AI動画の作り方はシンプルです。1つのシーンを短い文章で書き（誰が出てきて、何をして、カメラがどう動き、どんな音がするか）、動画モデルを選んで「生成」を押します。5秒のクリップは約1分で戻ってきます。PopNowの標準モデルであるMiniMax H3では、音声付きの5秒クリップが185クレジットです。最初のコマの見た目を自分で決めたいなら、文章ではなく写真から始めます。これは画像から動画（image to video）と呼ばれる方法です。
これで全体の流れは以上です。このガイドの残りは、クリップの出来を左右する部分、つまり何を書くか、2つの出発点のどちらを使うか、そして何が起こるかについてです。2026年10月17日に同じシーンから両方の種類のクリップを作り、その正確なプロンプトとともにこのページに載せています。
AI動画を作る2つの方法
| テキストから動画 | 画像から動画 | |
|---|---|---|
| 渡すもの | 文章による説明 | 写真と動きの説明 |
| 向いている場面 | アイデアはあるが写真がない | 特定の顔、商品、衣装、構図が必要 |
| 自分で決められること | ストーリーとカメラ | 最初のコマの正確な見た目 |
| 注意点 | モデルが細部を勝手に決めること | 動きがその正確なポーズから始まる必要があること |
ほとんどの初心者は、まずテキストから動画を試すのがよいでしょう。モデルが言葉にどう反応するかを学ぶのが最も早い方法です。見た目が大事なとき、たとえば自分の商品、すでにデザインしたキャラクター、動かしたい写真がある場合は、画像から動画に切り替えてください。
テキストからAI動画を作る
- 動画ジェネレーターを開きます。 生成タブが開き、MiniMax H3が選ばれ、768p、16:9、5秒に設定されています。
- 1つのシーンを書きます。 被写体、動作、カメラ、音を1段落にまとめて書きます。5秒には1〜2つの動作が収まりますが、物語全体は収まりません。
- 画面の比率を選びます。 YouTubeやノートPCは16:9、スマホは9:16、フィードには1:1です。
- ボタンの料金を確認して生成を押します。 開始前に、ボタンに正確なクレジットが表示されます。失敗した場合はクレジットが戻ります。
- 見てから、1つだけ調整します。 カメラの動きがおかしければ、カメラの一文だけを変えて再生成します。全部いっぺんに変えると、何が効いたのか分からなくなります。
これは私たちが使ったプロンプトで、うまくいく形に書いたものです:
Early morning on a wet cobblestone street in an old European town. A woman in her late twenties with curly red hair and a yellow raincoat rides a vintage green bicycle with a wicker basket of bread past a small bakery with warm glowing windows. She rings the bell and smiles as a few pigeons take off from the stones in front of her. Camera: a smooth side tracking shot that keeps pace with her. Sound: the bicycle bell, tires on wet stones, fluttering wings and a quiet town waking up.
