動きを、伝わる言葉に。

格闘・武器を使う戦いのプロンプトの書き方

公式ガイド、作者が投稿で公開した知見、収集例の成功と失敗をまとめています。最後の「書き換え例・未検証」は私自身の書き換えで、まだ生成を試していません。収集した実測済みのプロンプトとして扱わないでください。

1. 各社の公式ガイドに共通する書き方

• 一つの区間では一つの瞬間を描きます：Veoは一つの動作の節目に絞ることを勧めています。戦い全体を一文にするより、構え → 接触 → 反応に分ける方が安定します。

• 基本の式：主体＋動作＋場所＋カメラ＋スタイル・光です。Veoの五要素で、Wanも似た構成です。

• 時刻とショットの区切り：Veoでは[00:00-00:02]など、Wan 2.6では「Shot 1 [0-3s]」などが使えます。Kling 3.0は15秒で最大6ショットに対応し、Seedanceでもショットごとの記述が広く使われています。

• カメラの指示を先に書きます：Runwayは「[Camera] shot of …」で始める形式を勧めています。Hailuoでは[Tracking shot]のように角括弧で指定できます。

• 一つのショットに一種類の移動：Grok Imagineでは、一度に一つのカメラ移動が推奨されています。重ねすぎると混乱しやすくなります。

• Midjourneyの動画：画像から動画を作ります。動きを大きくするなら--motion high、様式化を弱めるなら--raw、動画の指定は--video 1です。

2. コミュニティの実測と収集例で見られた各モデルの強み

3. よくある失敗と対処

1. 武器が移る・持ち替わる：各人物の持ち物を「A holds a bamboo pole, B holds a sickle」のように指定し、最後まで維持します。

2. 細切れの編集・人物の変化：Seedanceの利用者はカットを減らすことを勧めています。速い乱打より、少し遅い連続動作の方が崩れにくいです。

3. ワンカットと書いても切り替わる：Langby2の実測でも起きています。「single continuous take, no cuts」を添え、場所の変化を減らします。

4. 言葉を文字どおりに描く：Langby2のクレーン指示で実物のクレーンが出た例があり、矢も逆向きに飛ぶことがあります。「crane shot」など標準的な英語の撮影用語が比較的安全です。

5. パンチが別の動作になる：jab、uppercut、sweep kickなど具体的な動詞と、当たった後の反応を書きます。

6. AIの破綻を目立ちにくくする：godswayfoundincは、手足のめり込みをアクションカメラ風の手持ちの揺れで目立ちにくくできると述べています。

7. 等速の速さを出したい場合：「no slow motion」より「1/500s shutter」のようなシャッター指定を試す考え方です。

8. 服や顔が変わる：Seedance 1.0の試験で服が変わりました。文章だけより、参照画像を使う画像から動画の方が安定します。

9. 書きすぎて悪くなる：複数のSeedance利用者が、簡潔な方がよい結果になると報告しています。

4. 各サービスの暴力表現の審査と方針に沿う書き方

• Veo（Google）：違反時にはRAIコードが返り、Violenceは61493863／56562880、Celebrityは29310472／15236754などです。暴力や実在人物の規則で止められたことを示します。

• Kling：利用方針では暴力の美化と規制対象の武器に関する内容を禁じています。

• Seedance：流血の程度を指定しないと、全体が穏やかになる場合があります。「no blood, no gore」と明記する方が安定します。

• 方針に沿う表現の工夫：

  • 出血の代わりに、火花、黒い粒子、舞うほこりを使います。

  • 傷を映すより、音、よろめき、転倒、武器を落とす反応で力を表します。

  • stylized、historical reenactment、mythologicalなど、様式化・幻想・歴史再現として組み立てます。

  • 実在の顔や有名人の名前は使いません。

  • 家屋の火災は炎、煙、逃げる人々を描き、人が燃える描写にはしません。

• 7724bartの投稿など、審査を無効にする書き方を紹介する例もありますが、まねすることは勧めません。規約に反し、アカウントが停止される可能性があります。

5. 書き換え例・未検証

ここからは上の要点をもとに、台湾の閩南・客家の集団衝突を題材に私が書き換えた例です。書き換え例であり、未検証です。収集した実測済みの文章ではなく、効果は不明です。

