音付きで動画を生成できるモデルが増えてきましたが、プロンプトに「音」を書かないと、汎用的なBGMか無音に近いクリップが返ってくることが多いです。ここでは、テキストから音声付き動画を作るときにプロンプトをどう組み立てるかを、手元で試した順番どおりにまとめます。
1. 並べる順番を決める
映像モデルが読みやすい順番は、だいたい次の5つです。
- 被写体（誰が・何が）
- 動き（何をしているか。1クリップに1つ）
- カメラ（寄り・引き・手持ち・固定など）
- 光（時間帯や光源）
- 音（聞こえてほしいもの）
最後の「音」を独立した1文にしておくと、映像の説明と混ざらずに音として扱われやすくなります。
2. 音は「雰囲気」ではなく「具体的な音」を2〜3個
NG: Sound: dramatic ocean atmosphere.
OK: Sound: roaring wind, rope creaking, waves slapping the hull.
「ドラマチックな海の雰囲気」のような抽象語より、鳴っている物を2〜3個並べたほうが、映像の動きと音のタイミングが合いやすいです。
3. セリフを入れるときは短く、引用符で
人物にしゃべらせたいときは、セリフを引用符で囲み、10語以内に抑えます。4秒前後のクリップだと、長いセリフは途中で切れるか早口になります。
An old fisherman turns to the camera and says "The sea is calm today."
Shot: static tripod shot at eye level. Light: soft overcast daylight.
Sound: a clear spoken line, gulls in the distance, no music.
「no music」を明示すると、セリフの後ろにBGMが乗るのを避けられます。
4. 動きは1つだけ
「網を引き上げて、振り向いて、笑う」のように動作を重ねると、後半の動作が省略されるか、前の動作と混ざります。複数の動作が欲しいときは、クリップを分けて後でつなぐほうが確実です。
5. テンプレート
{被写体} {動き}. Shot: {カメラ}. Light: {光}. Sound: {音1}, {音2}, {音3}.
このテンプレートを選択式にしたプロンプトビルダーを、ブラウザだけで動く1ページにまとめて公開しています。
- プロンプトビルダー: https://lovable-page-publisher.lovable.app/
6. 実際に生成して確かめる
できたプロンプトは、音声も同時に生成するモデルに入れて確かめます。私は Movoa で試しています。Movoa は「Unlimited AI video generator with sound: on paid plans the tenth take of a shot costs what the first did, and your first clip is free to make right now.」という音付き動画生成ツールで、テキストから動画を作るページ では MiniMax H3 の無料枠で最初の1本をアカウントなしで作れます。
同じプロンプトで音の行だけ変えて何本か出すと、どの書き方が効いているかがすぐ分かります。
まとめ
- 被写体 → 動き → カメラ → 光 → 音 の順に書く
- 音は具体的な物の音を2〜3個
- セリフは引用符で10語以内、BGMが邪魔なら「no music」
- 1クリップ1動作