動画生成スキル
AI(Google Veo 3.1、OpenAI Sora)を使って動画を生成します。
機能:
- 🎬 テキストから動画へ: テキスト説明から動画を作成
- 🖼️ 画像から動画へ: 画像を最初のフレームとしてアニメーション化
- 🔊 音声生成: 台詞、効果音、環境音(Veo 3+)
- 🎭 参照画像: 最大3枚の参照画像で動画内容をガイド(Veo 3.1)
前提条件
デフォルト: Vertex AI(1分あたり10リクエスト)⭐
Vertex AIがデフォルトのバックエンドで、1400倍高いレート制限があります。
# 1. プロジェクトを設定
export GOOGLE_CLOUD_PROJECT=your-project-id
# 2. 認証(ブラウザが開きます)
gcloud auth application-default login
# 3. APIを有効化(1回のみ)
gcloud services enable aiplatform.googleapis.com
.envファイルに以下を追加:
GOOGLE_CLOUD_PROJECT=your-project-id
GOOGLE_CLOUD_LOCATION=us-central1
フォールバック: AI Studio(1日あたり10リクエスト)
GCPプロジェクトがない場合のみ使用:
GOOGLE_API_KEY- https://aistudio.google.com/apikey から取得
Sora(OpenAI)の場合
OPENAI_API_KEY- OpenAI Sora用
利用可能なモデル
Google Veoモデル
| モデル | 説明 | 最適な用途 |
|---|---|---|
veo-3.1 | 最高品質(デフォルト) | プロフェッショナル動画、台詞、参照画像 |
veo-3.1-fast | 高速処理 | 迅速なイテレーション、バッチ生成 |
両モデルに含まれる機能:
- 720p/1080p解像度
- 4、6、8秒の再生時間
- ネイティブ音声(台詞、効果音、環境音)
- 画像から動画へ(画像のアニメーション化)
- 参照画像(最大3枚)
- 動画の拡張
- バッチ/並列生成
OpenAI Sora
- 最適な用途: クリエイティブ動画、映画のような品質、複雑な動き
- 解像度: 480p、720p、1080p
- 再生時間: 5秒、10秒、15秒、20秒
- 機能: テキストから動画へ、画像から動画へ
ワークフロー
ステップ1: 要件を収集(必須)
⚠️ インタラクティブに質問してください — 一度に1つの質問をします。
質問フロー
⚠️ 以下の各質問にはAskUserQuestionツールを使用してください。応答内に質問を印刷するだけではなく、ツールを使用してオプション付きのインタラクティブプロンプトを作成してください。
Q1: 画像
「その動画を生成します! まず — アニメーション化する画像はありますか?
- はい(パスを指定 — 最初のフレームとして使用します)
- いいえ、ゼロから生成します」
応答を待ちます。
Q2: 音声
「音声の設定はどうしますか?
- 音声あり(デフォルト) — Veo 3.1が台詞、効果音、環境音を生成します
- 無音動画 — 音声なし」
応答を待ちます。
Q3: モデル
「どのモデルをご希望ですか?
veo-3.1— 最新、最高品質、音声あり(デフォルト)veo-3.1-fast— 高速処理、音声ありveo-3/veo-3-fast— 旧世代、音声ありsora— OpenAI、最大20秒、音声なし」
応答を待ちます。
Q4: 再生時間
「再生時間は?
- 4秒
- 6秒
- 8秒(デフォルト)」
応答を待ちます。
Q5: フォーマット
「アスペクト比と解像度は?
