テキストから動画生成AI: プロンプトから動画を作成
テキストプロンプトをAI動画クリップに変換します。自分で動画モデルを選択するかAutoモードを使用し、アスペクト比と長さをコントロールして、モーション、カメラワーク、および対応モデルでのネイティブオーディオを生成します。
テキストから動画生成（Text to Video）とは？
getimg.aiのテキストから動画生成機能は、テキストのプロンプトをAIが生成した動画クリップに変換します。シーンの説明を入力し、動画モデルを選ぶかAutoに選択させ、アスペクト比とクリップの長さを設定すると、ダウンロード、再生成、または別のモデルで再実行できるクリップが返されます。
ここでの主な入力はテキストです。映像素材も、アップロードも、タイムラインも不要です。もし動かしたいキャラクター、製品、または最初のフレームがすでにある場合は、代わりに画像から動画生成（Image to Video）から始めてください。
クリエイティブチームがgetimg.aiで動画を制作する理由
制作ループのために構築されています。編集ソフトを経由する回り道をすることなく、ブリーフから最初のカットまで直行できるワークフローです。
編集経験は不要
ブリーフを入力します。アスペクト比と長さを選びます。クリップが返ってきます。ワークフローはすでに構築されています。タイムラインも、ノードグラフも、制作スタックのセットアップも必要ありません。
デフォルトでオンのプロンプト拡張
プロンプト拡張機能は、生成前に短いプロンプトをより完全なシーン指示へと展開するため、完全なショットリストの代わりに2行書くだけで済みます。
1つのプロンプトを複数のモデルで実行
プロンプトを固定したままモデルを切り替えて、それぞれのモデルが同じブリーフをどう解釈するかを確認できます。バッチ処理を確定する前に、どのモデルがショットに合うかを判断するのに役立ちます。
反復処理に十分なスピード
毎日リリースするチームのために構築されています。プロンプトを変更し、モデルを切り替え、再生成します。クリエイティブな勢いを維持できるほど短いループです。
プロはText to Videoをどう使っているか
キャンペーン素材、ナラティブショート、製品モーション、ソーシャル向けカットを、1つのワークスペースでプロンプトから制作します。
プロンプトベースの動画が適している場面
従来の制作手法は依然として完成された映像に軍配が上がります。Text to Videoは、その前の段階であるコンセプト作成、プレビズ、迅速な実験、つまり誰もスケジュールを押さえる前にショットを確認したい段階で威力を発揮します。
getimg.ai
ショットを説明する
フレーム内に何があるか、それがどう動くか、どのような雰囲気かを書いてください。短いプロンプトでも機能します。プロンプト拡張機能がそれらをより完全なシーン指示へと展開します。
モデルと設定を選択する
モデルを選ぶかAutoに選択させ、アスペクト比、クリップの長さ、モデルが対応している場合はオーディオを設定します。
生成、比較、エクスポート
バリエーションを並べて実行し、うまくいったテイクを保存して、編集者、広告セット、またはプレビズリール用にMP4をエクスポートします。
従来の動画制作
- コンセプト、スクリプト、リファレンスを確定する
- クルーとタレントを予約する
- 機材、照明、ロケーションを予約する
- 撮影のスケジュールを立てる
- テイク数や天候のリスクを伴う撮影
- 編集、グレーディング、ミックス
- レビューと修正
- 方向性が変わった場合の再撮影
- 数日または数週間後の納品
Text to Videoが最適なスタート地点となる場合
プロンプトベースの動画は、何も確定していない段階で最強です。つまり、シーンがまだ存在せず、複数のバージョンをすばやく確認したいときです。
主要なText to Videoモデルを1つのワークスペースで
セリフ、モーションコントロール、長尺クリップ、高速なイテレーション。1つのサブスクリプションで、ショットに必要なモデルを選べます。モデルのラインナップは急速に変化するため、クリップの長さ、アスペクト比、オーディオの対応状況に関する最新の情報源としては、動画モデルガイド（Video Models Guide）を参照してください。
Google Veo
Veoは映像と音声を同時に生成し、カメラの指示に忠実に従います。Omni Flashモデルは、より広い解像度でネイティブオーディオをより早く生成します。
Google Veo 3.1
映像と共にセリフ、音楽、環境音を生成します。参照画像、最初のフレーム、最後のフレームのガイダンスを使用し、16:9または9:16で1080pの8秒クリップ。
Gemini Omni Flash 1.1
