セリフと効果音を同時に生成するAI動画の作り方

更新日 2026年11月1日

動画にセリフや環境音を後から重ねる手間は、音声付き動画に対応したモデルを使えば減らせます。Oranzyの動画生成では、Veo 3やKlingの音声対応モデルを使い、映像の動きと一緒に会話や周囲の音を指示できます。まずは短い1シーンで、声が聞き取りやすいか確認しましょう。

生成前に決めること

最初に、動画の用途、画面比率、話者と音の優先順位を決めます。

• 縦型のSNS動画には9:16、横長の動画には16:9を選ぶ。
• 話者は最初は1人に絞り、セリフは1〜2文にする。
• 環境音は「小さな波の音」など1〜2種類に絞り、声より小さく指定する。
• 音声対応のモデルや設定を選ぶ。対応する場合は、セリフや環境音を含むステレオ音声を生成できる。

モデルや設定によって音声生成の対応状況は異なります。生成前に、選択画面で音声が有効になっているか確認してください。

音声付き動画を生成する手順

1. Oranzyの動画生成画面を開き、未登録なら登録して100ボーナストークンを受け取ります。
2. Veo 3またはKlingの音声対応モデルを選び、音声生成の設定を確認します。用途に合わせて9:16または16:9を指定し、利用できる長さの中から短めのクリップを選びます。
3. プロンプトに、映像、話者、セリフ、話す速さ、環境音を分けて入力します。音楽が不要なら「音楽なし」と明記します。
4. 生成後、映像だけでなく音声も最後まで再生します。セリフ、声と効果音のバランス、口の動き、映像の乱れを確認し、直したい項目を1つずつ変更して再生成します。

セリフと環境音を指定するプロンプト例

商品紹介の縦型動画なら、次のように指定できます。商品名やセリフを差し替えて使ってください。

9:16の縦型動画。明るいキッチンで、1人の女性が白いマグカップを手に持ってカメラに向かって話す。カメラは胸から上を固定で撮影する。

女性は落ち着いた日本語で、ややゆっくり話す。セリフ：「朝の一杯を、もっと心地よく。」
背景には小さな湯沸かし音と室内の環境音。セリフを最も聞き取りやすくし、背景音は控えめにする。音楽なし。

引用符の中には、実際に話してほしい言葉だけを入れます。「ややゆっくり」「文末に短い間を置く」のようにテンポを記述すると、意図を伝えやすくなります。ただし、発音やタイミングが指示どおりになるとは限らないため、生成結果を必ず確認してください。

よくある失敗と無駄な再生成を防ぐ方法

• セリフが長すぎる：短いクリップに収まらず、途中で切れることがあります。1文に短縮するか、内容を複数のシーンに分けます。
• 背景音が声を邪魔する：効果音を増やす前に「声を優先し、環境音を小さく」と指定します。音楽も必要なら、声を確認してから追加を試します。
• 誰が話すか曖昧になる：人物の人数と話者を明記します。複数人の会話が不安定な場合は、話者ごとに別クリップを作る方法もあります。
• 毎回すべての指示を変える：原因を比較できません。まずセリフの長さ、次に背景音というように、変更点を1つに絞ります。

公開前に確認すること

スマートフォンとイヤホンの両方で再生し、セリフが聞き取れるか確認します。商品名や数値を含む場合は、発音と内容が正確かも確かめてください。必要に応じて編集ソフトで字幕を付け、複数のクリップをつなぎます。公開前には、映像に登場する人物や素材について、使用する権利と必要な許諾も確認しましょう。