AIミュージックビデオの作り方：The Beat-Sheet Method（ビートシート法）で曲から完成版まで

ミュージックビデオには、かつてバンド、ロケ地、撮影クルー、そして1週間の編集が必要でした。今はたった1つのアイデアから作れます。AIが曲を書いて歌い、AIがすべてのショットを生成し、AIが歌手に歌詞を歌わせます。

ほとんどのガイドは「プロンプトを入力する」で終わっています。ショットをビートに合わせる方法、キャラクターに本当に歌わせる方法、全体でいくらかかるかは教えてくれません。

このチュートリアルでは、私たちが ビートシート法 と呼ぶ1つの方法で、AIミュージックビデオの作り方 を最初から最後まで紹介します。曲を作り、ショットを小節単位で計画し、サビを歌う歌手を作り、Bロールを生成し、ダウンビートでカットし、正しい方法で公開します。60秒の動画を3通りで試算し、費用は 520クレジット からです。

クリップをタイムラインにドラッグする以上の編集スキルは必要ありません。

AIミュージックビデオの構成要素

ほとんどのAIミュージックビデオは、3つの要素でできています。曲、歌手のパフォーマンスショット、そして音楽の周りでストーリーを語るBロールです。 それぞれ別のAIツールで作ります。

曲

AI音楽生成ツールが音楽と、必要なら歌詞も書き、それを歌います。ほかのすべてを組み立てる土台となる、ミックス済みの完成トラックが手に入ります。

パフォーマンスショット

キャラクターがカメラに向かって歌うショットです。曲のボーカルでポートレートを動かして作るので、唇が歌詞に合わせて動きます。

Bロール

それ以外のすべてです。夜の街、高速道路を走る車、ピアノを弾く手。テキストプロンプトや開始画像から生成した短いクリップを、曲のリズムに合わせてカットします。

Imgveoでは、3つすべてを1つのクレジット残高で作れます。AI音楽生成ツール、パフォーマンス用のAIトーキングフォトツールとAIリップシンク、そしてBロール用の26の動画モデルです。

AIミュージックビデオの作り方：ビートシート法

まず曲を書き、すべてのショットを小節数に割り当て、それから動画を生成する。 これがビートシート法です。

曲を先に作る理由

動画モデルは通常、5秒、8秒、10秒、15秒といった決まった長さのクリップを作ります。一方、曲は小節で測られます。曲のテンポと構成がわからないうちに動画を生成すると、カットが音楽とぶつかります。

秒ではなく小節で考える理由

小節は、耳が意識せずに追っている音楽の単位です。小節の1拍目（ダウンビート）に合うカットは、心地よく感じられます。小節の途中のカットは、視聴者が理由を説明できなくても、でたらめに感じられます。

ビートシートの見た目

ビートシートはシンプルな表です。曲のセクション、開始時刻、小節数、そこに置くショット。ステップ2で作ります。

では、8つのステップを見ていきましょう。

ステップ1：曲を作る

何よりも先に曲を生成し、最初の動画には1〜2分の長さを選びましょう。 曲が短ければ、ショットの数も費用も手に負える範囲に収まります。

モードを選ぶ

Describe modeでは、ジャンル、雰囲気、テーマを1文で書くと、AIが歌詞と音楽を作ります。Lyrics modeでは、自分の歌詞を貼り付け、タイトル、スタイル、声、長さ（30秒、または1〜4分）を設定します。

ミュージックビデオには、Lyrics modeを使いましょう。 すべての歌詞を把握できるので行ごとにショットを計画しやすく、長さも自分で決められます。

セクションにタグを付ける

[Verse] や [Chorus] といったセクションタグを、それぞれが属する歌詞の上に独立した行で入れます。曲のセクションがはっきりしていれば、ビートシートのセクションもはっきりします。

2つのテイクから選ぶ

1回の実行は20クレジットで、曲の異なる2つのテイクが返ってきます。サビのボーカルが最もクリアで大きく聞こえるほうを選びましょう。ステップ4の歌唱ショットがずっと楽になります。

