生成に耐えるAI動画の脚本の書き方

映画の脚本は、1つのアイデアを3分間保てる撮影クルーを前提にしています。俳優が部屋を横切り、気が変わって電話を取る。そのすべてを、カメラはワンテイクで追いかけます。ところが動画エンジンが1つのアイデアを保てるのは5秒ほどで、そこで止まってしまいます。前者のために書かれた脚本は、後者では崩れます。文章が下手だからではありません。1行ごとに3つのショットが含まれていて、生成エンジンはどれを意図したのかを推測するしかないからです。ここでは、書いたとおりの姿で出てくる脚本の書き方を紹介します。

クリップの長さのビートで書く

AI映画の単位はシーンではなく、クリップです。そしてクリップの長さは、1文字も打たないうちにエンジンによって決まっています。

• Motion One：5〜15秒。すべてのアカウントで利用可能
• Seedance 2.0 Mini、Seedance 2.0 Fast、Seedance 2.0：4〜15秒
• Hailuo 3：5〜15秒
• Kling 3.0：3〜15秒
• Veo 3.1 Fast：4秒、6秒、8秒
• Seedance 2.5：4〜30秒

さらにプランによっても上限が決まります。無料プランは10秒、Hobbyは15秒、Creatorは20秒、Studio以上は30秒です。つまり実用的なビートは5〜10秒で、確かめ方は拍子抜けするほど簡単です。そのビートで起きることを声に出して言ってみてください。言い終えるのに10秒以上かかるなら、それは2つのビートです。

ビートとは、1つの被写体、1つの動作、1つのカメラ位置のことです。仕様はこれだけです。

1ショットに1動作

読むと良いのに、レンダリングするとうまくいかない1行がこちらです。

NADIAはドアを押し開けて入り、部屋を見渡し、グレーのコートの男の向かいに座る。

英語の原文ではわずか18語の中に、3つの動作と2人の被写体。これを一度に全部やるよう頼まれたエンジンは、3つの平均のようなものを出力します。なんとなくドアの近くにいて、なんとなく座っている女性と、どこからともなく現れる男。分割すれば、どの部分も撮影可能になります。

1. Nadiaがガラスのドアを押し開けて暗いロビーに入り、立ち止まる。（トラッキング、5秒）
2. 彼女の目が部屋を見渡し、様子をうかがう。（クローズアップ、3〜5秒）
3. 彼女はグレーのコートの男の向かいに座る。（ワイド、5秒）

3つのクリップで15秒、それぞれに読み取れるアイデアが1つずつ。文がやろうとしていたことを、カットが担います。これが、絵コンテが脚本にふさわしい形である理由でもあります。書いているのは段落ではなく、たまたま文章が添えられたショットの番号付きリストなのです。

セリフの行き先

eroqには、録音したセリフに口の動きを合わせる機能はありません。リップシンクがないということは、人物がセリフを話すクローズアップで組み立てた脚本は、存在しない機能に賭けている脚本だということです。うまくいく方法は3つあります。

• ボイスオーバー。言葉をナレーションとして書き、ボイススタジオで録音し、エディターかお使いの編集ソフトでMP3を映像に重ねます。多くのAIショートがナレーション仕立てなのはこのためで、ナレーションは妥協策ではなく、れっきとした表現形式です。
• エンジンのサウンド。Veo 3.1 Fast、Seedance 2.0ファミリー、Kling 3.0のように音声に対応するエンジンは、クリップと一緒にサウンドトラック（環境音、効果音、セリフ）をレンダリングします。録音したセリフのように演出することはできませんが、部屋らしく聞こえるべき部屋には、ちゃんとその音が付きます。
• あとから加えるテキスト。動画エンジンは、頼りにできるレベルではタイトル、字幕、ロゴを描画しません。それらはあとから、エディターのタイトルとして、またはPremiereやAfter Effectsで入れるものなので、脚本を書いている段階から、そのためのフレームの空きスペースを計画しておきましょう。

