手順：テキストから曲を起こすか、写真から起こすかを先に決める

短い編集で BGM を当てるとき、「とりあえず生成」するとレビューが「雰囲気」論争になりやすい。原因の多くは、テキストと写真のどちらを一次入力にするかが決まっていないことだ。本稿は作業手順書として、分類→契約→一回生成→台詞下試聴までを固定する。

前提

• 尺は 15–45 秒想定。
• 台詞または字幕がある場合は、必ず台詞下で判定する。
• ツール例は WAV AI のテキスト／写真レーン。

手順

1. ブリーフを分類する

すでに固まっているもの	レーン
台詞・オファー文・ジャンル語	TEXT → AI音楽ジェネレーター
キーフレーム・商品静止画	PHOTO → 写真から音楽AI
どちらも弱い	一文を書いて TEXT、静止画 1 枚を PHOTO で挑戦者として 1 本ずつ

2. 契約文を書く（1 行）

例: calm indie, low percussion, 20s, leave space for VO, no sax

契約が曖昧なまま生成を繰り返さない。テキスト条件付き研究（MusicLM）でも、制御信号の質が出力の議論可能性を左右する。

3. 一次レーンで一度だけ生成

候補は 2–3 本まで。4 本目に行く前に契約を書き直す。

4. 台詞下で落選させる

単体で格好良くても台詞が埋まるなら不採用。「もっと派手に」は多くの場合、台詞負けの別名。

5. ログを残す

• レーン（TEXT/PHOTO）
• プロンプト全文または画像 ID
• 却下理由（密度 / ジャンルずれ / 台詞衝突）

チェックリスト

• 一次レーンが一つに決まっている
• 契約文が 1 行で読める
• 台詞下プレビュー済み
• 採用理由が翌週の自分に伝わる

創造的 ML の制御面については Magenta の議論が参考になる。手順を先に固定し、モデルの「魔法」に頼らない。