参照動画のためのシーンプロンプトの書き方
動画モデルにキャラクターや商品の参照画像がすでにあるなら、プロンプトの役割は変わります。被写体ではなく、シーンを説明するのです。良いシーンプロンプトは、背景、主な動き、カメラの動き、光、終わり方を、この順番で、平易な文2〜4文にまとめます。このガイドでは、その構成と実例、そして一貫性をこっそり崩す書き方の癖を紹介します。
参照プロンプトが通常のプロンプトと違う理由
テキストから動画を作るときは、プロンプトがすべての情報を担うため、外見の描写を詰め込むのが普通になっています。しかし参照画像があると、外見の描写は画像と競合します。参照画像がショートの茶髪なのに、プロンプトでオーバーンの巻き髪と書くと、モデルは両者を混ぜて第三の見た目を作ってしまいます。ルールは単純で、同一性は参照画像に任せ、それ以外をプロンプトに書くことです。
こうしてプロンプトは、参照画像では指定できない内容、つまり撮影の場所、動くもの、撮り方に集中できます。
5段構成の書き方
1. 背景。場所と時間を一文で示します。例：「夜明けの小さなパン屋の厨房、ステンレスの作業台に小麦粉が残っている。」形容詞より具体的な名詞が効果的です。「ステンレスの作業台」は「モダンな厨房」よりモデルに多くを伝えます。
2. 動き。1クリップにつき主な動きは1つ、現在形で書きます。例：「彼女はオーブンからパンのトレイを取り出し、カウンターに置く。」8秒以上のクリップなら、動きを2つ順に並べても構いません。3つ以上になると、動きが急ぎ足になったり省略されたりしがちです。
3. カメラ。ショットの大きさと動きを指定します。例：「ミディアムショット、ゆっくりプッシュイン」「クローズアップ、手持ち、わずかな揺れ」「ワイドショット、固定」。カメラを省略すると、モデルが勝手に選び、そのたびに違うため、クリップをつなぎ合わせにくくなります。
4. 光。光源と向きを指定します。例：「左側の窓から差す暖かい光」。光は顔のブレを引き起こす主な要因の一つなので、平易に描写し、編集でつなぐクリップ同士では似た光にそろえてください。
5. 終わり方。クリップがどこで終わるかを書きます。例：「彼女が顔を上げてカメラを見て、微笑んで終わる。」終わりのフレームが明確だと、次のショットに切り替えやすくなります。
実例
キャラクター、日常のショット：「暖かい朝の日差しが差す簡素な厨房で、ガラスのカラフェから白いマグカップにコーヒーを注ぎ、顔を上げてカメラに微笑む。ミディアムショット、柔らかな自然光。」これは、このページのクリップのプロンプトに近いものです。
商品、ヒーローショット：「ボトルが濡れた黒い石の上に立ち、ガラスに小さな水滴がついている。ローアングルからゆっくり周回。背後からの一つの強い光が、輪郭に縁の輝きを描く。正面のラベルがカメラを向いたところで終わる。」
キャラクター、語りのショット：「背後に本棚がある自宅の書斎。彼はカメラに向かって身を乗り出し、片手で何かを説明する。ミディアムクローズアップ、固定カメラ、目の高さ。右からの柔らかな昼の光。短い間と頷きで終わる。」
3つの例のどれにも、髪の色、目の色、服装、ロゴの説明はありません。それらは参照画像が担当します。
長さ、ショット、書式
動画の長さによって、プロンプトに盛り込める内容は変わります。Kling 3.0 Omniは1リクエストにつき最大15秒の生成に対応し、Klingのガイド（2026年10月時点）によればマルチショット生成もサポートしています。Veo 3.1の参照クリップは、Googleのドキュメントによれば常に8秒です。3秒や5秒のクリップなら動きを1つ、10秒以上なら2つ書くか、モデルがマルチショットに対応していればショットごとに別々に説明します。
2人の被写体が同じシーンにいる場合は、Kling のOmniモデルでの@Element1や@Element2のようなタグで各被写体を指定すると、誰が何をするのかをモデルが理解できます。アスペクト比は設定項目であり、プロンプトの文章ではありません。縦型のソーシャル動画には9:16、ウェブやYouTubeには16:9を選んでください。プロンプトに「縦型」と書く必要はありません。
よくある間違いとチェックリスト
参照画像にある外見の描写を繰り返すこと。写真の参照画像に対して「アニメ調」と書くような、参照と食い違うスタイル語も問題です。様式化した見た目が欲しいなら、様式化された参照画像を用意してください。「傑作、8K、超詳細」のような品質を水増しする言葉も、プロンプトの比較を難しくします。クリップが失敗したときに一度に複数の要素を変えないことも大切です。試行ごとに一箇所だけ変えれば、原因がわかります。
チェックリスト：背景は一文で書く。5秒ごとに動きを1つ。ショットの大きさとカメラの動きを明記する。光源と向きを明記する。終わりのフレームを決める。外見の描写は入れない。アスペクト比は設定で指定する。
RefVidはこの分担に合わせて作られています。キャラクターや商品は参照画像とともに一度保存し、最大2,000文字のプロンプト欄にはシーンだけを書けばよいのです。被写体にタグを付ける必要はありません。Kling 3.0 Omniでは、RefVidがアセットをプロンプトに自動で結びつけます。
よくある質問
- シーンプロンプトはどのくらいの長さにすべきですか？
- 2〜4文、おおよそ30〜70語です。背景、動き、カメラ、光、終わり方をカバーできる長さで、かつ一語一語に役割があるほど短いことが理想です。
- プロンプトにキャラクターの外見を書くべきですか？
- いいえ。参照画像ですでにキャラクターが示されている場合、外見の言葉が画像と競合し、ブレの原因になります。代わりにシーンを説明してください。
- 参照動画でネガティブプロンプトを使えますか？
- 一部のモデルやAPIにはネガティブプロンプトの欄があります。画面上の文字など特定の不具合を抑えることはできますが、同一性のブレは直りません。参照画像を良くするほうが効果的です。
- RefVidでプロンプトを試すといくらかかりますか？
- 1秒あたり31クレジットです。3秒の下書きは93、5秒は155、10秒は310、15秒は465クレジットです。最初の50アカウントには630クレジットが無料で付与されます。それ以降のアカウントには100クレジット、3秒のクリップ1本分が付与されます。
- 一般的なAI動画のプロンプトは参照モデルでも使えますか？
- 一部は使えます。参照モデルはすでに被写体を把握しているので、外見の言葉は省き、背景、動き、カメラ、光、終わり方というシーンの説明に絞ってください。
- 参照画像を使ったシーンプロンプトからの動画生成はどう機能しますか？
- 参照画像がショットに写る人物や物を担い、シーンプロンプトが、どこで、何が起き、カメラがどう動くかを2〜4文で説明します。