生成AIによって、映像制作のコストは急速に下がっています。
画像を作る。動画を作る。音声を作る。 これまでは専門的な制作環境が必要だった工程を、AIが次々と置き換え始めています。
では、この先クリエイティブAIに求められる価値は、さらに高品質な映像を「生成すること」なのでしょうか。
今回、Lovis Odin氏が公開していた、Blenderで作った3D映像をもとにfalのSeedance 2.5で実写的な映像へ変換するワークフローを見ていて、別の可能性を感じました。
それは、
生成するAIではなく、「意図した作品になるまで制作工程を監督するAI」
です。
STORYAIが目指せる次の姿について考えてみます。
3Dで映像を作り、AIには「見た目」を任せる
Lovis Odin氏のワークフローには、大きく2つのSkillがあります。
ひとつ目が、Blenderで「Clay Scene」と呼ばれる3Dのプリビズを制作するSkill。
ここで重要なのは、3Dモデルを完成作品として作り込むことではありません。
3Dが担当するのは、
- 構図
- カメラの軌道
- オブジェクトの位置
- 映像のタイミング
といった映像の構造です。
Skill自身も、その考え方を
3D owns composition, camera and timing; the model owns the pixels.
と整理しています。つまり、「3Dが構図・カメラ・タイミングを決め、生成モデルはピクセルを担当する」という役割分担です。
これは非常に重要な発想だと思います。
生成AIだけに映像制作を任せると、画そのものは美しくても、
「カメラが思った方向に動かない」 「建物の位置が途中で変わる」 「重要な対象物がフレームから消える」
といった問題が起こります。
そこで、生成AIよりも先に3Dで映像を固定してしまう。
AIにはゼロから映像を考えさせるのではなく、決められた演出をリアルな映像へ変換する仕事だけを任せています。
実は、このSkillの中心は「3D生成」ではない
さらに興味深いのが、Clay Scene Skillの設計です。
最初にユーザーへ確認するのは、
- どんな世界なのか
- 重要なランドマークは何か
- カメラをどう動かしたいか
- 時間帯や天候などのムード
です。
その後、Blender上でシーンを生成していきます。
しかし、ただオブジェクトを配置するわけではありません。
500以上のオブジェクトを使って環境密度を確保し、前景・中景・遠景の3レイヤーを作るなど、「それらしい映像」を成立させるためのルールまでSkillに組み込まれています。
カメラについても、
- Bezier Curveによるカメラパス
- 注視点の制御
- 28〜35mmの画角
- 被写体の画面占有率
- foreground wipe
など、かなり具体的な映画文法が定義されています。
つまり、このSkillが持っている価値は、
「Blenderを操作する能力」だけではありません。
そこには、
どのような映像が見やすいのか。 どのようなカメラワークが映画的なのか。
という「演出知識」が埋め込まれています。
さらに重要なのが「QCループ」
このワークフローには、もう一つ重要な特徴があります。
生成して終わりではありません。
必ず**QC（Quality Control）**を行います。
カメラがオブジェクトに衝突していないかをray castで確認し、急激な速度変化が発生していないかも測定します。
さらに、映像全体から12枚のチェックポイント画像を作り、
- フレーミング
- 被写体の視認性
- デッドゾーン
- foreground wipeの長さ
などを確認します。
問題があればカメラパスを修正し、再度QCを行う。
Skillでは、2〜4回程度の反復を想定しています。
つまり、このワークフローは
Generate
ではなく、
Generate → Evaluate → Improve
になっています。
ここに、STORYAIとの大きな接点があります。
3Dの次に「AIで実写化」する
Clay Sceneで完成した3D映像は、次のfal-video Skillへ渡されます。
このSkillでは、まず3D映像の最初のフレームをSeedream 5 Proへ渡し、フォトリアルなキーフレームを生成します。
ただし、ここでもAIに自由には作らせません。
プロンプトには、
「元画像をジオメトリと構図の唯一の正解として扱い、表面だけを描き直す」
という指示が明確に入っています。
さらに、生成した画像を元の3D画像と50%ずつ重ね、建築物などに二重のエッジが発生していないか確認します。
構造が変わっていれば不合格です。
そして、そのキーフレームと3D動画をSeedance 2.5へ渡します。
このときも、
3Dアニメーションをカメラ軌道・タイミング・建築物の位置における絶対的な基準として扱う
よう指示します。
さらにプロンプトは、
[0-2s][2-4s][4-6s]
といった時間単位で記述され、それぞれの時間帯で「カメラがどう動き、何が画面に見えているのか」が指定されています。
これによって、
3Dで演出を固定し、AIで質感だけをリアルにする
という制作フローが成立しています。
ここからSTORYAIで何ができるか
この仕組みをそのままSTORYAIへ持ってくるだけなら、
「STORYAIからBlenderや動画生成AIを操作できる」
という機能になります。
しかし、それだけではSTORYAIがやる意味はあまりありません。
STORYAIが入るべきなのは、さらにその前です。
つまり、
「どのような演出にすべきか」を決める部分
です。
Story → Emotion → Camera
例えば、ユーザーがこんなシーンを書いたとします。
主人公が荒廃した都市へ初めて到着する。 最初は巨大な街に圧倒される。 途中で巨大な塔を発見して恐怖を感じる。 最後に塔の頂上の光を見つけ、わずかな希望を感じる。
