AI動画脚本作成(レン・キッチバン・ビデオAI)
AI動画の脚本は、通常の脚本と一点で大きく異なります。それは、AIツールは明確に説明されたことしか理解できないということです。そのため、各シーンはプロンプトとしてそのまま貼り付けられるように記述し、誰かが「意図を汲み取る」必要がないようにしなければなりません。
脚本全体(プロンプトも含め)はベトナム語で記述します。
このスキルの成果物は、Markdownファイルです。内容は、一般情報、固定スタイル文、キャラクター・背景テーブル、シーンリスト、意外な結末(決め台詞+サウンドエフェクト+ミーム)、そして各シーンの完全なプロンプトで構成されます。
すべての動画は、意外で面白い一言で終わります。その一言を言い終えたら、即座に楽しいサウンドエフェクトと短いミームクリップに切り替わり、動画が終了します(ステップ5およびtham-khao/ket-bat-ngo-meme.mdを参照)。
手順
以下の6ステップを順番に行います。ステップ1~2は省略できません。なぜなら、以降のすべてのシーンはこれらに基づいているからです。
ステップ1 — 一般情報の確定
5つの情報をすべて揃える必要があります。ユーザーの事前のリクエストから取得し、不足しているものだけを一度の質問でまとめて尋ねます。ユーザーが「そのまま進めて」と言った場合は、合理的なデフォルト値を自動選択し、それが仮定であることを明記します。
| 情報 | 質問内容 | デフォルト値(未指定時) |
|---|---|---|
| 目的 | 広告、教育、ストーリーテリング、それともソーシャルメディア? 製品・テーマは? | —(テーマは必須) |
| プラットフォームとフレーム | TikTok/Reels/Shorts(縦9:16)、YouTube(横16:9)、投稿用(正方形1:1または4:5)? | 縦9:16 |
| 尺 | 合計何秒? | 30秒 |
| メインメッセージ | 視聴者が覚えるべき一言 | 目的から自動提案 |
| 視覚スタイル | 映画的、3Dアニメ、日本アニメ、ドキュメンタリー、スマホ自然撮影…? | 映画的、自然光 |
可能であれば追加情報:使用するAIツール、ナレーションの声、ターゲット視聴者、行動喚起(CTA)(決め台詞の前に配置するか、画面上のテキストまたは投稿のキャプションとして — 決め台詞の後には絶対に置かない)、エンディングミームの出典(デフォルト:Veoで自動作成;または無料ストック動画;または有名ミーム — 著作権リスクはユーザー自身が負う)。
キャラクターの選択 — 常にこのステップで、同じ質問の中で行います:
- 現在の作業ディレクトリにある
nhanvat/フォルダを探します。各キャラクターはサブフォルダで、nhan-vat.mdファイルを持っています。各ファイルの先頭部分(ma、ten、vai-tro、phong-cach-goc、tom-tat)を読み、anh-tham-chieu.pngがあるか確認します。 - ユーザーにどのキャラクターを使用するか尋ねます(複数選択可)。各選択肢には、名前、概要、参照画像の有無を表示します。常に以下の2つの選択肢を含めます:
- 新規キャラクター作成 →
tao-nhan-vatスキルを呼び出します。作成後、この画面に戻り、新しいキャラクターが自動的に選択されます。 - 既存キャラクターを使用しない → 動画に人物を登場させないか、キャラクターをステップ3の脚本内で直接説明します。 ツールの選択肢数に制限があり、キャラクター数が多い場合は、リストをテキストで表示し、ユーザーに名前を入力させます。
- 新規キャラクター作成 →
nhanvat/フォルダがない、または空の場合は、キャラクターライブラリが空であることを明確に伝え、次のいずれかを尋ねます:新規キャラクター作成(tao-nhan-vat)または脚本内で直接説明。- ユーザーのリクエストに既存フォルダと一致するキャラクター名が含まれている場合は、それを自動選択し、確認のみ行います。
背景の選択 — 常にこのステップで、同じ質問の中で行います:
- 現在の作業ディレクトリにある
boi-canh/フォルダを探します。各背景はサブフォルダで、boi-canh.mdファイルを持っています。各ファイルの先頭部分(ma、ten、loai、cong-dung、phong-cach-goc、thoi-diem-mac-dinh、tom-tat)を読み、360度画像セット(toan-canh.png、huong-1-truoc.png…huong-4-trai.png)に何枚の画像があるか数えます。 - ユーザーに動画でどの背景を使用するか尋ねます(複数選択可)。以下の3つの選択肢グループがあります:
