# AIミュージックビデオ：全ショットで同じ歌手、絵コンテから曲に合わせた編集まで

> AIミュージックビデオは8秒のショットを積んで作ります。歌手と場面を用意して動かし、曲は編集で載せます。AI2Faceでは架空の歌手のショットを、ステージ、街、屋上で Nano Banana Pro と Veo 3.1 を使って作りました。下にプロンプト、曲の長さに対するショット数、口のずれを避ける方法をまとめています。

公開日 2026-10-26 · 更新日 2026-10-26
URL: https://ai2face.com/ja/blog/ai-music-video

AIミュージックビデオは、曲からワンクリックでクリップを出すものではありません。短いショットから組む、監督の仕事と同じです。動画モデルが作れるのは8秒までなので、本物のビデオと同じ手順になります。絵コンテ、出演者、ショット、曲に合わせた編集です。架空の歌手のクリップで、この手順を最後まで通しました。画像と動画はすべて AI2Face のジェネレーターで作っています。

## AIミュージックビデオの作り方

| 手順 | やること | 使うもの |
|---|---|---|
| 1. 絵コンテ | 曲をバースとサビでショットに分ける | 手作業、またはテキストモデル |
| 2. 出演者 | 歌手の基準画像 | [Nano Banana Pro](/ja/models/nano-banana-pro) |
| 3. 場面 | 各ショットの開始フレーム。人物は同じ | Nano Banana Pro ＋ 基準画像を参照に |
| 4. 動画 | フレームを8秒ずつ動かす | [Veo 3.1](/ja/models/veo-3-1)、[Gemini Omni](/ja/models/gemini-omni) |
| 5. 編集 | 曲のリズムで切ってトラックを載せる | 任意の動画編集ソフト |

どのモデルも曲は聴きません。Veo 3.1 が受け取るのはテキストと画像で、音声ファイルではありません。リズムと空気は、絵コンテと編集で自分で決めます。

## 手順1. 曲に合わせた絵コンテ

タイムコードで曲を区切ります。イントロ、バース、サビ、ブリッジです。バースごとに場所を変え、サビにはいちばん強いショットを置き、あとで繰り返します。

![机の上の絵コンテ用紙。鉛筆のスケッチが6コマ。マイクの前の歌手、雨の中を歩く、目の寄り、夜明けの屋上、手を上げた群衆、光の中へ歩み去る](https://ai2face.com/_astro/storyboard.D93aDJlK_1NfY8m.jpg "絵コンテ。1枚にクリップのショット6本。テスト用に Nano Banana Pro で生成")

**必要なショット数。** 8秒のショットは、編集では2〜4秒になります。クリップはよく切るので、前後はたいてい落とします。曲の6〜8秒ごとに生成1回で見積もってください。

| 曲の長さ | 動画生成 | 没を見込んだ数 |
|---|---|---|
| 30秒（ティーザー、Reels） | 4〜5 | 6 |
| 1分 | 8〜10 | 12 |
| 3分 | 23〜25 | 30 |

まずは30秒のティーザーから始めます。歌手が一貫しているか、スタイルが合うかが見えてから、フルクリップにクレジットを使います。

## 手順2. 歌手：基準画像

基準画像は、最初にうまくいった歌手の肖像です。ほかの場面はすべてここから作ります。どの角度からでも見える特徴を3〜4個決めてください。ここではプラチナのボブ、銀のフープピアス、白いTシャツの上に着たオーバーサイズのレザージャケットです。

```
Full-frame cinematic medium shot from a music video, the image fills the whole
16:9 frame edge to edge with no black bars: an original fictional young female
singer in her twenties with a short bleached platinum bob haircut, small silver
hoop earrings, oversized black leather jacket over a plain white t-shirt, singing
with eyes half closed into a vintage silver microphone on a small club stage.
Magenta and teal stage lights and abstract neon light tubes without any letters
behind her, light haze, shallow depth of field, 35mm film grain. No text, no logos.
```

![プラチナのボブに黒いレザージャケットの歌手が、クラブのステージでヴィンテージマイクに向かって歌う。マゼンタとティールの光、ネオン管](https://ai2face.com/_astro/anchor.D4qpFjmq_Z17l9XH.jpg "基準画像。Nano Banana Pro、16:9。ほかの場面はすべてここから作る")

