生成AIによる動画制作において、MiniMax Video（Hailuo AI / 海螺AI、基盤となるMiniMax-H3およびVideo-01モデル群）は、滑らかな大動態の物理シミュレーション、映画的な光と影の表現、そして数秒間にわたる破綻のない連続アクションによって高い評価を得ています。しかし、多くのクリエイターや映像エディターが画像生成AI（Midjourney等）の手法を踏襲し、単語や形容詞を羅列する「タグ詰め込み型」プロンプトを適用した結果、意図しないカメラの暴走や被写体の形状崩壊、不自然な動きに直面しています。
MiniMaxを偶発的な「ガチャ」から、動画編集タイムラインに直接組み込める高精度な映像制作ツールへと昇華させる鍵は、**ディレクター視点の構造化プロンプト（Directorial Prompting）と参照画像による時空間アンカー（Spatial-Temporal Anchoring）**の導入にあります。カメラワークを「動作種別・振幅・速度」の3要素に分解し、参照画像で幾何学的な空間とキャラクターの外見を固定することで、NLE（ノンリニア動画編集ソフトウェア）で自在にカット割ができる高品質なアトミックショット（素材クリップ）を量産できます。
ディレクター視点の構造化プロンプト設計
MiniMaxの動画モデルは、時間経過に伴う因果関係と物理現象を連続的に推論するように設計されています。「8k、最高傑作、シネマティック、劇的な照明」といった静的な装飾タグの羅列は、モデルに対して時間軸上の運動ベクトルを提示できないため、かえって破綻の原因となります。
効果的なMiniMaxプロンプトは、以下の階層構造に従って記述します。
[ショット構図 / スタイル] + [被写体の固定と特徴保持] + [被写体のアクションベクトル] + [3次元カメラワーク] + [環境・ライティング動態]
プロンプト階層の役割
- ショット構図と画角（Framing）：文頭で即座に光学的視点と距離感を定義します（例：
Medium close-up shot、Wide establishing shot、Low-angle tracking shot）。カメラ位置を先頭に置くことで、モデルは3次元空間の座標系を優先して構築します。 - 被写体の固定と特徴保持（Subject Retention）：被写体を特定し、映像進行中も変化させてはならない要素（顔の造形、髪型、衣服の素材、小道具の質感など）を宣言してアイデンティティのドリフトを防ぎます。
- 被写体のアクションベクトル（Kinetic Action Vector）：時間軸上で被写体が起こす具体的な物理動作を指定します。複数の動作を同時に詰め込まず、特定の部位や単一の進行方向に限定します。
- 3次元カメラワーク（Camera Motion）：映画撮影の標準用語を用い、カメラの移動軸、移動の振幅、移動速度を明示します。
- 環境・ライティング動態（Atmosphere & Lighting）：環境と光の相互作用（光条の差し込み、車窓の反射の推移、空気中に漂う塵など）を描写します。
プロンプト自動拡張機能（Prompt Enhancer）の扱い
Hailuo AIのWebインターフェースには、短いプロンプトを長文の情緒的描写に書き換える「Prompt Enhancer（プロンプト強化）」機能が備わっています。一般的なビジュアル作成には適していますが、不要なキャラクター動作やランダムなカメラ移動を勝手に追加するため、計算されたカメラワークや精密なカット割を損なう原因になります。
- エディターの鉄則：構図やカットの連続性が求められる商業制作では、Web版のPrompt Enhancerを必ずオフにしてください。また、MiniMaxオープンプラットフォームのAPIを利用する場合も、
enhance_prompt = Falseに設定して決定論的な出力を維持します。
精密なカメラダイナミクス：3次元運動構文
MiniMaxは映画撮影の専門用語に忠実に反応します。急激な揺れや背景の歪みを防ぐため、カメラ制御は運動種別（Motion Type）、振幅（Amplitude）、**速度（Speed）**の3つの次元で定義します。
1. 基本カメラワーク用語と物理的挙動
| カメラコマンド | 物理的な動作機構 | 編集における実戦用途 |
|---|---|---|
Push In / Pull Out | カメラ本体が物理的に前進または後退（ドリーイン／アウト） | 心理的緊張感の強調や周囲環境の開示；パースペクティブの変化 |
Zoom In / Zoom Out | カメラ本体を固定したままレンズ焦点を変更（ズーム） | 空間圧縮効果；サスペンス演出やレトロな視覚表現 |
Pan Left / Pan Right | 固定軸上でカメラレンズを水平方向に回転（パン） | 水平移動する被写体の追跡や空間全体の広がりを提示 |
Truck Left / Truck Right | カメラ本体がレールに沿って水平平行移動（トラック） | 前景と背景の視差（パララックス）の強調；並走ショット |
Tilt Up / Tilt Down | 固定軸上でカメラレンズを垂直方向に回転（チルト） | 建築物の高さ強調、被写体の威厳表現、縦方向の視線移動 |
Pedestal Up / Pedestal Down | カメラ本体を垂直方向に昇降移動（ペデスタル） | 昇降クレーンのような滑らかな視点遷移；足元から全身への展開 |
Arc Shot | 被写体を中心に円弧を描くように旋回移動（アークショット） | ドラマチックな登場シーンや立体的な空間提示 |
Tracking Shot | 移動する被写体と並行して追従移動（トラッキング） | アクション、歩行中の会話シーン、連続的な追跡 |
Static Shot | カメラ位置、角度、焦点距離を完全固定（フィックス） | 微細な表情演技、安定した対話シーン、精密な物撮り |
2. 「単一主運動」の原則（One Primary Motion Rule）
動画生成AIで最も多い失敗は、1つのショット内で相反する複数のカメラ移動（急ズームしながらアーク旋回し、さらにチルトダウンするなど）を同時に指示することです。過剰なカメラ移動はモデルの空間整合性リソースを激しく消耗し、背景の融解や手足の崩壊を招きます。
エディターは単一主運動の原則を徹底すべきです。すなわち、1つのショットにつき主導的な運動軸を1つ、それに振幅指定を1つ、速度指定を1つ組み合わせます。
- 失敗例（競合と過密）：
The camera orbits around the runner while zooming in fast and tilting down simultaneously. - 模範例（制御と安定）：
The camera trucks right with small amplitude at slow speed, keeping the subject centered.