例A：夜の村落の戦い（Seedance／Klingのショット形式）

Shot 1 [0-4s]: Wide shot, night, a 19th-century Taiwanese farming village with red-brick sanheyuan houses. Two clans face each other across a muddy field, torches raised. Clan A holds bamboo poles and hoes, clan B holds sickles and wooden shields. Firelight flickers on their faces.
Shot 2 [4-9s]: Handheld tracking shot following a young man in a dark cotton tunic as he blocks a sickle with his bamboo pole and sweeps his opponent's legs. Sparks and dust, no blood. Every character keeps the same weapon throughout.
Shot 3 [9-15s]: Slow crane up over the field, a thatched roof catches fire in the background, villagers scatter, smoke rises into the moonlit sky. Cinematic, realistic, 1/500s shutter, historical reenactment.

例B：先住民族の神霊同士の戦い（ワンカット）

Single continuous take, no cuts. A mountain spirit made of mossy stone and glowing ferns rises from a misty forest in central Taiwan and clashes with a giant serpent formed of river water. The camera orbits slowly around them at ground level as their impacts throw spray and leaves into the air. Mythological, stylized, dawn light through the fog, no gore.

例C：素手のカンフー（画像から動画へ）

[Tracking shot] Two martial artists in a temple courtyard of an old Taiwanese town. The man in grey blocks a straight punch, counters with an elbow strike, then a spinning sweep kick; his opponent stumbles back and rolls to his feet. Fluid, continuous choreography, real-time speed, no slow motion.

Wan 3.0の公式ガイドと実写・感情表現の書き方

公式ガイドと作者の公開投稿をもとに整理しています。引用には出典を付けており、公式文書の全文ではありません。

公式プロンプトガイドとWan 3.0の要点

公式ガイド：Wan 3.0動画生成プロンプトガイド

• 公式の式：全体説明＋参照素材（画像1／動画1／音声1）＋ショットN（開始〜終了秒）：主体＋場所＋動き＋美的調整＋台詞（人物が「……」と言う）＋効果音・BGM＋スタイル・感情＋除外項目です。

• ショットには時間を付けます：時刻を連続させ、一ショット2〜5秒（生成資料では4〜6秒）を目安にします。ハードカットやディゾルブを明記し、一つのショットならワンカットで生成すると書きます。

• 素材は順に参照します：画像、動画、音声は別々に数えます。input.mediaの最初の画像は「画像1」、最初の動画は「動画1」です。

• 台詞：人物＋発話の動詞＋コロン＋引用符の形で書きます。「声質の参照：音声1」と口の同期も指定します。

• スロー：「1000fpsのスローモーション」と書きます。1秒に3回首を振るような、高頻度の動作は避けます。

• 公式の調整ツール：Bailian AIの対話欄に/wan3-peと文章を入力すると、Skillで調整できます。

• 編集・延長：動画の編集、削除、置き換え、変更、延長、継続、前後への延長など、意図する操作を文章に含めます。ratioはadaptive、durationは-1にします。

コミュニティの実測メモ（作者の発言の要約で、公式の説明ではありません）：

• Ukiyo_il（元投稿）：参照一枚に一人を固定し、30秒を導入 → 攻防 → 被弾 → 反撃 → 決着に分けます。高速移動は予備動作 → 中間を省略 → 残像 → 到着と書きます。カメラの位置、回る向き、終点を指定し、攻撃は起点 → 接触 → 結果、台詞は短くします。

• Langby2（元投稿）：Seedanceの文章をWan 3.0へそのまま移すと、同じ参照画像でも人物が変わると報告しています。720P・30秒の報告額はHKD16.47で、Seedance 2.5はHKD25.6でした。

• hii_roto（元投稿）：格闘を詳しく書くと動きがよくなり、効果の指示を増やしすぎると硬くなると述べています。

• 公式アカウント@Alibaba_Wanは、360p／480pで試してから解像度を上げることを勧めています。

• 複数の作者が挙げる弱点は、速い動作が遅い場面より不安定、複数画像の参照で顔が変わる、指定言語で話さない場合があることです。

実写らしい表現の書き方

公式ガイドと、このページで参照する反響の多い実写風プロンプトを整理し、各項目に出典を付けています。

• 照明：完璧な光ではなく光源を指定します。公式の式では、光を画角やカメラ移動と同じ美的調整に含めます（公式ガイド）。反響の多い例は右上45度・5600Kの主光など、方向と色温度を明記しています（johnAGI168）。夜は「realistic night exposure, no fake glow effects」（poruru_ai）、さらに「overly perfect lighting」を除外する例もあります（Inshrah_ali_）。