- 既存の背景を選択 — 各選択肢には、名前、概要、360度画像の枚数(例:「4方向完備」「全景のみ」「画像なし」)を表示します。
- 新規背景を作成 →
tao-boi-canhスキルを呼び出します(ChatGPTが自動で開き、360度画像セットを作成します)。作成後、この画面に戻り、新しい背景が自動的に選択されます。 - 背景説明を直接入力 → ユーザーがチャットボックスに説明を入力します。これをステップ3の自己説明型背景として使用します(360度画像はありません)。
ツールの選択肢数に制限があり、背景数が多い場合は、リストをテキストで表示し、ユーザーに名前を入力させます。
ユーザーが2シーン以上連続して登場する背景に対して直接説明を選択した場合、明確に伝えます: テキストのみの場合、AIの各クリップで部屋が少しずつ異なって生成されます(家具の位置が変わる、窓の位置が変わるなど)。
tao-boi-canhを使用して画像付き背景を作成することを推奨します。それでもユーザーが直接入力を選択した場合は続行しますが、chia-doan-8-giayがカメラアングルに応じた基本フレームセットを作成して補完します。ただし、ステップ3の背景説明では、家具の位置を明確に記述する必要があります。
boi-canh/フォルダがない、または空の場合は、背景ライブラリが空であることを明確に伝え、次のいずれかのみを尋ねます:新規背景作成(tao-boi-canh)または直接説明の入力。- ユーザーのリクエストに既存フォルダと一致する背景名が含まれている場合は、それを自動選択し、確認のみ行います。ユーザーがリクエスト内で既に背景を説明している場合は、再度確認します:その説明をそのまま使用するか、
tao-boi-canhを使用して360度画像付きの新しい背景として保存するか。 - ユーザーが新規キャラクター作成と新規背景作成の両方を選択した場合は、
tao-nhan-vatを先に実行し、次にtao-boi-canhを実行してから、ステップ2に進みます。
ステップ2 — スタイル文の固定
スタイルを説明する一文を作成し、すべてのプロンプトの最後に全く同じ文を使用します。これにより、クリップ同士をつなぎ合わせた際に調和が保たれます。
内容:画像ジャンル+全体的な照明処理方法+トーン+レンズ/素材+フレーム
映画風スタイル、自然光、暖色系トーン、35mmレンズ、ソフトな背景ぼかし、滑らかなフィルムグレイン、縦9:16フレーム
各シーン固有の照明(早朝の日差し、夜のデスクライトなど)はスタイル文には含めず、各シーンプロンプトの照明部分に記述します。これにより、日中と夜間のシーンが混在しても、同じ「質感」を保つことができます。
照明、レンズ、スタイルに関する語彙の選択については、tham-khao/tu-vung-prompt.mdを参照してください。
ステップ3 — 固定のキャラクター・背景テーブルの作成
AIは、シーン間で顔、服装、部屋を簡単に変えてしまいます。繰り返し登場するキャラクターと背景ごとに、固定の説明文を作成し、それが登場するすべてのプロンプトに全く同じものを貼り付けます。
nhanvat/から取得したキャラクター(ステップ1で選択済み):
nhan-vat.md内のコードmaと「固定説明」部分をそのまま使用します — 書き換えたり、短縮したりしないでください。異なる服装が必要な場合は、「服装バリエーション」セクションを使用します。適切なバリエーションがない場合は、顔と髪を変えないルールに従って新しいバリエーションを作成し、そのバリエーションをキャラクタープロファイルに保存するかどうかユーザーに尋ねます。- プロファイルと参照画像のパスを脚本のキャラクター一覧に記録します。キャラクターに既に
anh-tham-chieu.pngがある場合は、参照画像作成用のプロンプトを再度書く必要はありません。ユーザーに、その画像をツールのキャラクター/要素参照機能で使用することを推奨します。また、プロファイルにシーンのカメラアングルに最も近いアングル画像(goc-<n>-….png)がある場合は、それも併せて推奨します(これらの画像は単色背景のポートレートであるため、背景付きのシーンでは、キャラクターが背景と共に映る別のフレーム画像を作成する必要があります)。動画に複数のカメラアングル(斜め、背面、ローアングルなど)があり、キャラクターにアングル画像がない場合は、tao-nhan-vatを使用して補充するようユーザーに提案します。 - キャラクターの