ネイティブオーディオ、最初と最後のフレームの補間、マルチリファレンスガイダンスを備えた高速なマルチモーダル生成。16:9または9:16で、360pから最大4Kまでの4～10秒。
Gemini Omni Flash
以前にリリースされたOmni Flashで、こちらもネイティブオーディオ付き。参照画像と最初のフレームのガイダンスを使用し、16:9または9:16で720pの5秒または10秒クリップ。
どのText to Videoモデルを使うべきか？
ショットのニーズに合わせて選択してください。各タブには、最初に試すべきモデル、それぞれの強み、映像と一緒に音声を生成するかどうか、受け入れるリファレンス、1つのクリップの長さなどがリストされています。
セリフとサウンド
ショットにスピーチ、音楽、または環境音が必要な場合は、映像と一緒にオーディオを生成するモデルを選択します。Veo 3.1、FLUX 3、Wan 3.0もサウンドを生成するため、異なるクリップの長さやルックが必要な場合に適しています。
Gemini Omni Flash 1.1
適している用途: フルフレームとリファレンスコントロールを使用した高速なセリフと環境音。映像付きサウンド: あり。リファレンス: 参照画像、最初と最後のフレーム。クリップの長さ: 4～10秒、360pから最大4K。
Seedance 2.5
適している用途: 長回しや複雑なカメラワーク全体のサウンド。映像付きサウンド: あり。リファレンス: 参照画像、最初と最後のフレーム。クリップの長さ: 6つのアスペクト比で最大30秒。
Kling 3.0 Pro
適している用途: サウンドと緻密なモーションコントロールが必要なナラティブショット。映像付きサウンド: あり。リファレンス: 最初と最後のフレーム。クリップの長さ: 最大15秒、最大4K出力。
5つの動画モデルで同じテキストプロンプトを実行しました
1つのプロンプト、5つのモデル、他は何も変更していません: 16:9、8秒、サウンドオン。カメラを振り向く人、数フレームごとに変化する光、金属の鏡面ディテール、そしてゆっくりとしたカメラワークなど、難しい部分に負荷をかけるブリーフを選びました。自分のショットのモデルを選ぶ前に、タブを切り替えて比較してみてください。
プロンプト：クロムビーズのトップスを着て蝶のヘアクリップをしたモデルが、パパラッチのフラッシュが次々と光る中、カメラの方を振り向く、スローモーション、フラッシュが光るたびにビーズが硬い白い光を散乱させる、深い黒の背景、カメラがゆっくりとプッシュインする、シャッター音と群衆の低いざわめき。
Text to Videoプロンプトの例
応用できる8つのプロンプト。それぞれに被写体、アクション、カメラワーク、照明の指示が指定されており、これはほとんどのText to Videoモデルが応答する構造です。また、それぞれが異なるコントロール方法を教えてくれます。
Text to Videoプロンプトの書き方
動画プロンプトには被写体以上のものが必要です。「街にいる女性」では、モデルは何をアニメーションさせればいいのかわかりません。フレーム内に何があるか、何が動くか、カメラがどう動くか、そしてショットの展開の速さを指定してください。これら6つの要素をカバーすれば、出力があなたの思い描いたものと一致する可能性がはるかに高くなります。
結果は依然としてモデルとプロンプトに依存します。複雑なシーン、クリップ間の正確な連続性、または非常に特定の動きは、うまくいくまでに何度か生成を繰り返す必要があることが多いため、最初のテイクが最終版になるとは期待せず、反復処理を前提として計画してください。
1行ずつ、より良いプロンプトを構築する
以下の各行では1種類の情報が追加されています。横にあるクリップは、完成したプロンプトが生成するものです。
1. 車が走っている。まだあなたの意図は何も反映されていません。モデルが車、道路、光、カメラを勝手に選びます。
2. 曲がりくねった山道にある赤いスポーツカー。これで被写体と設定があなたの決定したものになりました。
3. 夕日の中で。「夕日の中で」という言葉が、ショット全体の光、色、雰囲気を設定します。
4. 横からの低いトラッキングショット、木々から差し込む暖かいバックライト、後輪の後ろに舞う土埃、安定した速いペース、エンジンの轟音と風。カメラ、光、モーション、サウンドが推測ではなく、指示されるようになりました。
赤いスポーツカーが夕暮れ時に曲がりくねった山道を猛スピードで走る、車に合わせて移動する横からの低いトラッキングショット、木々から差し込む暖かいバックライト、後輪の後ろに舞い上がる土埃、安定した速いペース、エンジンの轟音と風の音
モノの動きを説明する
動画の場合、被写体だけでは不十分です。プロンプト内で3種類の動きを分けることで、ショットの意図がはるかに伝わりやすくなります。
