PixAI v4.0 Previewでアニメ動画を生成するプロンプト術｜画像から15秒アニメへ

動画モデル向けのプロンプトガイドの多くは、実際に生成を回したことがない人が書いたような内容です。被写体、動作、カメラ、音声──構文を並べて終わり。でも実際に、何週間も大事に保存してきたキャラクターイラストを動かそうとすると、動画はほぼ静止画のまま。途中で眼帯が消える。何度「映画のような」と書いても、カメラがまったく動かない。たぶん、皆さんも経験があるはずです。

このガイドは、実際の現場で試行錯誤して見えてきた手順をまとめたものです。大事なのは 3 つだけ。順番が決まっています ── 参照素材をどう積むか、テキストプロンプトに何を書くか、最初の生成が外したときにどう直すか。テキストプロンプトは実は一番簡単で、それでいて多くのガイドが過剰にこだわっている部分でもあります。

v4.0 Preview を初めて触る方は、機能全体を先に把握しておくと、このあとの話が立体的に見えてきます。何ができて、PixAI の従来モデルと比べて何が違って、音声生成や参照動画で何が解放されるのか──そういった概要は別記事にまとめてあります：PixAI v4.0 Preview とは？ →

「v4.0 だけでなく PixAI の動画モデル全体を俯瞰したい」「i2v パネルの設定項目の意味から知りたい」── そんな方は、こちらの記事もどうぞ：PixAI 画像→動画チュートリアル：全モデル比較とプロンプトの書き方 → それ以外の方は、このまま読み進めてください。

参照素材を活用する
― 画像・動画・音声

v4.0 Preview で使える参照素材は 3 種類。画像、動画、音声です。それぞれプロンプト内で対応するタグで呼び出します。

プロンプトが思い通りに動かない原因は、たいていテキストの質ではなく、参照設定のほうです。まずはここに時間を使ってください。

参照画像は“動画の 1 フレーム目”ではない

キャラを意味として読む。スタート地点として固定しない。

従来の動画モデル（PixAI の v3.x シリーズを含む）では、参照画像は“動画の最初のフレーム”として扱われていました。キャラのポーズも背景も、画像の情報がすべて冒頭に固定される。そこからモデルが動きを生成していく。だから参照でキャラが座っていて、プロンプトに「彼女が空へ跳び上がる」と書いても──動くかどうかは運次第でした。

v4.0 Preview の挙動は違います。画像を“動画の開始フレーム”ではなく、キャラを意味的に説明する参照情報として読む。髪型、瞳、衣装、眼帯の位置、猫耳、ハート型のアホ毛──そのキャラを“そのキャラたらしめている要素”だけを取り出し、動きや演出はすべてプロンプトに委ねます。

実際に何が変わるかというと──

• 鮮明なキャラ画像 1 枚で十分。同じキャラを複数アングルで用意する必要はありません。同一 OC で 4 枚構成と 6 枚構成を比較してみたところ、4 枚版のほうが一貫してシャープに仕上がりました。理由は単純で、モデルが少しずつ違う輪郭や顔立ちを平均化しようとしなかったからです。

• 参照画像のポーズは、動作を縛らない。参照でブランコに座っていても、プロンプトで「ステージを駆け抜ける」と書けば、v4.0 Preview はブランコを引きずらずに走らせます。同じ条件を v3.0 High Consistency で試したら──座ったままでした。

• シーンを指定したいときは、画像を 2 枚渡して組み合わせ方を書く。キャラだけを @image1、シーンだけを @image2 としてアップロード。「彼女は @image2 のシーン内に立ち、@image1 の衣装を身につけている」と書けば、v4.0 Preview は背景とキャラ情報を混同せずに合成します。

参照画像は最大 6 枚まで使える。でも、たいていそんなには要らない。厳選した 2〜3 枚のほうが、5〜6 枚で注意を取り合うより良い結果になる。画像を 1 枚足すたびに「キャラはこう見えるべき」という別の票がモデルに渡され、最終的にそれを平均化してしまうから。

参照動画が引き継ぐのは“内容”ではなく“雰囲気”

借りるのはカメラワーク。キャラじゃない。

v4.0 Preview に参照動画を渡すとき、その動画を“コピーさせている”わけではありません。伝えているのは、「この動画のカメラワーク、テンポ、構図の雰囲気を、自分のシーンに使ってほしい」ということ。

