テキストから動画（text-to-video）

text-to-videoは、プロンプトから1つの映像ショットを生成する場合と、長い文章ブリーフから編集済みの完成動画を作る場合があります。完成ワークフローでは複数シーンを設計し、動画・画像・司会者・ナレーション・字幕・音楽・効果を組み立てます。

用途に応じて、映画的な動きや商品ショットには生成動画モデル、説明中心の内容にはトーキングアバターが有効です。VlogMeには両方があります。複数シーンのストーリーにはDirector、プレゼンターが話すクリップにはVideo Studioを使います。

テキストから動画を作るモデルのしくみ

モデルはプロンプトを読み、すべてのフレームがその内容に沿った短いクリップを生成します。最近のモデルの多くは、映像と一緒に音も生成します。クリップの長さの上限、カメラの指示にどこまで従うか、人物・商品・手・画面内の文字をどれだけうまく扱えるかは、モデルによって異なります。

うまくいくのは、1つのショットを描写するプロンプトです。被写体、肝心の動作1つ、カメラの動き、光、音を書きます。「夜明けのラベンダー畑から熱気球が浮かび上がり、カメラがゴンドラと一緒に上昇、バーナーの轟音」はショットです。「当社のブランド映像」は、まだショットに分ける必要があるブリーフです。

1本のクリップから完成動画へ

完成動画が1本のクリップだけでできていることはまれです。ブリーフをシーンに分け、登場人物とスタイルをシーン間でそろえ、声やプレゼンターを加え、音楽と字幕とともにクリップをつなぐ必要があります。この構成づくりがtext-to-videoのもう半分で、物語としてまとまるか、関係のないショットの寄せ集めになるかを左右します。

VlogMeでのテキストから動画

• 1ショット： テキストから動画の画面では、1つのプロンプト欄の後ろに7つのエンジンが控えています。Veo 3.1、Kling 3.0 Pro、Seedance 2.5などがあり、クリップは短いもので4秒、長いもので30秒、音付きです。上の熱気球のプロンプトはVeoから、バーナーの轟音まで入った6秒の縦型クリップとして返ってきました。
• 動画1本分： Directorは、チャットで最長3分の複数シーン動画を構成し、画像・音声・音楽を準備して、レンダー前に料金を表示します。

制限とリスク

• 1文に複数の動作を書くと混ざりがちです。クリップ内でカットが必要なら、ショットに番号を振ります。
• 読める文字、手、非常に速い動きは多くのモデルにとってまだ難しいため、公開前にすべてのクリップを確認してください。
• 生成したクリップを実際の出来事の映像として見せてはいけません（利用規約 第7条）。実在の人物の顔には本人の同意が必要です（第6条）。

よくある質問

クリップにナレーションは入りますか？

エンジンは環境音や効果音を映像と一緒に生成し、プロンプトに書いた短いセリフを話せるものもあります。ナレーションやプレゼンターが必要なら、Audio Studioの音声を加えるか、トーキングアバターを使います。

どのモデルから始めればよいですか？

Video Studioでは、あらかじめGemini Omni Flashが選ばれています。音付きのなめらかな動きを出しやすい、無難な最初の選択です。決める前に、同じプロンプトを2つ目のエンジンにも送り、2本のクリップを並べて比べてください。

クリップの料金は？

クリップごとにクレジットで支払います。選んだモデル・長さ・形式の見積もりが、生成前にVideo Studioに表示されます。