Text-to-Promptガイド：あらゆる動画からプロンプトを抽出する方法

Text-to-Promptガイド：あらゆる動画からプロンプトを抽出する方法

完璧なライティング、なめらかなカメラワーク、独特の雰囲気を持つ動画を見て「これをAIで再現したい」と思ったことはないだろうか。このガイドでは、text-to-promptの技術を使って任意の動画をリバースエンジニアリングし、AIモデルにそのまま入力できる再利用可能なプロンプトへと変換する方法を体系的に解説する。

読み終えるころには、実際の映像からシーン構造・モーション表現・ライティング記述・スタイルタグを抽出できるようになり、プロンプト作成でよくある落とし穴も回避できるようになる。

---

セクションI：基本的な考え方とパラメーター早見表

動画におけるText-to-Promptとは？

動画向けのtext-to-promptとは、YouTube動画・ブランド広告・映画的な短編など、ある映像作品を分析し、その視覚的・音響的・動的な特性を、AIビデオモデルが理解・再現できる構造化された自然言語のプロンプトへと変換するプロセスを指す。

通常のワークフローとは逆の発想だ。シーンを頭の中でイメージしてからプロンプトを書くのではなく、完成した結果から出発して逆算していく。

プロンプトの5つのレイヤー

優れた動画プロンプトは、5つのレイヤーを積み重ねて構成される。

コアパラメーター早見表

基本方針： AIビデオモデルは、具体的でありながら過剰でないプロンプトに最もよく反応する。1プロンプトあたり40〜80語を目安にしよう。長ければいいというものではなく、矛盾した情報は情報不足よりもモデルを混乱させる。

---

セクションII：シナリオ — 映画的な自然シーン

目標

旅行ドキュメンタリーのクリップを参考にする。夜明けの霧がかかった山々、ゆっくりとした空撮プルバック、人物なし。この雰囲気を再現したい。

✅ 参考フレーム例

（説明用のイラスト例 — PixMindの実際のモデル出力ではありません。）

推奨プロンプトテンプレート

Aerial drone shot slowly pulling back from a mist-covered mountain ridge at dawn.
Pale blue and soft orange light filters through low clouds. Pine trees visible below.
No people. Cinematic color grade, anamorphic lens flare, 4K quality.
Mood: serene, vast, slightly melancholic.
Duration: ~8 seconds.

実践手順

1. 音声をオフにして動画を3回視聴する。 被写体ではなく、カメラの動きだけに集中する。
2. 主要なモーションベクトルを特定する。 このケースでは：上方向＋後方向（プルバック）。
3. 光源の種類と質を言語化する。 夜明け＝低角度・拡散光・ウォームからクールへのグラデーション。
4. スタイルを2〜3の形容詞に絞る。 「シネマティック、静謐、広大」。
5. PixMindのVideo-to-Promptツールにペーストしてドラフトを自動抽出し、その後手動で調整する。

⚠️ 落とし穴

シーン全体の説明を一文の長い文章にまとめないこと。Veo 3などのモデルは、被写体・モーション・スタイルが段落に埋め込まれるより、改行やカンマで区切られているほうがパフォーマンスが向上する。

---

セクションIII：シナリオ — 商品広告

目標

10秒のコスメ広告：大理石の台に置かれた商品、ゆっくりとしたズームイン、柔らかなスタジオライト、パステルカラーの背景。自社商品動画に使えるテンプレートを作りたい。

✅ 参考フレーム例

（説明用のイラスト例 — PixMindの実際のモデル出力ではありません。）

推奨プロンプトテンプレート

Close-up slow zoom-in on a [product name] bottle placed on white marble surface.
Soft diffused studio lighting from upper-left. Pastel pink background, out of focus.
Subtle water droplets on the product. No hands, no people.
Elegant, minimal, luxury aesthetic. Smooth camera movement, no shake.
5-second clip, 16:9.

実践手順

1. 参考広告の3つのキーフレームで一時停止する： 冒頭・中間・末尾。
2. フレーム間で何が変化しているかを記録する。 このケースでは：カメラ距離のみ変化（ズームイン）。背景とライティングは一定。
3. ブランド固有の要素を特定して置き換える。 商品名とカラーパレットを自社のものに変更する。
4. PixMindのSeedance 2 AIビデオジェネレーターでテストする — この種のコントロールされたスタジオスタイルのクリップに最適化されている。

⚠️ 落とし穴

「ハイエンド」や「プレミアム」といった曖昧な高級感の表現は避けること。代わりに、高級感の視覚的証拠を描写する：大理石、柔らかな影、ミニマルな空間、ゆっくりとした動き。モデルは抽象的な品質ラベルではなく、具体的な視覚的シグナルに反応する。