それでも、セリフは脚本に書いておきましょう。キャラクターが何を言おうとしているのかがわかっていなければ、それを踏まえた表情を撮ることはできません。

テキストスタジオで文章を下書きし、動画スタジオで撮る

テキストスタジオは、この建物でいちばん安い部屋です。RP+は1回の応答につき3クレジット、RP miniは1クレジット。レンダリングのコストがかかる前に、シーンを練り上げるべき場所です。没入感のある文章には「シーン」、短いチャット風のやり取りには「メッセージ」のスタイルを使いましょう。

出力の書式には、2本目の映画で初めてありがたみがわかる利点があります。*動作や心の声*は薄い色の斜体で、**強調**は太字で表示されるので、セリフと動作がひと目で区別できます。シーンをショットに変換するとき、斜体の行が映像、通常の行が音になります。リストは自然に出来上がります。

各ビートを1つの段落に変換する

レンダリングされるプロンプトとは、被写体、動き、カメラ、光、雰囲気を、この順番で書いた30〜80語の流れるような1段落です。この順番は、モデルにとっての重要度の順におおよそ一致しています。そのまま貼り付けられる完成版のビートです。

終業後、グレーのウールのコートを着た女性がオフィスのガラスのドアを押し開けて暗いロビーに入り、ぴたりと立ち止まって、背後でドアが閉まるにまかせる。肩の高さで背後から追うトラッキングショット、光源は彼女の左手で光る自動販売機の列だけ、その向こうのガラスの壁を雨が流れ落ちる、不安で静かな雰囲気。

英語の原文で70語、動作は1つ、カメラも1つ、光源も1つ。入力欄は24種類のカメラワークを認識します。プロンプトに直接書くか、「構文」メニューから挿入できます。固定、スローパン、プッシュイン、トラッキング、回り込み、手持ち、クローズアップ、ワイド、プルバック、ドリーズーム、クレーンアップ、クレーンダウン、ウィップパン、FPVドローン、空撮プルバック、POV、スノリカム、バレットタイム、スライダー、ロール、ダッチアングル、真俯瞰、クラッシュズーム、ステディカムです。見つけたものはすべてハイライトされ、ふだんの言い回し（「ワイドショット」「ドリーショット」「トラッキングショット」など）も含まれます。

ビートがまだ数語とイメージだけなら、「強化」を押しましょう。プロンプト強化ツールはラフなメモを監督レベルの段落に書き直し、費用もかからないので、最初の下書きをそのままエンジンに渡す理由はありません。

6ビートの実例

30秒のオープニングを6つのビートで書き、Seedance 2.0 Fastで各5秒（1本195クレジット）で撮影した例です。

1. エスタブリッシング：通りの向かいから見たオフィスタワー、雨。（ワイド、固定）
2. ガラスのドアを抜けて立ち止まるNadia。（トラッキング）
3. 部屋の様子をうかがう彼女の目。（クローズアップ）
4. 顔を上げないグレーのコートの男。（ワイド）
5. 彼女が座る。（スローパン）
6. テーブルの上をフォルダーが滑ってくる。（クローズアップ、プッシュイン）

レンダリング6本、各1テイクで1,170クレジット。そのうち2つのショットにはがっかりするはずです（いつもそうです）。その2本を撮り直すと、さらに390クレジットかかります。傑作ではなく最初のパスの分だけ予算を組めば、1シーンに4テイクかけて同じ気づきを得る場合の、およそ3分の1の費用で済みます。

ビートを書く。声に出して時間を計る。1つずつ撮る。

よくある質問

1つのビートはどのくらいの長さにすべきですか？

画面上で5〜10秒、つまり1つの被写体が1つのことをする長さです。エンジンは数秒〜30秒に対応し、プランによって上限が10秒、15秒、20秒、30秒のいずれかに決まります。

セリフを書いてもいいのですか？

書いて、ボイスオーバーとして使いましょう。リップシンクはありません。Veo 3.1 Fastのように音声に対応するエンジンは、話し声を含む独自の音声をレンダリングしますが、録音したトラックのように演技をコントロールすることはできません。

プロンプトは自分で書かなければいけませんか？

いいえ。「強化」はラフな1行を、監督レベルの本格的なプロンプトに無料で書き直します。「おまかせ」は、ルックは決まっているもののシーンがまだないときに、プロンプトを考え出してくれます。

ビートを1ページ分書けたら、動画スタジオを開いて、最初のビートを撮りましょう。