曲にはそれぞれカバーアートが付いてきます。これはアコースティック・ポップのテストで作った1曲のものです。映像のスタイルの参考に使いましょう。

ステップ2：テンポを調べてビートシートを作る

曲のテンポ（BPM）を調べ、小節を秒に換算し、各セクションにどのショットを入れるかを書き出します。 この10分の作業で、何時間もの再生成を防げます。

BPMを調べる

曲を再生しながら無料のBPMカウンターでタップするか、動画編集ソフトのビート検出に任せましょう。ほとんどのポップソングは90〜130 BPMです。

小節を秒に換算する

4/4拍子では、1小節は4拍です。計算式はシンプルで、1小節の秒数 = 240 ÷ BPM です。

120 BPMなら、4小節のフレーズはちょうど8秒で、Veo 3.1のクリップ1本分の長さです。それ以外のテンポでは、1つ上の長さで生成して小節に合わせてトリムしましょう。

ビートシートを書く

120 BPMでの60秒の例です。

パフォーマンスショットは、サビに置きましょう。 視聴者の記憶に残る部分で、たいていボーカルも最もクリアです。

ステップ3：歌手を作る

歌手のポートレートを1枚作り、すべてのショットで使い回しましょう。 最初のフレームから最後まで同じ顔を保てるのは、その1枚の画像のおかげです。

ポートレートに必要な条件

ステップ4のパフォーマンス用ツールは写真の顔を動かすので、ポートレートは動かしやすいものでなければなりません。

• 顔がカメラを向いている、またはわずかに傾いている程度
• 口は閉じてリラックス、表情はニュートラルか柔らかめ
• 顔に 均一な光 が当たり、髪や手が口にかかっていない
• フレーム内に 1人だけ
• 各辺 300ピクセル以上、大きいほど良い

作り方

テキストから画像で歌手を生成するか、スタイライズした見た目にしたいならAIキャラクタージェネレーターを使いましょう。ほとんどの画像モデルで、ポートレート1枚は約5〜10クレジットです。何枚か作って1枚を選び、それを使い続けましょう。

キャラクターの一貫性を保つ

歌手が映るBロールのショットでは、同じポートレートを開始画像に使います。そのほかのコツは、キャラクター一貫性ガイドで解説しています。

ステップ4：歌手に歌わせる

サビのボーカルを短い音声ファイルにトリムし、それでポートレートを動かします。 方法は2つあります。

ルートA：トーキングフォト（1ステップ）

ポートレートとボーカルのクリップを、AIトーキングフォトツールにアップロードします。顔が歌詞を歌い、頭や肩も少し動きます。

• 長さ： Standard（720p）とHD（1080p）は最長15秒、Cinematic（1080p）は30秒
• 料金： 音声1秒あたり8、16、27クレジット
• 音声： MP3、WAV、M4A、AAC、10 MBまで

動画の長さはアップロードした音声とほぼ同じになるので、ビートシートの小節に合わせて音声をトリムしましょう。

ルートB：動かしてからリップシンク（2ステップ）

まず、「歌手が体を揺らしながらヴィンテージマイクに向かって歌う、ステージの照明」のようなプロンプトで、ポートレートからパフォーマンスクリップを生成します。次に、そのクリップとボーカルをAIリップシンクにアップロードすると、口の動きが合うように描き直されます。

• 使う場面： 歌手の周りにカメラの動き、ジェスチャー、ステージが欲しいとき
• 料金： 動画クリップの料金＋リップシンク1秒あたり8クレジット
• 動画： 2〜60秒、顔がはっきり映っていること

歌わせるコツ（話すより難しい）

歌は、話すより動かすのが難しいものです。 母音が長く伸ばされ、伴奏が声と競合するからです。

• 最もクリアなボーカルのセクションを選ぶ。 楽器より声が大きく聞こえる部分です。
• 最初と最後の 無音をトリムする。 1秒ごとに料金がかかります。
• 上位のティアでサビ全体を実行する前に、まずStandardで5〜10秒をテストする。
• 唇がドラムに合わせて動いてしまう なら、伴奏の薄いセクションを試すか、オーディオエディターでボーカルだけにしたバージョンを使いましょう。

ポートレート1枚と6.5秒の台詞から、Standardで作ったトーキングフォト。歌ったサビでも同じように作れます。

ステップ5：Bロールを生成する

Bロールのショットはすべて、曲の雰囲気に合った静止画をもとに画像から動画で生成し、1ショットにつきカメラの動きは1つにします。 短く動きが1つのショットのほうが、長くて忙しいショットよりはるかにうまくつながります。

画像から始める

まず各ショットの静止画を生成し（1枚数クレジット）、それを画像から動画で動かします。画像から始めると構図とカラーパレットが固定されるので、ショット同士が同じ動画の一部に見えます。

1ショットに動きは1つ

カメラの動きをプロンプトに書き込みます。「ゆっくりプッシュイン」「左へオービット」「固定、風がカーテンを揺らす」。1クリップに動きが1つなら、カットがきれいに決まります。

予算でモデルを選ぶ

Veo 3.1は常に音声を生成し、Seedance 2 Miniも生成できますが、どのみち曲の下ではクリップの音をミュートします。全モデルの料金と長さは、AI動画モデル26種を比較をご覧ください。

少し多めに生成する

枠がクリップの長さに合わないときは、1つ上の長さで生成し、編集で小節に合わせてトリムします。120 BPMなら8秒のクリップが4小節の枠にぴったり収まります。下の費用試算で8秒クリップを使っているのはそのためです。

ステップ6：ビートに合わせて編集する

まず曲を置き、すべてのショットをダウンビートでカットします。 編集ソフトは何でも構いません。CapCut、DaVinci Resolve、Premiere Pro、iMovieなどです。

