AI動画生成の仕組み：言葉が動く映像になるまで
読了 7 分
著者：Nureta最終更新：2026年9月29日
一文を入力して少し待つと、カメラが一度も撮影していない数秒の映像が現れます。魔法のように見えますが、その裏には明確で理解可能なパイプラインがあります。言語モデルが言葉を読み取り、拡散モデルがノイズからフレームを描き出し、いくつかの工夫がそれらのフレームを時間を通じて互いに整合させようとします。Nuretaでは同じパイプラインが両方の方式で動いており、写真なしで言葉だけから作るテキストから動画と、同意した成人の写真最大2枚も条件に加える画像から動画のどちらでも、最長約3分の動画を生成します。本ガイドでは、プロンプトから動く映像までに実際に何が起きているのか、そしてなぜ動きが最も難しい部分なのかを解説します。
NuretaはNo.1のフィルターなしNSFW AI動画プラットフォームで、50,000人以上のユーザーに信頼されています。テキストから動画・画像から動画、最長3分。
言葉から、モデルが描ける設計図へ
パイプラインはあなたのテキストから始まりますが、モデルはあなたと同じように言葉を読むわけではありません。テキストエンコーダー（多くは大規模言語モデルや視覚言語モデル）が、プロンプトを数値の並び、すなわちベクトルに変換します。これは綴りではなく意味を捉えたものです。『夕暮れの雪原を走る赤いキツネ』は、キツネらしさ・雪・動き・薄暗さを凝縮した数学的な指紋になります。
そのベクトルがモデルの舵取り信号になります。生成の各ステップで条件として与えられ、出力が何を含むべきかを絶えず思い出させます。だからこそプロンプトの言葉選びが重要なのです。あなたは監督に指示を出しているのではなく、モデルが目指す座標をずらしているのです。『走る』を『跳ねる』に変えれば、目標ベクトルも、そして映像も動きます。
重要なのは、何も検索していないという点です。モデルはキツネの映像ライブラリを探して繋ぎ合わせているわけではありません。学習中に何百万本もの動画を見て、視覚世界がどう見え、どう動くかという統計を重みの中に圧縮しています。あなたのプロンプトはその学習空間の中の一点を選び、生成はその点からゼロから描き出す作業です。
拡散：ノイズからフレームを描く
現代の動画生成器の多くは拡散モデルです。その発想は直感に反します。ノイズを取り除くようにモデルを訓練すると、創り出す力が身につくのです。訓練では、本物の動画に段階的にランダムなノイズを加え、フレームが完全なノイズになるまで進め、そのうえで各段階を逆再生することを学ばせます。生成時は、新たなノイズの原野から出発し、プロンプトに合致するものへと向けてノイズを除去していきます。
これをフル解像度のピクセル上で行うと途方もない計算量になるため、作業は潜在空間で行われます。エンコーダーが各フレームを小さな数値の格子、つまり潜在表現に圧縮し、意味のある構造を保ちつつ冗長な細部を捨てます。拡散はこの小さな潜在表現の上で動き、最後にデコーダーがそれを鑑賞可能なピクセルへと復元します。『潜在フレーム』とは、この圧縮された中間形式のことにすぎません。
各ノイズ除去のステップは、洗練されていく推測です。初期のステップでは形と色をおおまかに置き、後のステップでは輪郭と質感を鋭くします。プロンプトのベクトルが各ステップをあなたの記述へと引き寄せ、しばしば「ガイダンス」と呼ばれる設定がその引く強さを制御します。弱すぎればモデルはあなたを無視し、強すぎれば映像は硬く、彩度過剰になります。生成とは、こうした小さな修正を何十も連ねたものです。
なぜ動きは一枚の絵よりずっと難しいのか
静止画は一度もっともらしければ済みます。動画はフレームごとにもっともらしく、かつフレーム間で一貫していなければなりません。同じキツネ、同じ毛並み、同じ影の向きが、おおまかな物理法則に従って動く必要があります。一枚のフレームを見事に決めるモデルでも、脚が増えるキツネ、毛皮がちらつくキツネ、肉球が雪に触れないまま滑るキツネを生み出しかねません。
これに対抗するため、動画モデルは画像モデルにはない時間の次元を加えます。フレームを独立に生成するのではなく、時間的アテンション、すなわち各フレームが他のフレームを見られる層を用います。これにより第一フレームでの決定が第三十フレームまで伝わります。多くのシステムはフレームを順番にではなくまとめて生成します。だからクリップ全体の見た目が揃いやすく、また長さに上限があるのです。時間をまたぐアテンションはすぐに高コストになります。
時間的一貫性は今なおこの分野で最も切っ先の鋭い課題です。速い動き、手、群衆、看板の文字、そして正確な物体の永続性（手が横切ってもコップが同じコップであり続けること）は依然として難しいものです。生成が「変形」したりちらついたりするとき、たいていは時間層がフレームをまたいで物体の同一性を見失っているのです。解像度以上に、ここでの進歩こそが、説得力のあるクリップと不気味なクリップを分けます。
実際に作るとき、これが何を意味するのか
パイプラインを理解すると、プロンプトの書き方が変わります。モデルは学習した分布から描くため、ありふれてよく表現された場面は、珍しい場面よりきれいに出力されます。通りを歩く人は、奇妙な角度からの特定の体操技よりも簡単です。被写体だけでなくショットを描写しましょう。照明、カメラの動き、雰囲気は、装飾ではなく、モデルが働きかけられる条件です。
また、正直な期待値も定まります。モデルには台本も、前のショットの記憶も、因果関係の本当の理解もありません。あなたの言葉に統計的に続きやすいものを生み出すだけです。だから一回の生成は数秒であり、同じプロンプトを引き直せば異なる結果が出て、長い物語は一続きの撮影ではなくショットごとに組み立てられるのです。
そのショット単位という現実こそ、ストーリー起点のツールが役立つ場面です。たとえばNureta（nureta.ai）は、物語・小説の抜粋・脚本を受け取り、その分解、すなわち散文をプロンプト化されたショットの連なりへ変える作業を引き受け、必要であればその物語からアダルト・NSFWの動画を生成することもできます。だからあなたは各クリップと格闘する代わりに、物語のレベルで演出できます。どのツールを使うにせよ、心得は同じです。あなたは確率を、場面ごとに、頭の中の映画へと舵取りしているのです。