たとえば、お気に入りのガチャ演出動画があるとします。ゆったりとしたカメラワーク、柔らかいパララックス、最後に余韻を残す抜き。その動画を @video1 としてアップロードし、こう書きます：

v4.0 Preview はその動画から、カメラがどう動いたか、どこで間を取ったか、パーティクルがどう流れたか──を読み取り、そのテンポをあなたのキャラに当てはめます。あなたのキャラが参照動画のアートスタイルでレンダリングされることはありません。参照動画のキャラがあなたの動画に紛れ込むこともありません。引き継がれるのは、見た目ではなく、空気感のほうです。

参照音声 ── 声質や音楽の雰囲気を引き継ぐために

言葉で説明しきれない“音の質感”のために。

v4.0 Preview では、特定の音の質感に寄せたい場合に、音声ファイルを参照として追加できます。たとえばキャラに話してほしい声のトーン。あるいは BGM として再現したい楽曲の雰囲気や編成。

プロンプトでは、何を借りたいかを明示します ──「@audio1 の声質や話し方を反映する」「@audio1 の雰囲気と楽器構成に合わせる」。考え方は動画参照と同じです。

ただし、セリフ・環境音・効果音（SFX）には、ふつう音声参照は要りません。これらはプロンプトに直接書けば十分です（後述します）。音声参照が本当に効くのは、言葉で説明しづらい“音の個性”や“空気感”を再現したいとき。

テキストプロンプトを書く
― アニメ動画のための

多くのプロンプトガイドは、ひとつの“公式”を示して終わります。でも実際の現場は、状況によって 2 つに分かれます ── そして、それぞれで使うべきテクニックが違います。

作りたい映像が、すでに頭にある

カットのイメージが明確なら、たとえば「カメラが彼女の顔へゆっくり近寄る、花びらが左から右へ流れる、2 拍目で彼女が振り返る」──そのまま書けば十分です。

ここで陥りやすいのは、“映像っぽい曖昧な表現”を使ってしまうこと。たとえば「ズームイン」は、v4.0 Preview にとって「振り向く動きに合わせてカメラがゆっくり寄る」よりずっと情報量が少ない。「カメラが動く」のような曖昧な書き方ではなく、push in（被写体へ寄る）、pull back（被写体から離れる）、tilt up（上方向へ傾ける）、drift（流れるように移動）、orbit（回り込む）、pan（左右に振る）、dolly（前後に移動）── 実際の撮影用語を使ってください。動作を順番に伝えるときは「その後」「そして」のような接続語も重要です。「彼女は視線を落とし、その後ゆっくりカメラへ目を向け、小さく微笑む」── これで、視線を落とす → カメラを見る → 微笑む の流れが伝わります。接続語がないと、モデルは複数の動きを 1 つの静止した瞬間にまとめてしまうことがあります。

これは比較的シンプルなケース。すでに頭の中に映像があるなら、プロンプト作成の習慣 のセクションへ進んでください。

画像はある。でも、どう動かしたいかは決まっていない

むしろ多くの動画生成はここから始まります。気に入ったイラストを見つけて「動かしたい」と思う。でも、何をさせるべきかは分からない。ほとんどのガイドはここを飛ばします。完成形が頭にある前提で書かれているからです。

そんなときに効くのが、次の反復改善ループです。

下書きを作る → 軽量モデルで試す → 失敗を読む → 最終生成する。このループこそが、ツールを使いこなしている人の動画と、初回生成のままの動画を分ける境界線です。

v4.0 で避けたい、AI 動画プロンプトの失敗パターン

5 つの失敗パターン。5 つの修正方法。

先ほどの反復改善ループが機能するのは、何が失敗だったかを見抜ける場合だけです。ここでは、私たちが実際によく踏んできた失敗パターンと、それぞれに効いた修正方法を紹介します。

きれいな出力を生む、プロンプト作成の習慣

十分な回数の生成を重ねると、共通点が見えてくる。

すべてを組み合わせる

実際の v4.0 Preview での生成は、たとえばこんな構成になります：

3 つの参照素材、4 行のプロンプト、1 本のシネマティック動画。重いのは参照素材のほうで、プロンプトは動きと演出の方向を示すだけ。あとは反復改善ループが失敗を捕まえて直していく。