「野原に立つ女性」と書く代わりに、「風が彼女の髪とコートを揺らし、周りの背の高い草がゆっくりと波打つ中、野原に立つ女性」と書いてみましょう。
風が彼女の髪とコートを揺らし、周りの背の高い草が波打つようにゆっくりと曲がる中、背の高い草の野原に静かに立つ女性、静止したワイドショット、柔らかい曇り空の光、ゆっくりと安定したペース
Text to Videoプロンプトのためのカメラ言語
映画学校に通う必要はありません。1つのアイデアにつき1つの用語があれば、モデルがカメラを配置して動かすには十分です。
フレーミング
シーンのどの程度がショットに収まっているか、被写体にどれくらい近いか。
クローズアップ
被写体またはその細部でフレームを埋めます。顔、手、テクスチャ、製品のディテールに使用してください。
ミディアムショット
おおよそ腰から上の被写体で、設定の一部が見えます。人が何かをしている場合のデフォルトです。
ワイドショット
見える環境の中に小さく配置された被写体。クローズにカットする前に、場所を確立するために使用します。
クリエイティブチームが動画にgetimg.aiを選ぶその他の理由
モデルライブラリだけではありません。その周辺のワークフローも理由です。
有料プランで商用利用権あり
有料プランには、当社の利用規約、モデル固有の条件、および適用される第三者の権利に従い、生成された動画の商用利用権が含まれています。エンタープライズティアや、クライアントワーク前の個別のライセンス手続きはありません。
20以上の言語でプロンプトを入力
インターフェースを切り替えることなく、日本語、スペイン語、フランス語、ドイツ語、中国語など、20以上の対応言語でプロンプトを記述できます。
並行して生成を実行
一度に複数のクリップをキューに追加できます。Entryでは2つ、Coreでは4つ、Plusでは8つ、Ultraでは10つです。現在のクリップがレンダリング中であっても次のクリップが開始されるため、バリエーションをテストする際に役立ちます。
テキストからVFXコンセプトとクリエイティブショットを生成
ポータル、グリッチ、浮遊、パーティクル、トランスフォーメーションなどをプロンプトから直接探求できます。アイデアを見つけるための手っ取り早い方法です。最終的なショットに合成や追加の編集が必要かどうかは、実際に動いているのを見てから判断できます。
真夜中の人けのない道路の真ん中に一人で立つ男、彼の周りで街灯が点滅している。ゆっくりとしたプッシュインショットが、彼の無表情で読み取れない表情を捉える。突然、彼はシミュレーションのグリッチのように点滅する。彼の体はわずかに歪み、端がピクセル化する。点滅が激しくなり、警告なしに彼は完全に消え去り、後には何もない空間だけが残る。画面が暗転する前に最後の静電気の点滅。[プッシュイン]
クリップと一緒に生成されるネイティブオーディオ
対応モデルでは、サウンドが映像と一緒に生成され、シーンの動きにマッチします。聞きたい音をプロンプトで説明し、サウンドを前提とする前にモデルを確認してください。オーディオの対応状況はモデルによって異なります。
1クリップずつ、より長いシーケンスを構築する
クリップの長さは選択したモデルによって異なります。現在のオプションは短いショットから長めの長回しまで様々ですので、現在各モデルが何をサポートしているかについては、動画モデルガイドを確認してください。1つのクリップを超えるものについては、一連のクリップを生成し、最初と最後のフレームのガイダンスを使用して視覚的な方向性を維持し、編集ソフトでそれらをつなぎ合わせてください。
より多くの視覚的なコントロールが必要ですか？
どちらの方法でもクリップが生成されます。違いは、何から始めるかです。左側はすでに存在する静止画です。右側は、同じフレームが動きに変わったものです。
シーンがまだ存在しない場合は、Text to Videoから始めるのが正解です。すでに特定のキャラクター、製品のショット、構図、または最初のフレームがある場合は、通常はImage to Videoから始める方が適しています。
さらにAI機能を探索する
よくある質問
Text to Video AIは、書かれたプロンプトを生成された動画クリップに変換します。あなたが被写体、アクション、カメラ、設定を説明し、モデルはその説明を使用して、それに一致する一連のフレームを生成します。
getimg.aiでは、1つのワークスペースと1つのサブスクリプションで、Google Veo 3.1、Kling 3.0 Pro、Seedance 2.5、FLUX 3、Wan 3.0、MiniMax H3、Grok Imagineなどのモデルを使用してテキストから動画を生成できます。
ブラウザでgetimg.aiを開き、「動画を作成（Create video）」を開いてプロンプトを書きます。被写体、何が動くか、カメラ、雰囲気を説明してください。
