このブログのネットアイドル「藍原いろは」がデビューしたので、せっかくなら動いているところも見てみたい……!ということで、今回はいろはを主役にしたブログのCMを、AIだけでショート動画にしてみました。
使ったのはMidjourneyの動画機能「Midjourney Video」です。尺はYouTubeショート向けの縦長30秒。筆者はデザインも動画編集もほぼ素人なので、「非デザイナーでもここまでできるのか??」の検証も兼ねています。
この記事では、絵コンテの作り方から、カットの秒数の決め方、絵コンテ全10カット分のMidjourney Videoのプロンプト(日本語・英語)、編集と音楽の入れ方までをまとめました。AIでショート動画を作ってみたい方は、そのままコピペして試してみてください。
AIでショート動画を作る前に知っておきたいMidjourney Videoの基本
いきなりプロンプトを書く前に、Midjourney Videoのクセを押さえておくと失敗がかなり減ります。ポイントは4つだけです。
画像から動画を作る「Image-to-Video」方式
Midjourney Videoは、文章だけでいきなり動画を作るタイプではありません。まず静止画を作り、その画像を「Animate」で動かす、という順番です。フランスのIT系メディアでも、ゼロから動画を作れる他のツールとはここが違う点として紹介されていました。
引用元:Blog du Modérateur(フランス)
ページタイトル:Midjourney lance son générateur de vidéo par IA accessible à tous
URL:https://www.blogdumoderateur.com/midjourney-lance-generateur-video-ia/
逆に言えば、静止画の段階でキャラクターの顔や衣装を決めておけば、その見た目を出発点にして動画を作れるということ。ただし、動きによって顔や髪型が変わってしまうこともあるので、いろはのように「同じ子」を保ちたい場合は、動きの小さいlow motionを中心に使い、生成結果を見ながら調整するのが安全です。
1本は5秒、延長は4秒ずつ
1回の生成でできる動画は5秒です。延長は約4秒ずつ最大4回までで、合計21秒くらいまで伸ばせます。ただ、30秒のショート動画を1本の長回しで作るのは難しいので、今回は5秒のクリップを9本作ってつなぐ方式にしました(絵コンテ上は10カットで、ラストの2カットだけ1本の動画でつなぎます)。
国内の解説記事でも、画像を起点に最大21秒までの短い動画を作れる機能としてまとめられていました。
引用元:AI Market(日本)
ページタイトル:MidjourneyのV1 Video Modelとは?動画生成機能の特徴・使い方・料金プランまで実際に使って検証解説!
URL:https://ai-market.jp/technology/midjourney-v1-video/
気をつけたいのがGPU時間です。Midjourneyの公式ドキュメントによると、動画は画質と1回に作る本数でGPU時間が変わり、2本ずつ作る場合はSD画質で4分、HD画質だと13分かかります。延長も、1回ごとに最初の生成と同じだけGPU時間を使います。何本も作り直すとみるみる減っていくので、ここは覚悟しておきましょう。
引用元:Midjourney Docs(アメリカ)
ページタイトル:Video
URL:https://docs.midjourney.com/docs/video
low motionとhigh motionの使い分け
動きの大きさは「low motion」と「high motion」から選べます。ドイツのAI系メディアThe Decoderによると、lowはカメラが固定でゆっくりした動きのシーン向き、highは被写体とカメラの両方を大きく動かせる代わりに、仕上がりが崩れやすいとのこと。
引用元:The Decoder(ドイツ)
ページタイトル:Midjourney launches its first video model, letting users turn images into short animated clips
URL:https://the-decoder.com/midjourney-launches-its-first-video-model-letting-users-turn-images-into-short-animated-clips/
キャラクターものは、基本lowが安全です。今回の絵コンテでも、highにするのは光の粒が舞い上がる1カットだけにしています。
開始フレームと終了フレームを指定できる
ショート動画づくりで一番使えるのがこれ。Midjourney公式のアップデート情報によると、動画の最初と最後の画像をそれぞれ指定できて、プロンプトの最後に –end と画像URLをつければ終了フレームになります。–loop をつければ、最初と最後が同じループ動画にもできます。
引用元:Midjourney Updates(アメリカ)
ページタイトル:Looping and End Frame for Video + Video in the Discord Bot
URL:https://updates.midjourney.com/looping-and-end-frame-for-video-video-in-the-discord-bot/
Web版なら、Imagineバーの「Ending Frame」に画像を入れるだけで終了フレームを指定でき、ループにしたいときは「Loop」にチェックを入れます。「振り返る」から「手を振る」へ、のように2枚の絵をつなげられるので、今回はCMのラストカットに使いました。ただし、決められるのは最後の絵だけで、途中の動きまで思いどおりになるとは限りません。