これが、v4.0 Preview の力を引き出せたときのワークフローです。

制作ワークフロー
― Mio.2 プリプロダクション ＋ Edit Pro マンガ

Mio.2 を使うとき。自分でプロンプトを書くとき。

実際の制作は、むしろ前者のほうが多いかもしれません。ワークフロー 1 はそのためにある ── Mio.2 は「好きなキャラがいる」を「公開できる 15 秒のアニメ動画」に変えるための橋渡しです。

Mio.2 で進める AI 動画プリプロダクション ── 6 ステップ

キャラ ＋ ぼんやりとしたアイデアから、15 秒ショートまで。

これは、キャラはいる、アイデアもある。でも埋めるべき 15 秒の映像はまだない ── そんなときに使うワークフローです。6 つの工程を、ひとつの Mio.2 会話内で連続して進めます。こうすることで、エージェントは各ステップの文脈を保ったまま、企画から完成までを一貫してサポートできます。

以下で紹介する例は実際の案件です ── 『彼女が捧げられなかった心』という百合 × 悲劇のショートアニメ。主人公は、銀髪・猫耳・眼帯のギャンブラー少女。

ストーリー案を作る

まずキャラ画像をアップロードして、次のように依頼します：

Based on the character in this image, suggest 5 short-form anime story pitches in the [genre/vibe] direction. For each pitch, include a one-line logline, the opening shot or first line, and what emotional reaction it's going for.

なぜこれが効くのか：[genre/vibe] には、作りたい方向性を入れます ──「jirai-yuri tragedy（地雷系×百合×悲劇）」「isekai villainess comedy（悪役令嬢×異世界コメディ）」「casino gambling thriller（カジノ×ギャンブルサスペンス）」「slice-of-life with one twist（ひとひねりある日常系）」。ここを空欄にすると、出てくる案は無難で汎用的になりがちです。逆に、ジャンルや空気感を先に指定すれば、そのまま制作に使えるストーリー案になりやすい。

▸ MIO.2 出力 ▸ 5 つのストーリー案

ストーリー案を磨き込む

気に入った案をひとつ選んだら、具体的な修正指示を出してブラッシュアップします：

Develop pitch #[N]. Change: [what to adjust]. Keep: [what to preserve]. Rewrite the pitch with these changes, keeping the same emotional core.

なぜこれが効くのか：Change（変更したい点）／ Keep（維持したい点）の構造を使えば、AI がすべてを書き換えてしまうのを防げます。これがないと、AI は会話履歴の中で、前のストーリー案を気づかないうちに上書きしてしまうことがあります。

▸ MIO.2 出力 ▸ 磨き込み後のストーリー案

全体構成を作り、その後で削る

まずは完全版を作ります：

Outline this pitch as a [15-second] anime short with a hook (first 2s), build (story beats with rough timing), and final image. Include the actual dialogue lines. The premise should be conveyed indirectly through visuals and subtext — never stated out loud.

なぜこれが効くのか：[duration] には、作りたい動画の長さを入れます。プロンプト内の「絶対に言葉で説明しないこと」は最も重要な制約 ── AI は短い尺に圧縮するとき、説明過多になりがちです。この指定があれば、セリフは“説明”ではなく“サブテキスト”として機能しやすくなります。

▸ 構成 ── パート 1

▸ 構成 ── パート 2

ショットリストを作る

Break this script into a shot list with a maximum of [number] shots. For each shot, specify timing, frame composition, what's in the frame, camera movement, key visual detail, and dialogue or on-screen text. If you produce more than [number] shots, compress to exactly [number] — each shot must do irreplaceable work.

なぜこれが効くのか：[number] は使用予定の参照画像数に合わせて設定してください。v4.0 Preview は最大 6 枚まで参照画像を扱えますが、3〜4 枚のほうが 6 枚より安定して良い結果になりやすい傾向があります。複数の参照が競合すると、モデルの注意が分散するためです。最初から 4 ショットに制限するより、一度多めに出力させてから削るほうが、結果的に良いショットを選びやすくなります。

▸ MIO.2 出力 ▸ ショットリスト

参照画像を生成する

Mio.2（または画像生成エージェント）へ送るプロンプト：

Based on the shot list below, generate [N] storyboard images for video generation. Use the attached character reference image(s) to keep the character consistent across all shots. Do not include any text in the images. Match the art style of the reference.

[Paste your Stage 4 shot list here.]