最初の版は左右に黒帯があり、文字の残ったネオン看板の切れ端も入っていました。プロンプトのこの2文はそこから来ています。「fills the whole 16:9 frame, no black bars」と「neon tubes without any letters」です。動画モデルはこのフレームの続きを作るので、欠陥は静止画のうちに除きます。

出演者が自分なら、基準画像の代わりに自分の写真をアップロードします。AI2Face には[AI2Faceのキャラクター](/ja/blog/personazhi-v-ai2face)があり、どの生成にも添付できます。

## 手順3. 同じ歌手の場面

各場面は基準画像を参照にして作ります。プロンプトは歌手についての同じ一文から始め、そのあと場所と動作を書きます。

```
Use the same singer from the reference image exactly: same face, short platinum
bob, silver hoop earrings, oversized black leather jacket over a white t-shirt.
Scene from the same music video: she stands on the edge of a flat rooftop at dawn
above a sleeping city of apartment blocks, wind blowing her hair and jacket, soft
pink and orange sunrise, she sings with eyes closed and one hand on her chest.
Full-frame cinematic medium wide shot, 35mm film grain. No text, no logos.
```

![同じ歌手が夜、雨の狭い濡れた通りにいる。アスファルトにネオンが映り、格子から湯気が立つ](https://ai2face.com/_astro/city.O-QsQ4hy_Z28BuL3.jpg "「通り」の場面。顔、ボブ、レザージャケットが基準画像と一致")

![同じ歌手が夜明けのマンション屋上に立つ。髪に風、胸に手、背後は眠った住宅街](https://ai2face.com/_astro/rooftop.Ci7lejLZ_Kkiqj.jpg "「屋上」の場面。光と場所は違い、出演者は同じ")

どのプロンプトにも同じ「フィルムグレイン」と「from the same music video」を入れておくと、クリップの見た目が一つにまとまります。

## 手順4. 動画：ショットを動かす

場面のフレームを画像から動画のモードで動画モデルに渡し、人とカメラの動きを書きます。Veo 3.1 は4秒、6秒、8秒のクリップを作れます。ミュージックビデオでは8秒を選んでください。編集に使える素材が増えます。

```
Music video shot at dawn: the singer stands on the rooftop edge singing with eyes
closed and one hand on her chest, strong wind blows her platinum hair and the
leather jacket, the sun rises behind the apartment blocks and the light turns from
pink to golden. The camera slowly orbits around her from the side to the front at
medium distance. Keep her face, hair and clothes exactly as in the image.
```

[夜明けの屋上で歌手が目を閉じて歌う。風が髪を引き、カメラは彼女の周りを回り、光は金色になる](https://ai2face.com/_astro/media/blog/ai-music-video/rooftop.mp4 "Veo 3.1、8秒、無音。カメラの周回と光の変化。カット2〜3本分の素材")

クリップを成立させるのはカメラの動きです。「slowly pushes in」「orbits around her」「dollies backward at her walking pace」。止まったショットは写真に見えます。

すべての場面が通るわけではありません。通りのフレームから作ったクリップは、理由の説明がないまま、モデル提供者の安全フィルタで止まりました。このようなクリップのクレジットは AI2Face が自動で返します。プロンプトを書き直すか、隣のフレームを使うと通ります。

## 音：モデルに歌わせるか、自分のトラックを使うか

Veo 3.1 は動画と一緒に音も作ります。歌も含まれます。歌手にロシア語の一行を歌わせました。私たちのテストでは歌われた一行はロシア語です。プロンプトでは、その一行をどの言語でも指定できます。

```
The singer slowly leans into the vintage microphone and sings a soft melodic line
in Russian: Город не спит, и я не сплю. Her eyes stay half closed, the stage
lights pulse to the beat, the camera slowly pushes in from a medium shot to a
close-up. Sound: her solo female vocal over a moody synth-pop beat with deep bass.
```

[ステージの歌手が目を半分閉じてマイクに歌う。ライトが拍に合わせて脈打ち、カメラは寄りまで寄る](https://ai2face.com/_astro/media/blog/ai-music-video/stage.mp4 "Veo 3.1、8秒、音声あり。ボーカルとビートは動画と一緒に生成")

自分の曲のクリップでは、これはトラックの代わりになりません。モデルが歌うのは自分のメロディで、あなたの曲ではありません。進め方は次のとおりです。

- **音なしでショットを生成し**、編集でトラックを載せる。屋上のショットはこう作りました。
- **他人の音の上に歌唱の寄りを置かない。** 開いた口は言葉に合いません。引きの画、歩き寄りのショット、口を閉じた寄り、楽器に置いた手が向いています。
- **モデルが歌っているショット**は、ティーザー、イントロ、生成した曲のクリップに使えます。