• カメラ：実際の撮影機材の言葉を使います。公式例は85mmの望遠と浅い被写界深度、一ショット2〜5秒などを指定します。実写感には、手持ちの揺れ、オートフォーカスと露出の変化（codewithhajra）、演技ではなく観察されている感じや不完全な構図（mightyking）、8mmの画面の揺れと粒子（old_pgmrs_will）などが役立ちます。高級広告風にはARRI Alexaの色と浅い被写界深度という例があります（johnAGI168）。

• 肌：各区間でrealistic skin textureを繰り返します。実写の質感、プラスチック感やAI特有のてかりを出さないと書きます（johnAGI168 IN RED）。乱れた髪、薄いひげ、少し疲れた目など（mightyking）、具体的な特徴ほどろう人形らしさを減らせます。

• 表情：形容詞より生理的な反応を書きます。「悲しい」だけでなく、流れ続ける涙、赤く腫れた目、赤い鼻先、顔の筋肉の自然な細かな震えを指定し、舞台的な演技を除外します（PixelAigc）。笑ってしまう様子や自然な終わり方も効果的です（MonetizationDon）。動作は3〜5秒に一つを基本にし、1秒へ詰め込みません（Tencent News・梧桉AIの実測。公式も高頻度の動作に注意を促しています）。

• プラスチック感を抑えます：冒頭か末尾に除外項目を置きます。「100%実写のように、CGIやアニメではなく、完璧すぎる照明、プラスチック肌、偽の背景、過剰な鮮鋭化を避ける」（Inshrah_ali_）、「practical-looking effects… Avoid an obvious AI look」（ahmadmalik375）、かつら風の髪、プラスチック肌、膨れた涙袋、CGのろう人形風の顔を禁じる例（johnAGI168）、美肌補正を禁じる例があります（PixelAigc）。

• 顔の崩れや入れ替わりを抑えます：①顔形、肌色、生え際、ひげを列挙する人物固定の区間を作り、別人や老化を禁じます（Xaroon_x）。REFERENCE LOCKとOUTFIT LOCKで顔と服を分けても構いません（poruru_ai）。②参照一枚に一人とし（Ukiyo_il）、三人なら座席と左右関係を書きます（drjoetw）。③公式に沿って、顔の変形、顔の入れ替わり、余分な指を除外します（公式ガイド）。④画像から動画では最初のフレームの背景を固定します（PrometheanAIX）。⑤複数画像や速い動きは不安定なため、実写風の場面は画像を少なくし、ゆっくり動かし、480pで先に試します。

感情を描く場面の書き方

Alibaba CloudのWan 3.0公式ガイド、Bailianの動画生成ガイド、コミュニティの検証例を整理しています。各項目に出典と引用内容を示し、公式が述べていない助言を作りません。

公式の推奨事項：原文も確認してください

1. 式にスタイル・感情の区間を含めます 出典：Wan 3.0動画生成プロンプトガイド 引用の訳は「全体説明＋…＋スタイル・感情＋除外項目」です。感情の例は、悲壮な孤立、軽やかな癒やし、抑圧された緊張、くつろいだ自信、神秘的な幻想です。

2. 全体説明で全体の感情を伝えます 出典：同ガイドのショットと時刻の項目。 引用の訳は「一文で主題、視点、物語の様式、全体の感情を示す」です。諦めと希望の回復を描く短編例には、涙の光、喪失感、無力感も書かれています。

3. 声＝台詞＋感情＋抑揚＋速さ＋声質＋アクセント 出典：Bailian動画生成プロンプトガイドの音の式。 上記は声の式の訳です。「楽しい」だけでなく、気楽な調子、適度な速さなど、実行できる指示が例になっています。