30秒ショート動画の作り方|先に絵コンテを決める
AIでショート動画を作るとき、筆者が一番大事だと思ったのは「生成する前に設計図を作ること」です。行き当たりばったりで動画を作ると、つないだときにテンポがバラバラになります。
起承転結のストーリーを決める
今回のテーマは「デザイン苦手 → AIで解決」。このブログそのもののコンセプトです。30秒を起承転結に分けて、こんな流れにしました。
| 起(0〜7.5秒) | 真っ白な画面の前で頭を抱えるいろは |
|---|---|
| 承(7.5〜15秒) | AIにプロンプトを打ち込むと、画面から光とイラストがあふれる |
| 転(15〜22.5秒) | 同じ顔のまま、衣装がテンポよく切り替わる |
| 結(22.5〜30秒) | 振り返って手を振り、ブログ名とURLを出す |
BPMから逆算してカットの秒数を決める
音楽はあとから入れる予定ですが、カットの切り替えを音に合わせたいなら、テンポだけは先に決めておくのがおすすめです。BPM128の4拍子の曲なら1小節が1.875秒、16小節でちょうど30秒になります。
そこで、起・承は2小節(3.75秒)×2カット、転だけ1小節(1.875秒)×4カットの早送りにしました。結は振り返りから手を振るまでを5秒の動画1本で作り、最後の2.5秒は終了フレームの静止画を止めて表示します。絵コンテ上は10カット、生成する動画は9本です。5秒のクリップから必要な秒数だけ切り出せばいいので、Midjourney Videoとの相性もいい割り方です。曲のBPMが違う場合は「240÷BPM」で1小節の秒数が出るので、そこから割り直せばOKです。
縦長9:16は「最初の静止画」で決まる
Midjourney Videoでは、動画の縦横比は最初の静止画の比率がそのまま使われます。なので、ショート用の縦長にしたいなら、静止画を作る時点で –ar 9:16 をつけておきます。あとから縦長に切り抜くと顔が見切れたりするので、ここは最初が肝心です。
なお、公式ドキュメントには、処理の都合で縦横比がわずかに調整される場合があるとも書かれています。YouTubeショートの9:16にきっちり合わせたいときは、編集アプリで最終確認しておきましょう。
テロップ用の余白を最初から空けておく
YouTubeショートは、画面の下にタイトルやチャンネル名、右側にいいねなどのボタンが重なります。テロップはあとからアプリで入れるので、静止画のプロンプトに「画面の上1/3は余白」と書いて、文字を置く場所を先に作っておきました。
Midjourney Videoのプロンプト実例(全10カット)
ここからは今回の絵コンテ用に組んだプロンプトです。作り方は2段階で、まずMidjourney V8.2のEdit Modelで、いろはの素体三面図と顔アップの2枚を参照画像として鍵アイコンで固定し、各シーンの静止画を作ります(くわしいやり方は藍原いろはの紹介記事で書いています)。次に、完成した静止画をMidjourney Videoの開始フレームにして、動きのプロンプトで動画にします。Edit Modelの参照画像が動画生成にそのまま引き継がれるわけではないので、動画の見た目は「開始フレームの静止画」がすべて、と考えておくとわかりやすいです。どのカットも、静止画のプロンプト→動きのプロンプトの順で載せています。Midjourneyは英語の方が指示が通りやすいので、実際に貼るのは英語版がおすすめです。
起:真っ白な画面の前で頭を抱える(C1・C2)

日本語プロンプト(C1の静止画)この子を夕方の自室の机に座らせ、ノートPCの前で頬杖をついて困った顔。PCの画面は真っ白。窓からオレンジの夕日。基本の私服(花柄レースのブラウス)。顔と髪型は参照画像のまま。画面の上1/3は壁と天井だけの余白。 --ar 9:16 --raw
English prompt(C1の静止画)This girl sitting at a desk in her room at dusk, chin in her hand, troubled face in front of a laptop with a completely blank white screen. Orange sunset light from the window. Her usual outfit, floral lace blouse. Keep her face and hairstyle exactly as in the reference images. Top third of the frame is empty wall and ceiling. --ar 9:16 --raw
動画にしていくのですが、Createページのプロンプト入力画面で、「+」を押すと、一番右にAnimeとあるので、その欄に今作った画像が入るようにします。画面のイメージは以下のようになります。

動きのプロンプトは短くてOKです。キャラクターの見た目は静止画がもう決めてくれているので、ここでは「どう動くか」だけを書きます。
日本語プロンプト(C1の動き)ゆっくりまばたきして、肩を落として小さくため息。カメラは固定。 --motion low --raw --bs 2
English prompt(C1の動き)She blinks slowly, drops her shoulders and lets out a small sigh. Static camera. --motion low --raw --bs 2
C2は、丸めた紙が散らばる机に突っ伏すカットです。
日本語プロンプト(C2の静止画)この子が、丸めた紙が散らばる机に突っ伏している。紙には下手な落書き。夕方の自室、少し薄暗い。顔と髪型は参照画像のまま。画面の上1/3は余白。 --ar 9:16 --raw