## 手順5. 曲に合わせた編集

- **トラックを先にタイムラインへ置き**、強拍とパートの変わり目に印を付けます。
- **拍で切る。** 拍に落ちるカットは意図して見えます。バースではショットを長めに（3〜4秒）、サビでは短めに（1〜2秒）保ちます。
- **サビではいちばん良いショットを繰り返す。** 普通のクリップも同じです。
- **生成ショットに音楽や歌が入っていたら音を切る。** 切らないとトラックと混ざります。
- **クリップ全体で色補正は一度だけ。** 場面ごとの光が揃います。

## 限界

- **1回の生成は8秒。** クリップは編集でしか一本になりません。長いショットにはシーンの延長があります。
- **自分の音声とは同期しない。** モデルは音声ファイルを受け付けないので、口は自分のボーカルに合いません。
- **安全フィルタ。** 提供者は理由を示さずに場面を止めることがあります。クレジットは戻りますが、ショットは書き直しです。
- **出演者はずれることがある。** 3場面では歌手が判別できましたが、30ショットでは基準画像と見比べて各フレームを確認してください。
- **実在のアーティスト。** 同意なしに有名なミュージシャンの顔でクリップを作ることはできません。架空の人物か、自分自身を使ってください。

## AIミュージックビデオを作れる場所

AI2Face では Nano Banana Pro、Veo 3.1、Gemini Omni が一つのジェネレーターにあります。基準画像、場面、動画は同じフィードに並び、どのフレームもワンクリックで動画になります。各生成の料金は実行前に表示され、カードまたは暗号資産で支払えます。パックのクレジットに有効期限はありません。シングルのジャケットも同じ場所で作れます。[AI表紙作成](/ja/blog/ai-cover-generator) のガイドと、動画モデルの概観は [動画生成AI](/ja/blog/nejroseti-dlya-video) のガイドを見てください。

## まとめ

AIミュージックビデオで省けるのは撮影クルーで、演出ではありません。どのショットが必要で、それらが曲にどう合うかは自分で決めます。土台は、すべての場面に添付する歌手の基準画像1枚です。私たちのテストでは、ステージ、街、屋上で歌手が判別できるまま残っていました。フレームは Nano Banana Pro で作り、カメラの動きを付けて Veo 3.1 で動かし、自分のトラックは編集で載せ、歌唱の寄りは避けます。30秒のティーザーから始めてください。5〜6回の生成で、フルクリップを作る価値があるか分かります。

## よくある質問

### AIで曲のミュージックビデオを作るには？

曲をショットに分け、歌手の基準画像を作り、そこから各場面の開始フレームを作って、それぞれ8秒の動画にします。切ったショットの上に、動画編集ソフトで曲を載せます。

### AIは自分の曲に口を合わせられますか？

Veo 3.1 と Gemini Omni は音声ファイルを受け付けないので、曲に合わせて口は動きません。口を大きく開けた歌唱の寄りは撮らず、引きの画、歩き寄りのショット、口を閉じた寄りを使うか、モデル自身が歌っているショットを使ってください。

### すべての画像で同じ歌手を保つには？

うまくいった基準画像を1枚作り、次の場面ごとに参照として添付し、「同じ歌手。顔、髪型、服」と書きます。私たちのテストでは、ステージ、街、屋上で歌手が判別できるまま残っていました。

### AIのミュージックビデオは無料で作れますか？

一部なら作れます。AI2Face では登録後にウェルカムクレジットがもらえ、歌手、絵コンテ、試しの1ショットに足ります。3分のフルクリップは動画生成20〜30回で、料金は実行前に表示されます。

### ミュージックビデオにショットは何本必要ですか？

曲の6〜8秒ごとに、8秒のショットがおおよそ1本です。3分の曲なら23〜30回の生成になります。編集では各ショットから2〜4秒を残し、一部は使えません。

## 出典

- https://ai.google.dev/gemini-api/docs/veo
- https://developers.googleblog.com/introducing-veo-3-1-and-new-creative-capabilities-in-the-gemini-api/
- https://blog.google/innovation-and-ai/products/nano-banana-pro/
- https://blog.google/innovation-and-ai/technology/developers-tools/build-with-gemini-omni-1-1-flash/