのは、適度なサイズのクリーンでシャープな画像だ。長辺1024ピクセルで十分すぎる。シャープな1024pxの写真は、ぼやけた4K写真に毎回勝つ。

構図こそ本当のレバーだ。モデルがアニメ化できるのは見えているものだけなので、被写体は余白を持って画面に完全に入れる。手足や頭頂部を切るタイトなクロップは、モデルに「欠けた体の部位を動きの中で発明」させる。解剖学的グリッチの主因だ。クローズアップ動画が欲しければクローズアップで撮る。モデルにリフレームを期待しないこと。

顔には特別なルールがある。正面または斜め45度、均一なライティングで遮るものがない顔は、横顔・深い影・髪や手で部分的に隠れた顔より、同一性を劇的に保つ。モデルは見えているものを照合してフレーム間で顔の特徴を追跡する。明確な基準を与えれば、ドリフトは大幅に減る。

元写真の光が動画の上限を決める。均一で柔らかい光は、形や質感についてクリーンな情報をモデルに与える。強いコントラスト・きついフィルター・極端なカラーグレーディングは、動きの中で滑らかになるのではなく増幅される。迷ったら、手持ちの中で最も自然に撮れたバージョンを選ぼう。

重要な設定：長さ・比率・動き

最初に決める設定は長さで、学習中は短い方が賢い。5秒が標準のテスト尺だ。動きが自然に見えるか判断できる長さがあり、試行錯誤のコストも安い。5秒版が安定してから8秒・10秒に伸ばす。長い生成はコストも、クリップ中盤での劣化リスクも倍増するからだ。

アスペクト比はターゲットのプラットフォームではなく元写真に合わせる。9:16の縦写真なのに16:9の動画を要求すれば、モデルはクロップか引き伸ばしを強いられ、どちらも品質を損なう。まず写真に比を合わせ、プラットフォーム向けのリフレームは後で標準的な編集ツールでやる。

モーション強度（motion intensityやdynamicsとも呼ばれる）は、どれだけ動くかを制御する。低い値は控えめでほぼ静止画のような結果になる。安全だが退屈だ。高い値は劇的な動きになる。刺激的だが、歪みや同一性崩れを起こしやすい。真ん中から始めて、見た目で調整する。凍ったように感じたら上げ、顔が溶け始めたら下げる。

シードと固定設定は、静止画より動画で重要だ。うまくいく組み合わせを見つけたら、プロンプトをいじる前にシードを固定する。シードが漂う中で動きの説明を変えても、どの変更がどの効果を生んだか学べない。静止画のプロンプト試行と同じ「一変数」の規律だ。

動きのプロンプト術：名詞ではなく動詞で

モーションプロンプトは画像プロンプトとは別のスキルだ。画像プロンプトが静的なシーンを描写するのに対し、モーションプロンプトは時間の中の変化を描写する。モデルに必要なのは名詞だけでなく、動詞・方向・テンポだ。

主となる動きから始める。「彼女がゆっくりカメラの方に顔を向ける」は「beautiful woman, cinematic」に勝る。実際に何が動くかをモデルに伝えるからだ。明確な主動作ひとつは、競合する3つの動きに勝る。全部が動けば、何も意図的に見えない。

リアリティのために副次的な動きを足す。髪がわずかになびく、布が揺れる、背景の要素が漂う。こうした小さな副次的動きが「動く写真」と「動画」を分ける。短く描写すればいい。「髪がそよ風で優しく揺れる」で十分だ。物理法則はモデルが補う。

静止させるべきものを指定する。「カメラは固定」や「locked-off shot」で、モデルが勝手に足す吐き気のするスローズームを防げる。カメラを動かしたいなら、モデルに即興させず明示的に名指しする（「slow push-in」）。

モーションプロンプトは短く。2〜3文だ。長く装飾的な動きの描写は、長すぎる画像プロンプトと同じく核心の指示を薄める。被写体、主動作、副動作、カメラの振る舞い。これが公式のすべてだ。

よくある失敗と直し方

アイデンティティ・ドリフト（フレーム間で顔が変わる）は最も報告の多い失敗だ。原因は順に、元写真の顔が不明瞭、モーション強度が高すぎる、長さが長すぎる。この順で直す。まず良い元写真、次に動きを下げる、それからクリップを短くする。プロンプトの言葉だけでドリフトを直そうとしないこと。これは言語の問題ではなくデータの問題だ。

凍結した、ほぼ静止の出力はたいてい、モーションプロンプトが弱すぎたかモーション強度が低すぎたということだ。両方を強めて再生成する。それでもほとんど動かないなら、元写真に奥行きの手がかりがないのかもしれない（非常に平坦な光、単調な背景ではモデルは手がかりに乏しい）。

ワーピングと溶け（ありえない曲がり方をする手足、にじむ背景）は、シーンが支えられる範囲に対してモーション強度が高すぎることが原因だ。複雑なポーズや騒がしい背景は、シンプルなものより動きに耐えられない。強度を下げるか、単純化する。穏やかな元写真を選ぼう。

フリッカーとテクスチャの這い寄りは長いクリップで最も起きやすく、たいてい生成の中盤から始まる。実用的な対処は短くすることだ。10秒でフリッカーするクリップの5秒版は、たいてい完璧にクリーンだ。長さは創作の選択肢ではなく品質管理として扱おう。

解剖学的グリッチ（動きの途中で現れる余分な指、回転で歪む顔）は、静止画の「手の問題」の動画版だ。モデルがフレーム間で解剖学を維持しなければならない分、増幅される。元写真の構図に余裕を持たせ、極端なポーズを避け、動きを控えめにすることで最小化する。現行技術にはある程度のグリッチ率が内在する。再生成の予算を組んでおこう。

出発前チェックリスト（クレジットを守る）

生成のたびに、このチェックリストを回す。元写真：シャープで、光が良く、被写体が画面に完全に入り、同一性が重要なら顔が明確。アスペクト比：写真と一致。長さ：テストは5秒。モーション強度：最初は真ん中。モーションプロンプト：主動作ひとつ、副動作ひとつ、カメラの振る舞いを指定。シード：気に入った設定が見つかったら固定。

生成後はこの順で評価する。まず同一性：被写体はまだ写真のままか。違っていたら、他をいじる前に元写真を直すか動きを下げる。次に動きの質：動きは物理的に自然か。3つ目にアーティファクト：クリップ全体を走査してワーピング・フリッカー・解剖学的破綻を探す。特に劣化が集中する最後の2秒を。

簡単なログを残す。使った写真、設定、モーションプロンプト、シード、一行の評価だ。20回生成すれば自分専用のプレイブックができる。ポートレートと全身で効くモーション強度、自分のカメラの写真のうちアニメ化しやすいもの、プラットフォームのモデルが髪や布をどう扱うか。そのプレイブックはどんなガイドより価値がある。自分の入力に最適化されているからだ。

そしてメタ・ルール：安く試行錯誤する。5秒・低コスト・高速でテストする。安い版でコンセプトが証明されてから、長く高い生成に使う。AI動画で無駄になるクレジットの大半は、未検証のアイデアの10秒クリップから生まれる。