画像動画生成（Image-to-Video、略してI2V）は、静止画に命を吹き込む生成AI技術です。製品写真、ポートレート、イラスト──1枚の画像を渡すと、モデルはその画像を起点に動画を生成し、テキストプロンプトで動きの方向性を指示できます。
仕組み
画像動画生成では、あなたの画像が最初のフレームとして使われます。モデルが必ず守るべき視覚的なアンカーです。そこから動画拡散モデルがシーンの展開を予測します。髪が風になびき、カップから湯気が立ち、カメラがゆっくりと寄っていく。プロンプトはもう「どう見えるか」を説明する必要はありません（それは画像が語っています）。次に何が起こるかを描写するのです。
なぜ画像から始めるのか
テキスト動画生成と比べて、画像から始めることで得られる貴重なもの──それは見た目の完全なコントロールです。構図、色、顔、製品ラベル、すべてが最初のフレームから固定されます。次の場面ではI2Vが最適です。
- ブランド素材がある —— モデルにパッケージを「再発明」されることなく製品写真を動かせる。
- 被写体が正確でなければならない —— 実在の人物、実在の場所、既存のアートワーク。
- 予測可能性がほしい —— 最初のフレームが固定なので、イテレーションで変わるのは動きだけ。
プロンプトのコツ
「何であるか」は画像が担うので、プロンプトは「どう動くか」に集中しましょう。動き（繊細に、ダイナミックに、ループで）、カメラ（固定、ゆっくり寄る、旋回）、育てたい雰囲気を描写します。画像動画生成では、長いシーン描写より動きに絞った短いプロンプトが効果的です。詳しくはプロンプトの書き方ガイドへ。