---

セクションIV：シナリオ — 人物が登場する都市の街頭シーン

目標

ストリートフォトグラフィー動画：夜の交差点、手持ちカメラ、濡れた路面に映るネオンの反射、速足で歩く人々。

✅ 参考フレーム例

（説明用のイラスト例 — PixMindの実際のモデル出力ではありません。）

推奨プロンプトテンプレート

Handheld medium shot of a busy city intersection at night, wet pavement reflecting
neon signs in red, blue, and yellow. Crowds of people walking quickly in multiple
directions. Slight motion blur on pedestrians. Shallow depth of field.
Urban, gritty, high-contrast. Tokyo or New York aesthetic.
Camera: slight sway, no stabilization. 6–8 seconds.

実践手順

1. シーン内のすべての光源をリストアップする。 ネオンサイン、ヘッドライト、ショーウィンドウ — それぞれが記述子になる。
2. 群衆の密度を表現する。 「まばら」「適度」「密集」という言葉がモデルへの人口シグナルになる。
3. カメラの個性を捉える。 手持ち撮影は意図的な不完全さを意味する — 「スタビライゼーションなし」や「わずかなカメラの揺れ」と明記する。
4. PixMindのText-to-Promptツールを使って書き起こしたシーンメモからベースドラフトを生成し、その後カメラ記述子を手動で追加する。

⚠️ 落とし穴

特定の実在都市名（例：「渋谷スクランブル交差点」）は美的方向性の設定に役立つが、視覚的描写の代替として頼りすぎないこと。モデルが地名を無視して汎用的な街並みを生成することがある。場所ではなく、見えているものを常に描写すること。

---

セクションV：シナリオ — 感情的なクローズアップポートレート

目標

ドキュメンタリースタイルのクローズアップ：高齢者の顔、自然な窓からの光、ゆっくりとしたプッシュイン、セリフなし、内省的なムード。

✅ 参考フレーム例

（説明用のイラスト例 — PixMindの実際のモデル出力ではありません。）

推奨プロンプトテンプレート

Slow push-in close-up of an elderly person's face, mid-60s, neutral expression,
thoughtful and calm. Natural soft light from a window on the left side.
Slight skin texture visible. Background: blurred warm interior.
Documentary style, desaturated color grade, no music cue.
Camera: very slow dolly-in, ultra-stable. 8 seconds.

実践手順

1. 感情のアンカーを特定する。 ムードを表す一語は何か？このケースでは「内省的」。明示的に使う。
2. 光の方向と質を描写する。 「左側からの窓光」は「自然光」より有用だ。
3. シーンにないものを記録する。 笑顔なし、動きなし、セリフなし — ネガティブな記述子は強力な効果を持つ。
4. Veoで試してみる — 公表されているスペックによれば、Veo 3/3.1は強いライティング忠実度を持つフォトリアリスティックな人物クローズアップに対応している。

⚠️ 落とし穴

実在する特定の人物の顔や外見をプロンプトに含めないこと。代わりに、属性的・感情的な特徴を描写する。これによりプロンプトがモデルセーフになり、複数回の生成を通じてより一貫した結果が得られる。

---

セクションVI：シナリオ — アクション／スポーツクリップ

目標

サーフィン動画：空撮ショット、大波に乗るアスリート、スローモーション、陽光を受けて輝くしぶき、高いエネルギー感。

✅ 参考フレーム例

（説明用のイラスト例 — PixMindの実際のモデル出力ではありません。）

推奨プロンプトテンプレート

Aerial shot looking down at a surfer riding a large breaking wave, slow motion.
White water spray exploding upward, backlit by bright midday sun — sparkle effect.
Ocean: deep blue-green. Surfer: small relative to the wave.
High energy, dynamic composition. Camera: hovering drone angle, slight tilt.
Slow motion at 50% speed. 6 seconds, 16:9.

実践手順

1. スケール関係を確立する。 「波に対して小さなサーファー」という表現がモデルへの構図的アンカーになる。
2. 光の相互作用を描写する。 バックライトを受けたしぶきはスパークル／ハロー効果を生む — 明示的に名指しする。
3. スローモーションを数値で指定する。 「50%速度」や「120fps再生」は単なる「スローモーション」より明確だ。
4. Seedance 2のプロンプトページを参照して、ダイナミックなアクションシーンに効果的なモーション特化のプロンプトパターンを確認する。

⚠️ 落とし穴

高アクションシーンはモデルがアーティファクトを最も生じやすい場面だ — 不自然な手足の動き、波の物理的な誤りなど。「physically realistic water motion」や「no distortion」といった制約を追加してこれを軽減する。

