動画AIで音・セリフ・環境音を扱う — 音声対応モデルのプロンプト術

動画AIの進化で、映像と同時に音声まで生成できるモデルが登場しています。環境音やセリフが乗るだけで、映像の没入感は段違いになります。一方で「音の指示の書き方」はまだ情報が少なく、戸惑う人も多い領域です。本記事では音声対応動画AIのプロンプト術を整理します。

なお音声対応の有無や仕様はサービス・プランにより異なり、更新も早いため、最新仕様は各サービスの公式情報をご確認ください。映像側の基礎は動画プロンプトの構造化を参照してください。

音の指示は「映像」と分けて書く

音声対応モデルでは、映像描写と音指示を分けて書くと意図が通りやすくなります。Audio: のようなラベルで区切るのが分かりやすい書き方です。

A cozy cafe interior, rain outside the window, a woman reading a book.
Audio: gentle rain, soft jazz music, occasional clink of a coffee cup.

音の4分類

音は大きく4種類に整理できます。

種類	英語表現の例
環境音（アンビエンス）	room ambience, city traffic, forest sounds, ocean waves
効果音（SFX）	footsteps, door creaking, glass breaking, thunder
セリフ・発話	a woman says "..." , whispering, laughing
音楽（BGM）	soft piano, upbeat jazz, tense orchestral music

欲張ってすべてを盛ると音が濁るので、主役の音を1〜2種に絞るのがコツです。

環境音・効果音のコツ

• シーンと一致させる：雨のシーンに gentle rain、街なら distant traffic。映像と矛盾する音は不自然
• 強さを添える：soft / distant / loud で音量感を指定
• タイミング語：as the door opens, a creaking sound のように映像イベントと結びつける

セリフ・発話のコツ

セリフを出す場合は、内容と話し方を指定します。

a young man looks at the camera and says "I'll be back soon", calm voice

• 短いセリフから：長いセリフは口の動き（リップシンク）とのズレが出やすい
• 声質を添える：calm voice, cheerful tone, whispering など
• 言語を意識：出力言語によって発話の自然さが変わる。日本語セリフ対応はサービス差が大きい

音楽（BGM）のコツ

• ジャンルとムードで指定：upbeat acoustic guitar, melancholic piano, epic orchestral
• テンポ感：slow tempo, energetic
• 映像のムード（ライティング表現の辞典で作る雰囲気）と音楽の方向性を揃える

無音・音を抑えたいとき

音声生成が不要な場合は明示します。

• no music / silent / ambient sound only
• BGMを切って環境音だけにしたいなら no music, only natural ambience

後から編集ソフトで音を差し替える前提なら、最初から無音指定にしておくと扱いやすくなります。

サービス別の傾向

• Veo：音声生成に対応し、環境音・効果音の同時生成が特徴。詳細はVeoプロンプト完全ガイド
• その他のモデルも順次音声対応が進行中。対応状況はプラン・バージョンで変わるため都度確認を

よくある失敗と回避

失敗	回避
音が映像と合わない	シーンと一致する音を指定
音が濁る・うるさい	主役の音を1〜2種に絞る
セリフがズレる	短いセリフにする
余計なBGMが乗る	no music を明示

まとめ

• 音指示は映像と分け、Audio: ラベルで区切ると伝わる
• 音は環境音・効果音・セリフ・BGMの4分類。主役を1〜2種に絞る
• セリフは短く・声質を添える、不要なら無音を明示

映像側のプロンプトはPromptForge JP のツールで組み立て、音の指示を末尾に足す形が扱いやすいです。まずは環境音1種から、映像に「音の厚み」を足してみてください。