English prompt(C2の静止画)This girl slumped face-down on a desk covered with crumpled paper with clumsy doodles. Her room at dusk, slightly dim. Keep her face and hairstyle exactly as in the reference images. Top third of the frame is empty. --ar 9:16 --raw

日本語プロンプト(C2の動き)頭を抱えて、ゆっくり机に突っ伏す。カメラは固定。 --motion low --raw --bs 2
English prompt(C2の動き)She holds her head and slowly slumps onto the desk. Static camera. --motion low --raw --bs 2
承:AIに頼んだら光があふれる(C3・C4)

C3でキーボードを打ち、C4で画面から光とイラストがあふれ出します。
日本語プロンプト(C3の静止画)この子が顔を上げて、真剣な表情でノートPCのキーボードを打っている。画面からのローズピンクの光が顔を照らす。夕方の自室。顔と髪型は参照画像のまま。画面の上1/3は余白。 --ar 9:16 --raw
English prompt(C3の静止画)This girl looking up with a determined face, typing on her laptop keyboard. Rose pink light from the screen illuminates her face. Her room at dusk. Keep her face and hairstyle exactly as in the reference images. Top third of the frame is empty. --ar 9:16 --raw
日本語プロンプト(C3の動き)キーボードをリズミカルに打つ。画面のピンクの光がだんだん明るくなる。カメラは固定。 --motion low --raw --bs 2
English prompt(C3の動き)She types rhythmically on the keyboard. The pink glow from the screen gradually gets brighter. Static camera. --motion low --raw --bs 2
C4はCMの中で一番派手なカットなので、ここだけhigh motionにしています。
日本語プロンプト(C4の静止画)この子のノートPCの画面からローズピンクの光の粒があふれ出し、周りに小さなイラストのカードが何枚も浮かんでいる。目を輝かせて驚く表情。顔と髪型は参照画像のまま。 --ar 9:16 --raw
English prompt(C4の静止画)Rose pink sparkles burst out of this girl's laptop screen, many small illustration cards float around her. She looks amazed with sparkling eyes. Keep her face and hairstyle exactly as in the reference images. --ar 9:16 --raw
日本語プロンプト(C4の動き)光の粒が上へ舞い上がり、イラストのカードが彼女の周りをゆっくり回る。彼女は笑顔になる。 --motion high --raw --bs 2
English prompt(C4の動き)Sparkles rise upward and the illustration cards slowly orbit around her. She breaks into a smile. --motion high --raw --bs 2
転:同じ顔のまま着せ替えフラッシュ(C5〜C8)
{画像:甘ロリ、ゴスロリ、冬ニット、サンタワンピースの4つの衣装で同じポーズをとる藍原いろはの縦長カット}
転は1カット1.875秒の早送りです。衣装は写真集で作ったルックをそのまま使い、4枚とも「同じ立ち位置・同じサイズ・単色背景」で作りました。こうしておくと、パッと切り替えたときに「着替えた」ように見せられます。
C5:甘ロリ×小悪魔ドレス
日本語プロンプト(静止画)この子に、ピンクとボルドーの甘ロリィタドレス(胸元に宝石つきの大きなリボン、スカートにハートとコウモリの羽の柄)を着せ、ハートのステッキを持たせる。顔と髪型は参照画像のまま、髪色はピンクベージュのまま。画面中央に膝上まで、正面向き。背景はローズピンクの単色。画面の上1/4は余白。 --ar 9:16 --raw
English prompt(静止画)Dress this girl in a pink and burgundy sweet lolita dress with a large jeweled bow on the chest and heart and bat-wing patterns on the skirt, holding a heart-shaped wand. Keep her face, hairstyle and pinkish-beige hair color exactly as in the reference images. Centered, knee-up, facing the viewer. Plain rose pink background. Top quarter of the frame is empty. --ar 9:16 --raw