phong-cach-gocが動画のスタイルと異なる場合(例:キャラクターは3Dアニメだが動画はリアルな映画スタイル)、続行する前にユーザーに通知します:動画スタイルを変更するか、新しいスタイルで参照画像を再作成するか。 - プロファイル内の「固定の声」の行を、キャラクターが話すすべてのシーンの音声にそのまま使用します(シーンの感情は後で記述し、「低く」「甲高く」など声質を変える言葉は使用しません)。「声」セクションは話し方のメモとして使用します。プロファイルに固定の声がない場合は、
tao-nhan-vat(ステップ2)のフォーマットに従って作成し、プロファイルに保存するかどうかユーザーに尋ねます。
自己説明型キャラクター(nhanvat/にないもの)は、以下のガイドラインに従って記述します。脚本を納品した後、ユーザーにそのキャラクターをtao-nhan-vatを使用してライブラリに保存し、再利用できるようにするかどうか尋ねます。
キャラクターの説明には以下を含める必要があります:性別、国籍、年齢、髪(色、長さ、スタイル)、体型、服装(色+素材+スタイル)、識別ポイント、デフォルトの表情。
キャラクターA:
ベトナム人女性、30歳くらい、黒くてストレートの肩までの長さの髪、スリムな体型、ベージュのゆったりとしたセーター、小さな金色のイヤリング、優しい微笑み
boi-canh/から取得した背景(ステップ1で選択済み):
boi-canh.md内のコードmaと「固定説明」部分をそのまま使用します — 書き換えたり、短縮したりしないでください。- 各シーンについて、プロファイルの「4方向図」に従ってカメラの方向(
H1–H4)を選択し、その方向の補足説明を固定説明の後に連結してシーンプロンプトに使用します。シーンの照明は、その方向の「カメラに対する主光源」の列と一致させる必要があります。シーン間で方向を変えることで、背景の一貫性を保ちながら多様な視点を提供します。 - デフォルトと異なる時間帯のシーン(例:夜のシーン)の場合は、「時間帯バリエーション」セクションの照明文を使用します。適切なバリエーションがない場合は、オブジェクトとレイアウトを維持したまま独自に作成し、そのバリエーションをプロファイルに保存するかどうかユーザーに尋ねます。
- プロファイルと360度画像のパスを脚本の背景一覧に記録します。各シーンについて、対応する方向の画像(例:
boi-canh/phong-khach/huong-1-truoc.png)を背景参照画像として記録します。フレーム画像を作成する際、キャラクター参照画像とその方向の画像を同時にアップロードし、ツールがキャラクターを正しい背景に合成できるようにします。 - 背景の
phong-cach-gocが動画のスタイルと異なる場合は、キャラクターの場合と同様に、続行する前にユーザーに通知します。
自己説明型背景(ユーザーがステップ1で説明を入力したもの)または自動提案された背景:ユーザーの意図を維持し、不足している部分を以下のガイドラインに従って整理・補足します。追加した部分は明確に示します。脚本を納品した後、ユーザーにその背景をtao-boi-canh(360度画像付き)を使用してライブラリに保存し、再利用できるようにするかどうか尋ねます。
背景の説明には以下を含める必要があります:空間の種類、主要オブジェクト、素材、主要色、光源、時間帯 — そして、キャラクターに対する各主要オブジェクトの位置(例:「左側、ソファの後ろに白いレースカーテンの大きな窓。右隅に緑の観葉植物」)。位置が欠けていると、AIはクリップごとにオブジェクトの配置を変えてしまいます。キャラクターが座っている場所であり、かつ背景でもあるようなオブジェクトを説明しないでください(例:キャラクターがソファに座っている場合、背景はソファの後ろの壁と窓であり、「ソファ」そのものではありません)。
ルール:
- 短い呼称(
NV_A、BC_PHONGKHACH)を割り当て、シーンリストで使用します。ただし、最終的なプロンプトでは、完全な説明文に置き換える必要があります — AIツールはNV_Aが誰かを知りません。 - 脚本で要求されない限り、シーン間で服装を変更しないでください。変更する場合は、新しい説明文(
NV_A_DONGU)を作成し、顔と髪の部分は変更しません。 - ツールが参照画像のアップロードをサポートしている場合(Runway、Kling、Veo、Midjourney、Hailuoなど)、ユーザーに事前にキャラクター画像(正面ポートレート、無地背景)を作成し、すべてのシーンでその画像を使用することを推奨します。この参照画像作成用のプロンプトを脚本内に事前に記述します。