3. 構文の記述形式：自然な文中動詞 vs 末尾タグの羅列
MiniMaxは、文末にカンマ区切りで置かれたタグよりも、ショットの描写文の中に自然な動詞節として組み込まれた英語指示を正確に解釈します。
- 非推奨：
A man sitting in a vintage diner, 35mm film, push in, slow speed. - 推奨構文：
Cinematic, a medium shot frames a man seated beside a rainy diner window. The camera pushes in with small amplitude at slow speed toward his face as he lifts a ceramic mug.
4. 画角と速度の整合（Scale-Relative Velocity）
カメラと被写体の運動速度は、ショットの画角に合わせて調整する必要があります。
- クローズアップ（Close-up）：カメラが高速で動くと顔面構造が崩壊します。カメラ移動は
with small amplitude at slow speedに抑えるか、static shotを選択します。 - フルショット・ロングショット（Wide Shot）：遠景のパースペクティブを活かした視差を生み出すため、十分な移動振幅（
with large amplitude at moderate speed）を与えます。
参照画像の構造化制御と被写体モーションの抑制
テキストプロンプトが演出プランを示すのに対し、参照画像は空間とキャラクターの絶対的な正解を提供します。MiniMaxは複数の画像入力モードをサポートしており、編集パイプラインに応じて使い分けます。
flowchart TD
A[ショット制作要件] --> B{参照画像の枚数}
B -->|0枚| C[T2V: テキストから動画生成]
B -->|1枚| D{画像の役割}
B -->|2枚| E[FL2VA: 開始・終了フレーム補間]
D -->|開始フレーム| F[I2VA: 1枚画像からの動態展開]
D -->|終了フレーム| G[L2VA: 最終画像への収束]
D -->|キャラクター素材| H[Ref2VA: 全参照モード属性固定]
1. I2VA（画像から動画を生成する開始フレーム制御）
Image-to-Videoモードでは、投入された1枚の画像が0.00秒の第1フレームとして固定されます。プロンプト内で画像にすでに描かれている要素を重複して長々と描写する必要はなく、その後の「動作の差分（Kinetic Delta）」に集中します。
- 開始フレームの宣言：参照画像が先頭フレームであることを明記します（公式構文：
For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.）。 - 動態の局所分離：静止要素と運動要素を明確に分離します。「衣服、背景の建築、ライティングは完全に維持」と指定した上で、動かしたい部位（例：「視線のみを窓の外へ移し、体幹は静止を維持」）だけを記述します。
- カメラ凝視の防止（Anti-Lens Stare）：人物写真から生成する場合、キャラクターがカメラを直視し続ける現象が起きやすくなります。プロンプト内で視線の先を指定します：
The subject keeps her gaze focused on the horizon off-camera left, turning her chin slightly away from the lens.
2. FL2VA（開始・終了フレーム間の補間制御）
「人物がドアから入って机に座る」といったように、開始時と終了時の状態が厳密に決まっている場合、開始・終了フレームモード（FL2VA）がPicture 1（0.00秒）からPicture 2（最終秒数）までを物理的に滑らかな単一カメラワークで補間します。
- シングルテイクの原則：FL2VAではカット割（Cut）や画面転換を指示してはいけません。モデルは連続したワンカットとして中間の変形と移動を計算します。
- 軌道の明確化：2枚の画像をつなぐ中間の物理動作（体重移動、歩数、カメラの追従、そしてPicture 2の姿勢と構図に静止するまで）を時系列で論理的に記述します。
3. 被写体の崩壊や融解を防ぐ実践ルール
手足の破綻や不自然な融解は、5〜6秒の生成時間に対して人間が物理的に不可能なほど多数のアクションを詰め込んだ場合に発生します。
- 複雑な動作をアトミックに分解：「走って障害物を飛び越え、振り返って剣を抜く」ではなく、「濡れた路面を3歩駆け抜け、前足を強く踏み出す」といった単一のアクション単位に分割します。
- 骨格の局所固定：繊細な演技シーンでは不要な動きを抑制します：
Torso and shoulders remain stationary; only the right hand lifts the pen.