日本語プロンプト(動き)カメラは固定。ステッキを小さく振る。 --motion low --raw --bs 2
English prompt(動き)Static camera. She waves the wand gently. --motion low --raw --bs 2
C6:ゴシックロリィタ
日本語プロンプト(静止画)この子に、黒とボルドーのゴシックロリィタドレス(胸下に編み上げのコルセット、腰に黒いレースのリボンと十字架のブローチ)を着せる。顔と髪型は参照画像のまま、髪色はピンクベージュのまま。画面中央に膝上まで、正面向き。背景はローズピンクの単色。画面の上1/4は余白。 --ar 9:16 --raw
English prompt(静止画)Dress this girl in a black and burgundy gothic lolita dress with a lace-up corset under the bust and a black lace bow with a cross brooch at the waist. Keep her face, hairstyle and pinkish-beige hair color exactly as in the reference images. Centered, knee-up, facing the viewer. Plain rose pink background. Top quarter of the frame is empty. --ar 9:16 --raw
日本語プロンプト(動き)カメラは固定。クールな表情でゆっくりカメラを見る。 --motion low --raw --bs 2
English prompt(動き)Static camera. She slowly looks at the camera with a cool expression. --motion low --raw --bs 2
C7:冬ニットとマフラー
日本語プロンプト(静止画)この子に、白いざっくりケーブルニットとローズピンクの大きなマフラー、ベージュのロングスカートを着せる。顔と髪型は参照画像のまま、髪色はピンクベージュのまま。画面中央に膝上まで、正面向き。背景はローズピンクの単色。画面の上1/4は余白。 --ar 9:16 --raw
English prompt(静止画)Dress this girl in a chunky white cable-knit sweater, a large rose pink scarf and a beige long skirt. Keep her face, hairstyle and pinkish-beige hair color exactly as in the reference images. Centered, knee-up, facing the viewer. Plain rose pink background. Top quarter of the frame is empty. --ar 9:16 --raw
日本語プロンプト(動き)カメラは固定。両手を口元に当てて、白い息を吐く。 --motion low --raw --bs 2
English prompt(動き)Static camera. She puts both hands near her mouth and breathes out white breath. --motion low --raw --bs 2
C8:サンタワンピース
日本語プロンプト(静止画)この子に、白いファー付きのボルドー寄りの赤いサンタワンピースと小さなサンタ帽を着せ、リボンのかかったプレゼント箱を持たせる。顔と髪型は参照画像のまま、髪色はピンクベージュのまま。画面中央に膝上まで、正面向き。背景はローズピンクの単色。画面の上1/4は余白。 --ar 9:16 --raw
English prompt(静止画)Dress this girl in a burgundy-leaning red Santa dress with white fur trim and a small Santa hat, holding a gift box with a ribbon. Keep her face, hairstyle and pinkish-beige hair color exactly as in the reference images. Centered, knee-up, facing the viewer. Plain rose pink background. Top quarter of the frame is empty. --ar 9:16 --raw
日本語プロンプト(動き)カメラは固定。プレゼント箱をこちらに差し出す。 --motion low --raw --bs 2
English prompt(動き)Static camera. She holds out the gift box toward the viewer. --motion low --raw --bs 2
English prompt(動き)Static camera. She (waves the wand gently / looks coolly at the camera / breathes out white breath / holds out the gift box). --motion low --raw --bs 2
結:振り返って手を振る(C9→C10を–endでつなぐ)