- 16:9 横向き、720p
- 16:9 横向き、1080p
- 9:16 縦向き、720p
- 9:16 縦向き、1080p
- または指定」
応答を待ちます。
クイックリファレンス
| 質問 | 決定事項 |
|---|---|
| 画像 | 画像から動画 対 テキストから動画 |
| 音声 | 音声生成の有無 |
| モデル | 品質と速度のトレードオフ |
| 再生時間 | クリップの長さ |
| フォーマット | アスペクト比と解像度 |
ステップ2: プロンプトを作成する
ユーザーのリクエストを効果的な動画プロンプトに変換します:
- シーンを説明する: 視覚的なコンテキストを設定する
- アクションを指定する: 何が動き、変化し、起こるか
- カメラワークを含める: 「スローパン」「トラッキングショット」「ドリーショット」
- 音声の手がかりを追加する(Veo 3+): 台詞には引用符を使い、音を説明する
- ムードを設定する: 照明、雰囲気、時間帯
台詞を含む例(Veo 3.1):
- ユーザー: 「宝を発見する人」
- 拡張: 「トレジャーハンターの顔のクローズアップ、松明の炎が揺らめく。彼は古い宝箱の埃を払いながら『ここのはずだ…』とつぶやく。蓋を開けるときの蝶番のきしむ音。中から黄金の光が彼の畏敬の念に満ちた顔を照らし出す。映画的、劇的な影。」
台詞なしの例:
- ユーザー: 「ビーチを走る犬」
- 拡張: 「ゴールデンレトリバーが夕日のビーチを喜び勇んで走る映画的なスローモーションショット、波が打ち寄せ、暖かいゴールデンアワーの照明、浅い被写界深度」
ステップ3: モデルを選択する
デフォルト: veo-3.1(最高品質、音声あり)
| ユースケース | 推奨モデル | 理由 |
|---|---|---|
| 最高品質 | veo-3.1(デフォルト) | 最高品質、音声 |
| 迅速なイテレーション | veo-3.1-fast | 高速処理 |
| バッチ生成 | veo-3.1-fast | 複数クリップでは速度が重要 |
| 長い動画(>8秒) | sora | 最大20秒対応 |
ステップ4: 動画を生成する
${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/ から適切なスクリプトを実行します:
Google Veo 3.1(デフォルト、音声あり)の場合:
python3 ${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/veo.py \
--prompt "引用符で囲んだ台詞を含む拡張プロンプト" \
--model "veo-3.1" \
--duration 8 \
--aspect-ratio "16:9" \
--resolution "720p"
画像入力付きGoogle Veo 3.1の場合:
python3 ${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/veo.py \
--prompt "猫がゆっくりと目を開け、あくびをする" \
--image "/path/to/cat.jpg" \
--model "veo-3.1" \
--duration 8
高速生成の場合:
python3 ${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/veo.py \
--prompt "あなたのプロンプト" \
--model "veo-3.1-fast"
OpenAI Sora(長い動画)の場合:
python3 ${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/sora.py \
--prompt "拡張プロンプト" \
--duration 20 \
--resolution "1080p"
利用可能なモデルを一覧表示:
python3 ${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/veo.py --list-models
動画の拡張(長尺の連続性のため)
--extend フラグは真の視覚的連続性を実現し、前のVeo動画の続きから開始します。これは長尺動画に最適なアプローチです。
基本的な拡張:
# まず、初期クリップを生成
python3 ${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/veo.py \
--prompt "日の出の森を歩く人" \
--duration 8
# 新しいコンテンツで拡張(約7秒追加)
python3 ${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/veo.py \
--extend veo_veo-3.1_20260104_120000.mp4 \
--prompt "歩き続け、隠れた小川を発見する"
複数回の拡張(長い動画の場合):
# 5回拡張(約35秒の連続映像を追加)
python3 ${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/veo.py \
--extend initial_clip.mp4 \
--prompt "森の中を探検し続け、野生動物に出会う" \
--extend-times 5
拡張 vs 結合:
| アプローチ | 結果 | ユースケース |
|---|---|---|
| 拡張 | 真の連続性、同じキャラクター/シーン | 長い連続ショット |
| 結合 | トランジション付きの個別クリップ | シーンチェンジ、モンタージュ |
拡張の制限:
- 入力動画はVeoで生成されたものである必要があります(最大141秒)
- 各拡張で約7秒追加されます
- 最大合計20回の拡張(約2.5分)
- 出力解像度は720p
バッチ生成(並列)
