AI MVの作り方

AI MV生成ツールが実際にやってくれること

AI MV生成ツールは、プロンプト・画像・参考クリップから数秒ほどの短い動画区間を作るものです。2026年時点で、3分の曲をまるごと1回で仕上げてくれるツールは確実なものがありません。Veo、Kling、Seedance、Runway、Hailuoなどどのモデルでも実用的な方法は同じで、曲を細かく区切り、区間ごとにクリップを生成し、CapCut、Premiere Pro、DaVinci Resolveなどの編集ソフトでつなぎます。

つまり、すべての土台は曲です。モデルが作るのは動く映像だけで、各映像をどこから始めてどこで止めるかを決めるのは自分です。MVがプロっぽく見えるかどうかは、生成の前後の作業で決まります。曲の構成を整理し、ビートに合わせてショットを計画し、最後に同期を確認することです。

手順1：その曲を使ってよいか確認する

クレジットを1つでも使う前に、権利を確認しましょう。公開できない曲で作った動画は、ミュートされたりブロックされたり、権利申し立てを受けたりします。YouTubeでは、アップロードされたすべての動画がContent IDでスキャンされます。権利者の参照ファイルと一致すると、権利者が動画のブロック、広告の掲載、追跡のいずれかを選び、その判断は国ごとに異なることがあります。

• 自作曲：問題ありません。Content IDを自分の味方にしたい場合は、配信代行会社に登録しておきましょう。
• ライセンス楽曲：動画への同期利用と、投稿予定のプラットフォームごとの利用条件を読みましょう。ショート動画のBGM用ライセンスは、フル尺のMVには適用されないことがあります。
• AI生成曲（Sunoなど）：自分のプランでの商用利用と権利の帰属について、ツールの規約を確認しましょう。規約はプランによって異なり、時間とともに変わります。
• 自分に権利のない市販のヒット曲：プラットフォームがライセンスを持つ、アプリ内の音楽ライブラリからのみ使います。書き出して他の場所に再アップロードしないでください。

YouTubeでは、AI生成の音楽が動画の主題である場合や、実在の人物・場所に見えるリアルなAI映像を使う場合に、その旨の開示も求められます。各プラットフォームと地域のルールは、「AIコンテンツの表示ルール」のガイドで説明しています。

手順2：曲をビート表に落とし込む

プロンプトを書く前に、まず曲のタイムラインを作ります。必要なのは、テンポ、セクション、ダウンビート、そして印象的な音の出来事のいくつかです。

1. BPMを調べます。サビに合わせてタップします。たとえばcv.cmのメトロノームにはタップテンポがあり、数回タップするとBPMが分かります。
2. セクションごとに時刻を記録します。イントロ、Aメロ、Bメロ、サビ、ブリッジ、アウトロです。
3. 各セクションの最初のダウンビート、いちばん大きな音、ブレイクやドロップを記録します。カットや大きな動きは、こうした瞬間に合わせます。
4. 1フレーズの長さを計算します。4/4拍子では1小節が4拍なので、1小節の長さは240÷BPM秒です。120 BPMなら1小節は2秒、2小節のフレーズ（8カウント）は4秒になります。

4秒のフレーズは、多くのモデルが受け付ける最短のクリップ長に近いので使いやすい単位です。90 BPMなら1小節は約2.67秒で、8カウントは約5.3秒、128 BPMなら3.75秒です。ショットの長さはフレーズ単位に揃え、余った端数の秒は編集でトリミングしましょう。

手順3：ビート表に沿ってショットを計画し、ルックを固定する

タイムラインをショットリストにします。基本はフレーズごとに1ショットで、テンポの速い曲ならサビは1小節ごとに1ショットでも構いません。各行には、時間範囲、セクション、カメラに映るもの、メインの動きが乗る音の出来事を書きます。

いちばん大事なのは冒頭のショットです。実際には、最初のフレームで、最初の2、3秒に離脱する視聴者の数が決まります。最初のフレームを、動画全体でいちばん魅力的な1枚にしましょう。明るく、顔がはっきり見えて光が当たっていて、被写体がすでに動いているか笑っていて、クローズまたはミディアムで画面の大半を占める構図です。黒からのゆっくりしたフェードイン、うつむいた顔、暗い部屋では、曲が始まる前に視聴者が離れてしまいます。ストーリー上の前置きが必要なら、ゆっくりした導入ではなく、小道具と舞台設定で見せましょう。

次にルックを固定します。キャラクターシート（正面・側面・背面、衣装、髪、色）と、レンズ・光・カラーグレーディングなどを書いた短いスタイル行を作り、すべてのプロンプトにそのまま貼り付けます。シートの作り方は「AIキャラクターの一貫性」のガイドで説明しています。新しく作る参照画像は、すべてそのシートと1キャラクターずつ照合してください。服、手、アクセサリー、髪、色、身長比です。画像編集ツールは頼んでいない細部を黙って変えてしまうことがあり、動画モデルはその誤りをすべてのショットにコピーします。