4. 微表情を台詞の感情に合わせます（音声駆動の例） 出典：Wan 3.0プロンプトガイドの音声駆動例。 引用は、話す際の自然な瞬き、小さなうなずき、呼吸感と、気遣いや回想の感情に合う微表情を求めています。

5. 除外項目に大げさな瞬きや身ぶりを指定できます 出典：Wan 3.0プロンプトガイドの動作の除外項目。 大げさな身体の動きと瞬きをしないとしています。抑えた感情表現にしたいときに、この二つを加えられます。

6. 文章の辞典には人物の感情の欄があります 出典：動画生成プロンプトガイドの人物の感情。 公式例は、純粋な幸せが目に輝くほど喜んでいる様子や、驚いた顔を挙げています。感情の一語だけでなく、目や顔の見える特徴を添えています。

コミュニティで有効とされた感情表現：出典付き

• 感情の名前だけでなく、見える行動を連ねます 出典：Atlas Cloud：Wan 3.0プロンプトの書き方 要旨は、演技を観察できる動作の連なりにすることです。「不安」とだけ書くのは、望む結果を示すにとどまります。かむ動きが遅くなり、眉が寄り、手元へ視線が落ちる、と書くと実行する動作の指示になります（同サイトの英語版）。

• 長回しには、視線や姿勢のゆっくりした変化を一つ置きます 出典：同じAtlas Cloudによる公式例の解説です。固定の寄りで、前方から自分の手へ視線を移すなど、確認できる小さな動作を指定します。

MiniMax H3の公式の書き方

公式Skillの文書をもとに要点を整理しています。引用には出典を付けており、公式文書の全文ではありません。

公式のプロンプト執筆の要点

MiniMaxの公式h3-prompt-writing Skillとbase-en.txtから、各項目の出典を示してまとめています。

1. モードを選んでから構成を当てはめます 出典：SKILL.md。 T2VA／I2VA／FL2VA／L2VAはintegrated_multimodal_description、overall_soundscape、non_diegetic_musicの三欄です。Ref2VAはsubject_definitions、summary、retention_analysis、detailed_description、overall_soundscape、non_diegetic_musicの六つを使います。

2. 指定した4〜15秒の長さに合わせます 出典：同SkillのTips。 引用の訳は「説明全体の長さを、依頼された動画の長さ（4〜15秒）に必ず合わせる」です。

3. 抽象的な形容より、見える・聞こえる細部を書きます 出典：同SkillのTips。 引用の訳は「cinematicやbeautifulなどの抽象語より、具体的な映像と音の細部を優先する」です。

4. 最初のショットに時刻は付けず、以降は順に増やします 出典：base-en.txt §4.2。 書き方の例：[Shot 2] At 00:03.500, the camera cuts to...

5. カメラ移動＝種類＋幅＋速さです 出典：base-en.txt §4.3。 例：The camera pushes in with small amplitude at slow speed toward...。中程度の幅と通常の速度は省略できます。

6. 話者IDを固定し、台詞の原語を保ちます 出典：base-en.txt §4.4とSkillのOutput Rules。 (S1)／(S2)を使います。台詞、歌詞、画面内の文字は元の言語を保ち、翻訳しません。

7. 音の環境と音楽を分けます 出典：base-en.txt §4.6〜4.7。 overall_soundscapeは環境音、動作音、言葉以外の声です。non_diegetic_musicは登場人物には聞こえず、観客だけに聞こえる音楽です。音楽がない場合はN/Aと書きます。

8. 最初と最後のフレームのつながりを明記します 出典：SkillのTips。 引用の訳は「I2VA／FL2VA／L2VAでキーフレームを使う際は、最初または最後のフレームが時間軸にどうつながるか明確に述べる」です。

9. 参照ラベルは最後まで統一します 出典：SkillのTips。 <Picture 1>／<Video 1>／<Audio 1>の名前を各区間で共通にし、途中で変えません。

10. Atlasとコミュニティの補足：公式の原文ではありません 出典：AtlasCloudAI awesome-minimax-h3-prompts README。 参照の対応、観察できる動き、位置関係、カメラと編集、見た目、音、必要な制約の七項目です。BeatAPIのコミュニティ資料には550件以上（550+）の確認済み例が紹介されています：https://github.com/BeatAPI/awesome-minimax-h3-prompts。