STORYAIが最初に行うのは、映像生成ではありません。
ストーリーを分析し、
0〜8秒：圧倒 8〜20秒：恐怖 20〜30秒：希望
という感情曲線に変換します。
次に、それぞれの感情を映像演出へ翻訳します。
「圧倒」を表現したいなら、
広角レンズ。 ローアングル。 主人公は小さく。 巨大な建築物が画面を占有する。
「恐怖」なら、
塔へゆっくり近づく。 前景の建物で一度視界を遮る。 徐々に視線を上へ誘導する。
「希望」なら、
カメラを上昇させる。 画面内の空を増やす。 塔の頂上から光が見える。
こうして、
Narrative → Emotion → Cinematography
へ変換していきます。
STORYAI Previz
この考え方をプロダクトにするなら、
STORYAI Previz
という形が面白いと思っています。
ユーザーが入力するのは、脚本やシーンのアイデアです。
そこからSTORYAIが、
- Story Analysis
- Emotion Curve
- Scene Breakdown
- Shot Design
- Camera Design
- Blender Clay Generation
- Camera QC
- AI Look Development
- Video Generation
- Story / Emotion QC
- Auto Revision
まで行います。
一言で言えば、
「脚本を、撮影可能な演出に変換するAI」
です。
STORYAIだからできる「Creative QC」
そして、ここが最も重要な部分です。
今回のClay Scene Skillには、すでに非常に優れたTechnical QCがあります。
例えば、
- カメラが衝突していないか
- 速度が滑らかか
- 構図が破綻していないか
- ジオメトリが維持されているか
といったチェックです。
STORYAIでは、これにもう一段のQCを追加できます。
Creative QCです。
評価するのは、
- Emotion Match
- Story Beat Match
- Character Focus
- Visual Hierarchy
- Pacing
- Continuity
- Tone / Brand Match
といった項目です。
例えば、技術的には完璧な映像でも、
Target Emotion: Fear Emotion Match: 48 / 100
となることがあります。
その場合、STORYAIが原因を分析します。
カメラワーク自体は滑らかですが、塔が登場するタイミングが早すぎるため、サスペンスが十分に蓄積されていません。
そして、
Revealを3.2秒遅らせ、foreground occlusionを追加します。
と判断して、再びBlenderのカメラ設計へ戻る。
つまり、
Technical QC × Creative QC
という二重の評価ループが作れます。
生成AIではなく「AI Director」
ここまで考えると、STORYAIが競争すべき場所も少し変わってきます。
画像生成モデルそのものを作る必要はありません。
動画生成モデルそのものを作る必要もありません。
それらは、今後も高速に進化していくでしょう。
STORYAIが持つべきなのは、
何を作るべきか。 なぜその演出なのか。 狙い通りに作れているのか。 次に何を修正するべきなのか。
という判断能力です。
つまり、
生成モデルがProduction Engineなら、
STORYAIはその上にある
Creative Intelligence Layer
になります。
本当に蓄積すべきデータ
この構想には、もう一つ重要な意味があります。
STORYAIが蓄積すべきデータは、単なる生成履歴ではありません。
例えば、
狙った感情：Fear
↓
Camera：slow push-in
↓
Composition：subject 8%
↓
foreground occlusion：あり
↓
Reveal timing：12.4秒
↓
完成映像
↓
視聴者が実際に感じた感情：Fear 82%
というデータです。
つまり、
「どのような演出が、どのような感情を生み出したのか」
というデータが蓄積されます。
これが積み重なることで、
STORYAIは単なる「LLMで演出案を考えるサービス」から、
人間の感情と映像演出の関係を理解するAI
へ進化できます。
ここには、STORYAIがこれまで取り組んできた感情分析との非常に強い接続があります。
Story → Camera → 3D → Film
今回のLovis Odin氏のワークフローから見えてきたのは、
AI映像制作の未来は、必ずしも
Prompt → Video
ではない、ということです。
むしろ、
Intent → Structure → Generate → Evaluate → Improve
という工程になっていくのではないでしょうか。
その中でSTORYAIが担えるのは、
Story → Camera → 3D → Film
をつなぐ部分です。
そして長期的には、
Story Intelligence × Cinematic Grammar × Generative Models × Evaluation Loop
を統合する。
そう考えると、STORYAIが目指すべき姿は「もう一つの生成AI」ではありません。
AI Director。
人間が「何を伝えたいか」を入力すれば、
作品としてどう表現するべきかを考え、 制作し、 評価し、 意図に合うまで修正してくれる。
今回の3Dプリビズ×生成AIのワークフローは、その未来がすでに実現可能な距離にあることを示しているように感じます。
引用： https://x.com/OdinLovis/status/2089402645857657014?s=20（2026/8/19 参照）