ステップ4 — シーンごとの脚本分割(シーンリスト)
シーン数: 各シーンは1つのAIクリップです — シーンが少ないほど、使用するクレジットが少なくなります。最終的なミームクリップ(ステップ5)のために2~5秒を差し引き、残りの時間をツールのクリップ長で割り、切り上げます:
- Google Flow / Veo(1クリップ8秒): シーン数 ≈ 尺 ÷ 8。例:15秒 → 2シーン+ミーム、30秒 → 4シーン+ミーム、60秒 → 7~8シーン+ミーム。
- その他のツール(1クリップ5~10秒):シーン数 ≈ 尺 ÷ クリップ長。
ユーザーが既に多数の短いシーン(台詞ごとに1シーン)を含む脚本を提供している場合は、以下の統合ルールに従って、上記のシーン数に達するように連続する短いシーンを統合します。統合した箇所は明確に示します。
推奨構造(目的に応じて調整):
- シーン1(最初の3秒):フック — 奇妙な画像、質問、または視聴者が直面している問題。決め台詞で使用する詳細を事前に仕込みます。
- 中間シーン:問題 → 解決策 → 証拠/ストーリー。メインメッセージと行動喚起(CTA)(ある場合)はここに配置します。
- 最終シーン:意外な決め台詞 — 動画の最後の台詞(ステップ5)。
- シーン
M:サウンドエフェクト+ミーム 2~5秒、その後動画終了。
動画全体で笑いを取る決め台詞は1つだけ — 最終シーンに配置します。前のシーンは一貫した流れで進み、どのシーンもジョーク、笑い声、キャラクターが笑う/固まる/カメラを見て反応を待つなどで終わってはいけません。長い動画が複数の8秒クリップに分割される場合でも、各クリップの終わりは次のクリップへの単なる継ぎ目です。
各シーンには以下の列があります:
| シーン | 尺 | 映像(短い説明) | カメラアングル/動き | 台詞/ナレーション | 音声 |
|---|---|---|---|---|---|
| 1 | 5秒 | NV_Aが朝の窓辺に座り、茶杯を持つ | ミディアムクローズアップ、カメラゆっくり前進 | 「あなたは今まで…」 | 軽いBGM |
シーン分割のルール:
- 1シーン=1つのカメラアングル+1つの連続したアクション。 AIは、1つのクリップ内で複数の大きな不連続なアクション(「彼女は立ち上がり、ドアへ歩き、ドアを開け、手を振る」)があると苦手です — そのようなシーンは分割します。ただし、同じ場所での短いやり取り(夫が挨拶 → 妻が非難;決め台詞 → 相手が怒る)は1シーンであり、台詞ごとに分割しません。
- 各シーンに1つのカメラ動きのみ。 「左にパンしてからズームイン」のような組み合わせは避けます。
- シーン統合ルール: 各シーンで話すのは最大2人、各人が1ターンのみ(A→B、A→B→Aは不可)。2人が同時に話す場合は、両方が見えるミディアムショットを使用するか、主な話者のクローズアップを維持し、もう一人はフレーム外から話させます。台詞の列に各人の秒数を記録します(例:
夫(0~3秒):「…」・妻(3.5~7.5秒):「…」)。 - ライブラリからの背景を使用する場合、映像の列にカメラ方向を併記します(例:
NV_Aがソファに座る — BC_PHONGKHACH/H1)。 - 台詞の長さを尺に合わせる: ベトナム語は1秒あたり約2.5~3音節 → 5秒シーンは最大約12~15語、8秒シーンは最大約18語(全員の台詞を合計)。超過する場合は、次のシーンに移します。
- 口パク台詞: ツールがリップシンクまたはオリジナル音声生成をサポートしている場合のみ使用します(例:Veo 3、Kling)。デフォルトでは、リップシンクの誤りを避けるため、ナレーションによる読み上げを優先します。
- ショットサイズ(ロング – ミディアム – クローズアップ)を変化させて動画にリズムを持たせますが、同じ背景内のシーン間では照明の方向を維持します。
- キャラクターの位置を固定(180度ルール): 同じ背景内では、最初に左側にいたキャラクターは常に左側にいて右を向き、もう一人はその逆とします。この位置をシーンテーブルの直下に記録します。各人物のクローズアップでは、常に同じ部屋の一部が背景に見えるようにします。毎回新しいアングルを作成する代わりに、少数のアングルを繰り返し使用します(通常、背景あたり2~4アングル)。カメラが…
…(以下、内容が途切れています。必要に応じて続きを提供できます。)