ラストは、振り返るカット(C9)を開始フレーム、正面で手を振るカット(C10)を終了フレームにして、1本の動画でつなぎます。5秒しかないので、最後の2.5秒は終了フレームの静止画を止めて伸ばし、ぴったり30秒にします。
日本語プロンプト(C9の静止画)この子が基本の私服(花柄レースのブラウスとくすみピンクのスカート)で、肩越しにこちらを振り返って微笑む。夕暮れの商店街。顔と髪型は参照画像のまま。画面の上1/3は空。 --ar 9:16 --raw
English prompt(C9の静止画)This girl in her usual outfit, floral lace blouse and dusty pink skirt, looking back over her shoulder with a smile. Shopping street at dusk. Keep her face and hairstyle exactly as in the reference images. Top third of the frame is sky. --ar 9:16 --raw
日本語プロンプト(C10の静止画)C9と同じ服・同じ場所で、正面を向いて照れ笑いで小さく手を振る。顔と髪型は参照画像のまま。画面の上半分は空。 --ar 9:16 --raw
English prompt(C10の静止画)Same outfit and place as before, facing the viewer with a shy smile and waving gently. Keep her face and hairstyle exactly as in the reference images. Upper half of the frame is sky. --ar 9:16 --raw
日本語プロンプト(動き)振り返ったままゆっくり体ごと正面を向き、小さく手を振る。カメラは固定。 --motion low --raw --end (C10の画像URL)
English prompt(動き)She slowly turns her whole body to face the viewer and waves gently. Static camera. --motion low --raw --end (C10 image URL)
(C10の画像URL)の部分は、C10の静止画のURLに置き換えてください。Web版なら、URLを書く代わりにEnding FrameにC10の画像を入れてもOKです。
Midjourney Videoのプロンプトで失敗しないコツ
動きのプロンプトでキャラの見た目を書き直さない
動きのプロンプトに「ピンクベージュのショートボブの女の子が〜」と見た目まで書き直すと、静止画と文章の2か所で見た目を指示することになり、食い違ったときにどちらに寄るのか読みにくくなります。そこで今回は、見た目は静止画に任せて、動きのプロンプトには動作とカメラのことだけを書く方針にしました。
カメラは「固定」と書いておく
カメラの指定がないと、被写体だけでなくカメラごと動くことがあります。短いカットをつなぐショート動画では、カメラが勝手に動くとつないだときに落ち着きません。特に理由がなければ「Static camera」を入れておくのがおすすめです。
–bs 2で2本ずつ作って選ぶ
–bs は1回に作る動画の本数です。1本だけだとハズレたときにまた待つことになり、4本だと気に入らなかったときのGPU時間がもったいない。今回は2本ずつ作って良いほうを選ぶ設定にしています。前述のとおり、2本ならSD画質で4分、HD画質で13分のGPU時間です。
AIで作ったクリップをショート動画に仕上げる
クリップを秒数どおりに切り出す
Midjourney Videoでできるのは5秒のクリップなので、編集アプリで絵コンテどおりの秒数に切り出します。起・承・結は動きが一番きれいな3.75秒を、転は動き始めの部分を中心に1.875秒を使うと、テンポよく着替えているように見せられます。
音楽はYouTubeオーディオライブラリで
音楽はYouTubeオーディオライブラリから選びます。BPMでは絞り込めないので、ジャンルを「ポップ」や「ダンス&エレクトロニック」、ムードを「明るい」にして候補を絞り、BPMを測るサイトで120〜130くらいの曲を探します。曲の1拍目を動画の0秒に合わせると、カットの切り替えが拍にきれいに乗ります。
また、オーディオライブラリの曲はライセンス条件も確認しておきましょう。曲によっては、動画の説明欄にアーティスト名などのクレジット表記が必要です。
テロップは上側の余白に
テロップは、静止画の段階で空けておいた上側の余白に入れます。今回は白文字に、このブログのアクセントカラーのローズピンクを差し色にします。
まとめ
今回は、このブログのネットアイドル「藍原いろは」を主役に、Midjourney VideoでYouTubeショート用の30秒CMを作る方法を紹介しました。AIでショート動画を作るときのポイントは、生成を始める前に起承転結の絵コンテと、BPMから逆算したカットの秒数を決めておくことです。Midjourney Videoは静止画を動かす方式で、1本は5秒、縦長の比率は基本的に最初の静止画で決まります。静止画は –ar 9:16 で作り、テロップ用の余白も空けておきます。プロンプトは、見た目は静止画に任せて動きとカメラだけを書く、キャラクターものは基本low motion、ラストは –end で2枚の絵をつなぐ、の3つを意識しました。GPU時間は2本でSD4分、HD13分なので、作り直しの回数も計算に入れておきましょう。全10カット分のプロンプトを載せているので、自分のオリジナルキャラクターでもぜひショート動画づくりに挑戦してみてください。