テキスト動画生成（Text-to-Video、略してT2V）は、文章による描写──プロンプト──を、動き・光・（最新モデルでは）同期音声を備えた動画クリップに変換する生成AI技術です。あなたがシーンを描写し、モデルがそれを撮影します。
仕組み
主流のテキスト動画生成モデルの多くは、膨大な「動画＋キャプション」のペアデータで学習された拡散モデル（Diffusion Model）です。生成時、モデルは純粋なノイズから出発し、プロンプトに導かれながら段階的に「デノイズ」してフレームを作り上げます。すべてのフレームが同一の時間的コンテキストの中で生成されるため、出力には一貫性があります。物体は消えず、動きは滑らかで、カメラはスライドショーではなく本物のカメラのように振る舞います。
得意な場面
アイデアしか手元にないとき、テキスト動画生成は最も力を発揮します。
- コンセプト検証 —— 撮影や絵コンテの前に、頭の中の映像を可視化する。
- ショート動画制作 —— フック映像、Bロール、製品ティーザー、縦型・横型のSNSクリップ。
- 不可能なショット —— 鍵穴を抜けるドローン、ガラスでできた都市、宇宙服を着たキツネ。言葉にできれば、モデルは挑戦できます。
良いプロンプトの構成要素
優れたT2Vプロンプトは、願い事ではなく監督のショットメモのように読めます。被写体（誰が・何が）、アクション（時間軸で何が起こるか）、カメラ（構図とカメラワーク）、雰囲気（照明・色調・ムード）の4要素を押さえましょう。詳しくはAI動画プロンプトの書き方ガイドをご覧ください。