実践プロンプトテンプレート
以下は、プロの制作現場で検証された実用的なプロンプト構文です。
テンプレート1：カメラトラッキングを伴うシネマティック対話ショット（T2V）
integrated_multimodal_description: [Shot 1] Cinematic, live-action. A medium shot frames an experienced architect in a dimly lit studio examining architectural blueprints spread across a drafting table. The camera trucks right with small amplitude at slow speed, maintaining focus on his profile as he leans over the table. Ambient warm halogen light catches his glasses, while soft blue evening light filters through the floor-to-ceiling windows behind him. The architect with a calm, measured voice (S1) says: <d>[English] The structural integrity depends on the foundation load.</d>
overall_soundscape: Soft rustling of architectural vellum paper, followed by the faint hum of an HVAC system and distant urban rain against the exterior glass.
non_diegetic_music: Minimalist upright piano chords at a slow tempo with long sustain, creating a thoughtful and focused atmosphere.
テンプレート2：商品プロモーションのドリーイン特写（I2VA 開始フレーム指定）
For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.
integrated_multimodal_description: [Shot 1] Commercial cinematography. The luxury watch shown in <Picture 1> rests on a textured black slate plinth, preserving its brushed metallic case, dial layout, and subtle edge reflections. The camera pushes in with small amplitude at slow speed along a 15-degree low angle. A delicate stream of cool studio vapor drifts smoothly from right to left across the background, while the watch itself remains completely stationary under sharp, directional rim lighting.
overall_soundscape: Subtle, low-frequency atmospheric room tone accompanied by the faint, rhythmic ticking of a mechanical movement.
non_diegetic_music: N/A
テンプレート3：人物の姿勢変化ワンカット（FL2VA 開始・終了フレーム補間）
How the reference pictures align with the target video — Picture 1 (from Shot 1) aligns with the 0.00-second mark of the target video; Picture 2 (from Shot 1) aligns with the 6.00-second mark of the target video.
integrated_multimodal_description: [Shot 1] Live-action, cinematic realism. The young woman begins in the position and framing established by Picture 1, standing in an open trench coat on an empty subway platform. The camera pulls out with small amplitude at slow speed as she draws both lapels together across her chest, buttons the center closure with her right hand, and adjusts her collar against the draft. She exhales a faint mist of condensation, settles her shoulders, and assumes the closed posture, hand placement, and composition matching Picture 2 at the conclusion of the shot.
overall_soundscape: Distant subway train rumble echoing down concrete tunnels, layered with the rustle of heavy gabardine fabric and a quiet, chilly gust of wind.
non_diegetic_music: N/A
映像編集者のためのNLEポストプロダクション工程
動画生成AIモデルは全自動の映画完成機ではなく、仮想のカメラオペレーターが生成する独立した「素材（Raw Takes）」です。クリエイターが最大限の生産性を発揮するには、MiniMaxを専用のBロール素材バンクとして既存の編集フローに組み込むのが最も合理的です。
flowchart LR
A[絵コンテとショットリスト策定] --> B[プロンプト強化機能オフ]
B --> C[4〜6秒のアトミックショット生成]
C --> D[破綻のないテイクを選定]
D --> E[NLE編集タイムラインへ読み込み]
E --> F[オプティカルフローで微細なブレ補正]
E --> G[手持ちカメラの微振動追加とカラーグレーディング]
1. アトミックショット（個別素材）の生成手法
1つのプロンプトで長尺の複雑なシークエンスを一括生成しようとせず、4〜6秒の単位（マスターショット、切り返し、リアクションの寄り）に分解して生成します。それらをDaVinci Resolve、Adobe Premiere Pro、Final Cut ProなどのNLEに読み込んでカッティングを行うことで、作品全体のテンポとリズムを完全に制御できます。
2. オプティカルフローによるコマ落ち・カクつきの解消
生成されたショットのカメラワークや構図が理想的であるにもかかわらず、局所的にわずかな速度ムラやコマ落ちが生じている場合、再生成を繰り返してポイントを消費する必要はありません。DaVinci ResolveまたはPremiere Pro上でクリップのリタイム処理を行い、補間モードを**オプティカルフロー（Optical Flow、ResolveではSpeed Warpを推奨）**に設定します。ベクトル補間アルゴリズムにより、中間フレームが滑らかに再構築されます。
3. 微小な手持ちカメラ質感（Organic Handheld Jitter）の付加
AIが生成した静止フィックスショットは、時にCG特有の機械的な冷たさを感じさせることがあります。NLEの編集時、エフェクトトラックで1〜2%の微小な手持ちカメラスイッチ（DaVinci ResolveのCamera Shake等）を付加することで、フィルム撮影のような実写の質感が加わり、エッジの微細なノイズを目立たなくして実写素材とシームレスに馴染ませることができます。