手順4：切り出した音声に合わせて、区間ごとに生成する

ショットは1つずつ別の区間として、それぞれの曲の切り出しとともに生成します。曲全体をアップロードしてモデルに任せるのではなく、cv.cmの音声カッターなどで、区間ごとに自分で音声を切り出しましょう。そうすれば、自分のタイムラインとモデルのタイムラインが一致します。

多くのモデルは、整数秒や5、10、15秒といった固定の長さしか受け付けません。その長さに合わせて編集を計画し、音声の切り出しは、リクエストするクリップとまったく同じ長さにします。参照音声の合計を約30秒に制限するツールや、プロンプトの長さを数千文字までに制限するツールもあります。ボイスの参照も使う場合は、その分も見込んでください。曲の切り出しと音声サンプルの合計が上限に収まる必要があります。きれいな3秒の音声サンプルがあれば通常は十分なので、いちばん音量が大きく、途切れていない一文を選びましょう。

プロンプトは、秒数と音の出来事の両方を書いたタイムラインにします。書くのは、カメラに映るものだけです。動画モデルは比喩をそのまま映像にします。「声が鳥のように舞い上がる」と書くと本物の鳥が映り込むことがあり、「絵画のような街」と書くと実際の背景が平らなイラストになってしまうことがあります。

Segment 4 (12.0-16.0 s of the song, pre-chorus), 4 seconds, 9:16.
Same woman as the reference: short black bob, cream trench coat, silver hoop earrings.
Low-angle medium shot on a rooftop at blue hour, city lights behind her, soft rim light.
0-1 s: she stands facing left, wind moves her hair and coat.
1-3 s: she turns slowly toward the camera, chin lifting, the coat swings out.
3.5 s (loudest note): she looks straight into the lens and opens her mouth to sing.
Camera: slow push in from waist to chest height. No text on screen.

歌うシーンにはリップシンクを使います。モデルが対応していれば、切り出したボーカルを音声入力にしてショットを生成するか、先にショットを生成してから、分離したボーカルで音声駆動のリップシンク処理をかけます。正面のクローズやミディアムがもっともうまくいき、横顔や口元に手がかかる構図は失敗しやすくなります。入力と対処法は「AIリップシンク」のガイドで説明しています。

手順5：ビートに合わせて編集し、同期を確認する

まずタイムラインに元の曲全体を置き、計画した開始時刻に各区間を配置します。カットは、ダウンビートか、記録しておいた印象的な音の出来事に合わせます。サビの頭では、数フレーム早い、遅いというズレもはっきり分かります。

モデルがサウンドトラックを生成または再レンダリングすると、クリップ内の音楽の開始が遅れることがあります。私たちの検証ではズレは約1秒で、映像の動きはプロンプトのタイミングにほぼ従っていました。そのため、生成されたファイル内の音声で同期を判断してはいけません。まず元の曲に差し替えましょう。

ffmpeg -i gen.mp4 -i song.mp3 -map 0:v:0 -map 1:a:0 -c:v copy -c:a aac -shortest synced.mp4

それでも1つの区間が音楽に対して早い、あるいは遅く見える場合は、再生成せず、編集ソフトで整数フレーム単位でずらしましょう。リップシンクの行は等倍で確認します。2、3フレームの口のズレは、クローズアップでは目立ちます。

生成されたクリップは、720pや1080pで細部が甘いことがよくあります。アップスケールは編集の前ではなく後に行うと、採用した部分だけで済みます。書き出しのマスターは1本にしておきましょう。そのマスターを各プラットフォームに直接アップロードします。あるアプリでダウンロードして別のアプリで再投稿するなど、何度も再エンコードすると圧縮ノイズが積み重なります。

よくある失敗と正直な限界

• 曲全体を一度にプロンプトにする：モデルは3分間の構成についていけません。フレーズ単位のショットを計画しましょう。
• 参照と争う：参照動画や参照画像は、テキストよりはるかに強いアンカーです。レンズフレア、小道具、不要なライティングが含まれていると、モデルはそれをコピーしがちです。生成前に参照を修正（クロップ、マスク、色補正）しましょう。
• キャラクターのブレ：シートと固定のスタイル行がないと、ショットごとに顔や衣装が変わります。採用する前に、各区間をシートと照合しましょう。
• 画面上の文字：動画内で生成された歌詞やタイトルは、誤字だらけになりがちです。文字は編集ソフトで入れましょう。
• 実在の歌手：実在のアーティストが、録音も歌唱もしていない曲を歌うリアルな動画を作ってはいけません。本人の同意と開示が必要で、多くの地域で人格権や肖像権の侵害にもなります。

いちばん難しいショット、たいていは歌うクローズアップとサビの頭では、2～4テイクの生成を見込んでおきましょう。品質の大半は、1回きりの完璧な生成ではなく、ビート表と編集で決まります。