アスペクト比、クリップの長さ、バリエーションの数を設定してから生成します。クリップはバックグラウンドでレンダリングされるため、完了するまで次のクリップをキューに入れたり、作業を続けたりすることができます。
単一の「最高」のモデルはありません。適切なモデルはショットによって異なります。セリフや環境音には、Veo 3.1またはKling 3.0 Proから始めてください。長回しには、Seedance 2.5、Wan 3.0、またはFLUX 3から始めます。大量のソーシャル向け出力には、Seedance 2.0 Fastから始めます。物理的に基づいた動きには、MiniMax H3を試してください。
ブラウザで直接クリップを生成して比較できます。同じプロンプトを2つのモデルで実行して違いを確認するか、プロンプトと設定に基づいてAutoに適切なモデルを選択させることができます。
Text to Videoモデルは、あなたのプロンプトを条件として使用し、一連のフレームを生成します。プロンプトによって、被写体、アクション、環境、カメラ、照明、そして対応モデルではオーディオをコントロールできます。
説明が具体的であればあるほど、出力はそれに従う傾向があります。それでも実行するたびに結果は異なる可能性があり、複雑な物理的相互作用には反復が必要になる場合があるため、最初のテイクが最終版になるとは期待せず、いくつかのバリエーションを生成することを前提としてください。
Text to Videoはシーンをゼロから作成します。入力はあなたのプロンプトのみです。Image to Videoは、すでに持っている画像から開始し、それをアニメーション化します。
シーンがまだ存在しない場合は、テキストから始めます。動かしたい製品、キャラクター、または構図がすでにある場合は、画像から始めます。最初に静止画を生成し、それをクリップの最初のフレームとして使用することで、両方を組み合わせることもできます。
ほとんどのクリップは、モデル、クリップの長さ、解像度にもよりますが、数分でレンダリングされます。プロンプトの変更、モデルの切り替え、または同じブリーフの再実行は、従来のソフトウェアでの1回のレンダリングよりも短い時間で済みます。
生成はバックグラウンドで実行されるため、待つことなくワークスペースにとどまり、次のクリップを開始できます。
ほとんどの動画モデルは16:9と9:16に対応しています。いくつかのモデルは、1:1、4:3、3:4、21:9にも対応しています。対応状況はモデルによって異なるため、正確なセットについてはモデルカードを確認してください。
クリップの長さもモデルに依存し、その範囲は拡大し続けています。現在のオプションは、数秒の短いショットからより長めの長回しまで様々です。すぐに古くなる数値をハードコードするのではなく、各モデルの現在の長さについては、動画モデルガイドで確認してください。
対応モデルでは可能です。これらのモデルは、映像と一緒にセリフ、環境音、効果音、音楽を生成します。ネイティブオーディオのないモデルは映像のみを返すため、サウンドを前提とする前にモデルを確認してください。
視覚的な説明の後に、プロンプトで直接オーディオを説明してください。対応モデルではサウンドはモーションと一緒に生成されるため、個別のサウンド処理パスはありません。
有料プランには、当社の利用規約、モデル固有の条件、および適用される第三者の権利に従い、生成された動画の商用利用権が含まれています。この権利はEntry、Core、Plus、Ultraのすべてに含まれており、クライアントワーク前の個別のライセンス手続きはありません。
参照画像を受け入れるモデルでは、それを使用してクリップ全体のキャラクター、被写体、またはビジュアルスタイルをガイドできます。これにより、ルックを保証するのではなく、維持するのに役立ちます。
最初と最後のフレームのガイダンスはほとんどの動画モデルでサポートされており、クリップの開始または終了時に視覚的なアンカーを提供します。これにより、編集ソフトで長いシーケンスを組み立てる際の連続性が向上します。生成動画は依然としてブレる可能性があるため、正確な連続性を得るには何度か試行する必要があると考えてください。
結果はモデルとプロンプトに依存します。複雑なシーン、クリップ間の正確な連続性、フレーム内の手やテキスト、そして非常に特定の動きは、通常、出力がブリーフから外れやすい部分です。
実用的なワークフローは、いくつかのバリエーションを生成し、それらを比較してプロンプトを調整することです。また、単一のクリップは選択したモデルの最大再生時間によって制限されるため、より長いシーケンスは編集ソフトで複数の生成物から組み立てます。
より多く生成し、待ち時間を減らす。
プロンプトを入力します。モデルを選ぶか、Autoに選択させます。従来のレンダリング1回分の時間でイテレーションを回しましょう。