複数の動画を同時に生成し、マルチシーンワークフローを高速化します。5つの動画を順次生成するのに15分以上待つ代わりに、すべてを並列で生成します(合計約3分)。
scenes.jsonファイルを作成:
[
{"prompt": "シーン1: 暗い表面のワイヤレスイヤホンの映画的なヒーローショット", "duration": 6, "output": "scene1_hero.mp4"},
{"prompt": "シーン2: 音波の可視化、音楽を楽しむ人", "duration": 8, "output": "scene2_sound.mp4"},
{"prompt": "シーン3: 耳の中のイヤホンのクローズアップ、運動する人", "duration": 8, "output": "scene3_comfort.mp4"},
{"prompt": "シーン4: ライフスタイルモンタージュ、様々な設定", "duration": 8, "output": "scene4_lifestyle.mp4"},
{"prompt": "シーン5: 清潔な背景のロゴ入り製品", "duration": 4, "output": "scene5_cta.mp4"}
]
すべてのシーンを並列に生成:
python3 ${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/veo.py \
--batch scenes.json
カスタムワーカー数で:
python3 ${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/veo.py \
--batch scenes.json \
--max-workers 3
動画ごとのバッチ設定オプション:
| オプション | 説明 | デフォルト |
|---|---|---|
prompt | 動画の説明(必須) | - |
model | veo-3.1、veo-3.1-fastなど | veo-3.1 |
duration | 4、6、または8秒 | 8 |
aspect_ratio | "16:9" または "9:16" | "16:9" |
resolution | "720p" または "1080p" | "720p" |
image | 画像から動画へのパス | - |
negative_prompt | 避けるべき内容 | - |
output | カスタム出力ファイル名 | 自動生成 |
速度比較:
| シーン数 | 順次 | 並列(5ワーカー) | 高速化 |
|---|---|---|---|
| 3 | 約9分 | 約3分 | 3倍 |
| 5 | 約15分 | 約3分 | 5倍 |
| 10 | 約30分 | 約6分 | 5倍 |
ステップ5: 結果を提供する
- 生成された動画ファイル/URLを提供する
- 使用した拡張プロンプトを共有する
- 生成設定(再生時間、解像度)について言及する
- 以下を提案する:
- バリエーションを生成
- 異なるスタイル/再生時間を試す
- 別のAPIを使用
- 動画を拡張
エラーハンドリング
APIキーが見つからない場合: 必要なキーをユーザーに通知:
コンテンツポリシー違反: プロンプトを適切に言い換える。
生成に失敗した場合: 簡略化したプロンプトまたは別のAPIで再試行。
割り当て超過: 待つか、別のプロバイダーを試すよう提案。
プロンプトエンジニアリングのヒント
音声(Veo 3.1)の場合
- 台詞: 引用符を使用:
「こんにちは!」と彼女は興奮して言った - 効果音: 明示的に説明:
タイヤのスキール音、エンジンの轟音 - 環境音: サウンドスケープを説明:
鳥のさえずり、遠くの交通量 - 例:
暗い廊下に足音がこだまする中、男が「今の聞こえた?」とささやく
映画のような品質のために
- カメラの指示を含める: 「スロードリー」「トラッキングショット」「クレーンショット」
- 照明を指定する: 「ゴールデンアワー」「劇的な影」「柔らかな拡散光」
- 映画のリファレンスを追加する: 「ブレードランナースタイル」「ウェス・アンダーソンの美学」
リアルな動きのために
- 物理を説明する: 「自然な動き」「リアルな物理」
- 環境の詳細を含める: 「風に吹かれる髪」「ざわめく葉」
- 速度を指定する: 「スローモーション」「リアルタイム」「タイムラプス」
画像から動画への場合
- 開始画像から何が変化/移動するべきかを説明する
- アクションを具体的に指定する: 「猫がゆっくりと目を開ける」
- 環境の動きを含める: 「葉が風に舞う」
ネガティブプロンプト
- 含めたくないものを説明する:
--negative-prompt "cartoon, low quality, blurry" - 「no」や「don't」は使用せず、単に望ましくない要素を説明する
API比較
| 機能 | Veo 3.1(デフォルト) | Veo 3.1 Fast | Sora |
|---|---|---|---|
| プロバイダー | OpenAI | ||
| APIキー | GOOGLE_API_KEY | GOOGLE_API_KEY | OPENAI_API_KEY |
| 最大再生時間 | 8秒 | 8秒 | 20秒 |
| 解像度 | 720p、1080p | 720p、1080p | 最大1080p |
| アスペクト比 | 16:9、9:16 | 16:9、9:16 | 16:9、9:16、1:1 |
| 音声(台詞、効果音) | ✅ あり | ✅ あり | ❌ なし |
| 画像から動画へ | ✅ あり | ✅ あり | ✅ あり |
| 参照画像 | ✅ 最大3枚 | ✅ 最大3枚 | ❌ なし |
| 動画の拡張 | ✅ あり | ✅ あり | ❌ なし |
| バッチ生成 | ✅ あり | ✅ あり | ❌ なし |
| 速度 | 最高品質 | 約2倍高速 | 低速 |
| 最適な用途 | プロフェッショナル | バッチワークフロー | 長い動画 |