そして、これが生成された結果です。生成を押してから32秒で戻ってきました:
うまくいった点は、レインコート、自転車、パンのかご、明かりのついたパン屋、濡れた石畳、そして音声付きのサウンドトラックです。変わった点は、彼女が最初は横を通り過ぎず、カメラに向かって走ってくること、そしてパン屋の看板の文字が意味のない文字になっていることです。どちらも典型的です。モデルはカメラの指示を参考程度にしか扱わず、動画の中で文字を正確に書くことも、まだ安定しません。店の名前が大事なら、看板がすでに正しく写っている画像から始めてください。
写真からAI動画を作る
- 最初のコマを用意します。 自分で撮った写真を使うか、画像ジェネレーターで作ります。今回は同じシーンを一段落で説明して作りました。
- 動画ジェネレーターを開き、写真を追加します。 「写真から」を選び、写真を「写真から始める」の開始フレームとしてドロップします。動画の画面比率は写真に合わせて決まります。
- 動きだけを書きます。 写真にはもう誰が、どこにいるかが写っているので、プロンプトには次に何が起こるか、カメラがどう動くか、音だけを書けば十分です。
- 生成します。 MiniMax H3で5秒のクリップは185クレジットで、テキストから動画と同じ料金です。
使ったモーションのプロンプトは次のとおりです: "She keeps pedaling along the wet cobblestones, rings the bicycle bell and smiles; the pigeons in front of her take off into the air. The camera tracks smoothly alongside her." クリップは46秒で戻ってきました。
今回はカメラが彼女に並んで動き、鳩がちょうど車輪の前で飛び立ちました。さらに、彼女の顔、髪、コートは最初のコマから最後まで静止画とぴったり一致しています。画像から動画の本当の利点はここにあります。見た目をモデルに一から作らせる必要がないので、力を動きに注げるのです。
AI動画のプロンプトの書き方
良い動画プロンプトは、キーワードの羅列ではなく、監督による一段落の明確な指示のように読めます。次の4つの要素を、この順番で書きます:
- 被写体。 誰か、何か。重要な詳細を2つか3つ。「20代後半で、巻き毛の赤い髪と黄色いレインコートの女性」のように書きます。
- 動作。 5秒で起こる1〜2つのこと。「鳩が飛び立つ中、ベルを鳴らして微笑む」のように書きます。
- カメラ。 1つの動き。トラッキングショット、ゆっくりしたプッシュイン、固定の引きの画、手持ちのクローズアップなど。言葉が分からなければ、プロンプト欄の下にある「カメラ」ボタンに十数個の定番の動きがあるので、そこから選べます。
- 音。 聞こえてほしい音を書きます。音を作れるモデルは、これに驚くほどよく従います。
クレジットを節約する3つのコツは、1本のクリップを1つのショットに絞ること、やめてほしいことではなくほしいものを書くこと、そして実行のたびに1つだけ変えることです。
どのモデルを使うか、料金はいくらか
PopNowには数十種類の動画モデルがあり、モデルライブラリでは、それぞれの例とともにすべてを一覧できます。最初の1本なら、次の3つでほとんどの用途をカバーできます:
- MiniMax H3（標準）。設定を考えなくても、動きと音が良いです。768pで5秒なら185クレジットです。
- Seedance 2.0 Mini（480p）。プロンプトを練る間の、手早い下書き用です。5秒で124クレジットです。
- Kling 3.0。1080pや4Kで、とても自然な動きが欲しいときに向いています。解像度ごとの料金はモデルページでご確認ください。
1本では足りない場合は、各ショットを別々のクリップとして作ってから繋げるか、延長で最後のコマから続けてクリップを伸ばしてください。1文から始めて、複数のショット、ナレーション、音楽まで入った完成動画がほしいなら、AI動画メーカーが向いています。構成を書き、各ショットを作り、それらを編集してまとめてくれます。
よくある質問
AI動画は無料で作れますか？
PopNowではクリップごとにクレジットで支払い、サブスクリプションはありません。5秒のMiniMax H3クリップは185クレジット、5秒のSeedance 2.0 Mini下書き（480p）は124クレジットです。そのため、高画質版にお金を払う前に、安い480p下書きでプロンプトを試すのが低コストの方法です。生成に失敗した場合は、クレジットが残高に戻ります。
AI動画を作るのにどれくらい時間がかかりますか？
今回の2本の5秒クリップは、それぞれ32秒と46秒でした。長いクリップ、高い解像度、混雑した時間帯はより時間がかかり、数分かかるのは普通です。
自分の写真からAI動画を作れますか？
はい。写真を開始フレームとして追加し、動きを書いてください。顔がはっきり写った自分の写真、または本人が同意した人の写真を使ってください。
AI動画に音はありますか？
多くのモデルが、映像と一緒に音を作れるようになりました。MiniMax H3は、私たちのプロンプトから、ベル、タイヤの音、通りの騒音を自分で加えました。KlingやSeedanceなど他のモデルでは、音のオン・オフを切り替えられます。
AI動画の長さはどのくらいまで可能ですか？
ほとんどのモデルは1クリップ5〜10秒を作り、一部は15秒以上まで対応します。長い動画は、複数のクリップを作って繋げるか、1つのクリップを数秒ずつ延長してください。