なぜこれが効くのか：キャラの参照画像を必ず添付してください。Mio.2 はそれを“キャラの一貫性を保つ基準”として使います。「画像内にはテキストを含めない」「参照画像のアートスタイルに合わせる」── この 2 つの制約が、生成された絵を v4.0 の参照素材としてそのまま使える状態に保ちます。

▸ 参照画像 ── SHOT A

▸ 参照画像 ── SHOT B

Mio.2 に v4.0 プロンプトを書かせる ── 仕上げ工程

これまでの 5 段階すべての成果が結実するのが、このステップです：

Based on the script and shot list from earlier in this conversation, write a v4.0 Preview video prompt for the [N] reference images you just generated. For each timestamped beat, include: time range, which @image to reference, action and camera description, dialogue (with the exact lines from the script), and SFX cues. Use em dashes for layered SFX. Keep total prompt length under 2000 characters.

Example output format:
0s–Xs: @Image 1 [Action description with camera movement]. [Character]: "[Exact line from script.]" SFX: [sound 1] — [sound 2] — [sound 3]
Xs–Ys: @Image 2 [Action description]. [Character]: "[Exact line.]" SFX: [layered sounds with em dashes]
[Continue for each beat. End with fade-to-black instruction if applicable.]

なぜこれが効くのか：「exact lines from the script（脚本のセリフをそのまま使う）」の指定が決定的です。AI はプロンプト生成時にセリフを勝手に言い換えがちで、そうなると Stage 3 で慎重に調整したサブテキストや感情のニュアンスが失われます。

Mio.2 がプロンプトを出力したら、コピーして、生成した 4 枚の参照画像と一緒に v4.0 Preview へ貼り付け、生成を実行。今回のテスト作品で使った最終プロンプトはこちら：

0s–2s: The white-haired catgirl gambler spins a gold coin between her fingers, smirking confidently. Gold coins float around her in dramatic lighting. SFX: metallic spin — tense atmosphere

2s–4s: Cut to sailor catgirl across the table, her hand trembling, heart pendant catching light. She whispers: "You said you'd find me again. Even if it took everything." SFX: soft tearful voice

4s–6s: Back to gambler, leaning in with delighted grin: "Cute line. Did you rehearse it?" Cards slap down. SFX: playful tone — card impact

6s–10s: Match cut — the coin falls through memory space. Two catgirls on a cliff, heart pendant being clasped, promise whispered. Everything dissolves into golden dust as coin lands. SFX: warm wind — ethereal chime — distant promise

10s–13s: Gambler blinks, something behind her eyes going quiet. She looks up, studying the crying girl with genuine curious smile: "...sorry, kitten. Do I know you?" SFX: silence — single heartbeat

13s–15s: Sailor catgirl's hand closes around her heart pendant. She smiles through tears, soft: "Not yet. Deal again?" Fade to black. Coins fall. SFX: emotional catch — coin clatter — silence

4 枚の参照画像、6 つのビート、3 行のセリフ、重ねられた SFX。完成したのは、1 つのプロンプトから生まれた 15 秒の動画ではなく、6 段階を踏んで組み上げられた 15 秒の物語です。

▸ ラストシーンの参照

Edit Pro × v4.0 Preview で作るアニメーション漫画

同人 PV やアニメーション漫画ページの制作に。

こちらは、複数コマの漫画ページを動かしたいときに使うワークフロー。アニメーション付きリアクション、テンポの良いギャグ演出、同人 PV のような雰囲気 ── そんな表現に向きます。

Edit Pro がレイアウトを担当：コマ配置、各シーンの構図、読み順を整え、完成した漫画ページを 1 枚の画像として書き出します。その画像を v4.0 Preview へ渡し、次のプロンプトを使います：

Present the comic story from top to bottom in a [tone] style, with smooth storytelling and expressive character reactions. Add adorable anime-style sound effects throughout the scenes, such as "boing," "bam," "wah," and "sparkle," to enhance the atmosphere and make the comic feel lively and dynamic.

[tone] には、作品に合わせた雰囲気を入れます ──「cute and humorous（かわいくコミカル）」「elegant（上品・繊細）」「dramatic（ドラマチック）」など。これまで 2 コマのギャグから 6 コマ構成までテストしましたが、同じテンプレートで対応できました。

よくある質問

あわせて読みたい