---

セクションVII：シナリオ — ブランドストーリー／ナラティブ短編

目標

15秒のブランドフィルム：粘土を扱う職人の手、温かいワークショップの光、クローズアップの細部描写、ショット間のゆっくりとしたトランジション。

✅ 参考フレーム例

（説明用のイラスト例 — PixMindの実際のモデル出力ではありません。）

推奨プロンプトテンプレート

Close-up of weathered hands shaping wet clay on a pottery wheel, slow deliberate
movement. Warm tungsten workshop light, dust particles visible in the air.
Background: blurred wooden shelves with ceramic pieces.
Tactile, artisanal, warm color grade. Camera: slow macro push-in on hands.
Ambient sound: soft spinning wheel, no music. 10–12 seconds.

実践手順

1. テクスチャー記述子に集中する。 「風化した手」「濡れた粘土」「木製の棚」— 触覚的な言葉がより豊かな視覚的レンダリングを引き出す。
2. 環境のパーティクル描写を加える。 「空気中に漂う塵の粒子」は複雑さを増やさずに奥行きとリアリティを加える。
3. モデルが対応している場合は音声キューを含める。 Veo 3とSeedance 2.5はどちらもネイティブ音声生成に対応している — 「ambient sound: soft spinning wheel」は有効なプロンプト要素だ。
4. Seedance 2の商品広告ユースケースを参照して、商業出力に向けて検証済みのブランドストーリーテリング向けプロンプト構造を確認する。

⚠️ 落とし穴

複数ショットのナラティブプロンプト（カットA→カットB→カットC）は、シングルクリップモデルを混乱させることが多い。ショット間のトランジションが必要な場合は、各ショットを別々のプロンプトで生成して後編集で組み合わせること — 編集シーケンスを1つのプロンプトで表現しようとしないこと。

---

セクションVIII：汎用プロンプトフレームワークと落とし穴チェックリスト

汎用ビデオプロンプトフレームワーク

あらゆるシナリオにこの構造を使う：

[SHOT TYPE] + [SUBJECT] + [ACTION/MOTION],
[ENVIRONMENT] + [LIGHTING],
[CAMERA MOVEMENT] + [CAMERA PERSONALITY],
[STYLE/COLOR GRADE] + [MOOD],
[DURATION] + [ASPECT RATIO].
Optional: [AUDIO CUE].

記入例：

Wide tracking shot of a woman in a red coat walking through a snowy forest,
late afternoon light filtering through bare trees, soft blue shadows on snow.
Camera: slow lateral track, smooth and stable.
Cinematic, desaturated cool tones, quiet and melancholic.
8 seconds, 16:9. No dialogue.

プロンプト長さの目安

落とし穴チェックリスト

プロンプトを送信する前に、以下を確認する：

• [ ] モーションキューに矛盾がない — 例：「手持ち」と「完全に安定」を同じプロンプトに入れない。
• [ ] 光源が明記されている — 「自然光」より「右からのゴールデンアワーのサイドライト」のほうが効果的。
• [ ] カメラの動きが指定されている — 静止、ドリー、パン、チルト、手持ち、空撮など。
• [ ] 被写体のスケールが明確 — 自然・アクション・群衆シーンでは特に重要。
• [ ] スタイルの形容詞が視覚的で抽象的でない — 「シネマティックな傑作」より「ウォームトーン、フィルムグレイン」。
• [ ] 尺が含まれている — モデルはこれを使ってモーションとトランジションのペースを調整する。
• [ ] 実在人物の外見を含めていない — 特徴を描写し、個人を特定しない。
• [ ] モデルが対応している場合は音声キューを追加する — Veo 3やSeedance 2.5では空白にしない。

クイックリファレンス：各ステップで使うPixMindツール

---

セクションIX：まとめ

text-to-promptのスキルは、本質的に翻訳の技術だ — 視覚的な情報を、AIモデルが理解できる具体的な語彙へと変換する作業である。感じることではなく見えることを正確に描写するほど、モデルはより確実にそれを再現する。

5レイヤーフレームワークから始め、汎用テンプレートを足場として使い、生成前に必ず落とし穴チェックリストを通過させること。積み重ねていくうちに、どんな新しいプロジェクトにもリミックスできる、自分だけのテスト済みプロンプトテンプレートのライブラリが構築されていく。

このプロセスを最も効率的に加速する方法は、PixMindのVideo-to-Promptツールを使って参考映像からドラフトを自動抽出し、このガイドの手法で手動精査することだ。機械による抽出と人間による調整の組み合わせは、どちらか一方だけのアプローチよりも一貫して優れたプロンプトを生み出す。