タイムラインを組む

1. 曲を読み込み、最初にタイムラインに置きます。
2. セクションが始まるすべてのダウンビートに マーカーを追加 します。ビートマーカーを自動で置ける編集ソフトもあれば、曲を再生しながらマーカーのキーをタップするソフトもあります。
3. ビートシートの順番どおりに ショットを並べ、それぞれをマーカーに合わせてトリムします。
4. 曲だけが流れるように、クリップ自体の音声をミュート します。

カットのコツ

• 歌詞ではなく、ダウンビートでカット する。
• サビではショットを速く切り替え、Aメロではゆっくりにする。
• パフォーマンスショットは、歌っている1行のあいだ 保つ。単語の途中では決してカットしない。
• カットをまたいで動きを合わせる。 あるショットがプッシュインなら、次は寄りから始められます。

ステップ7：アップスケールして書き出す

ショットが720pなら720pのまま編集し、完成した動画を1回だけアップスケールしましょう。 すべてのショットを高い解像度で生成するより安く済みます。

最終カットをアップスケールする

編集した動画をAI動画高画質化ツールにアップロードします。MP4またはMOVで、60秒・100 MBまでです。ソーシャル向けなら1080p（1秒3クレジット）、YouTube用のマスターなら4K（1秒9クレジット）を選びます。曲の音声はそのままコピーされます。

60秒を超える動画は、セクションごとにアップスケールしましょう。アップスケールすべきときとネイティブでレンダリングすべきときは、ネイティブ4KとアップスケールのAI動画をご覧ください。

プラットフォームごとに書き出す

• YouTube： 16:9、1080pまたは4K
• TikTok、Reels、Shorts： 9:16、1080 × 1920。縦長の構図はステップ5から計画しておく
• Instagramのフィード： 4:5または1:1

ステップ8：正しく公開する

AI音楽が動画の主役なら開示し、どう作ったかの記録を残しましょう。 ミュージックビデオは、まさにYouTubeのAI開示ルールが想定しているケースです。

YouTubeで開示する

YouTubeはクリエイターに対し、「動画の主な焦点となる音楽を作成する」AI生成コンテンツを開示するよう求めています。開示しても、リーチや収益化が制限されることはありません。開示、著作権、Content IDの詳細は、YouTubeでAI音楽を使うガイドで解説しています。

記録を残す

曲の歌詞と設定、計画、日付、すべてのクリップを保存しておきましょう。万一申し立てや問い合わせがあっても、5分で答えられます。

実在の人物を尊重する

実在の歌手をまねた曲を作らないこと、本人の許可なく実在の人物の顔を動かさないこと。実在のアーティスト名を含む曲のプロンプトは拒否され、どちらのパフォーマンス用ツールでも、その顔と声を使う権利があることの確認を求められます。

60秒のAIミュージックビデオの費用

60秒の完成したAIミュージックビデオの費用は、選ぶモデルによって約520〜1,850クレジットです。 上のビートシートを3つのバージョンで試算しました。パフォーマンス20秒（サビと最後の1行）と、8秒ショット5本で40秒のBロールです。

撮り直しを見込む

やり直すショットの分として、30〜50%を上乗せしましょう。失敗した生成は自動で返金されるので、料金がかかるのは完了したテイクだけです。試行錯誤の詳しい計算は、AI動画の本当のコストをご覧ください。

節約できるところ

• Bロールは480pか720pで下書きし、最終カットをアップスケールする。
• パフォーマンスショットは短く。 曲全体ではなく、サビ1回分にする。
• 静止画を使い回す。 良い画像1枚で、2〜3ショットを支えられます。

よくある問題と対処法

AIミュージックビデオの問題のほとんどは、モデルではなく計画から生まれます。 よく見かける5つを紹介します。

カットがビートからずれて感じる

ダウンビートではなく、歌詞でカットしています。各小節の1拍目にマーカーを置き直し、すべてのカットをそこにスナップさせましょう。

歌手の口が合わない

そのセクションの伴奏が大きすぎるか、ポートレートの口が開いています。よりクリアなボーカルのセクションと、口を閉じたポートレートを使いましょう。

ショットごとに歌手の見た目が違う

歌手のBロールを、テキストだけで生成しています。歌手が映るショットは、すべて同じポートレートから始めましょう。

ショット同士が同じ動画に見えない

ショットごとに違うスタイルを使っています。同じスタイルの言葉とカラーパレットで静止画を生成し、曲のカバーアートに合わせましょう。

動画が長くなりすぎる

曲がビートシートより長くなっています。Lyrics modeで長さを設定するか、最後のサビのあとでフェードアウトしましょう。

よくある質問

AIでミュージックビデオを丸ごと作れますか？

作れます。AIは曲を書いて歌い、すべてのショットを生成し、歌手に歌詞を歌わせることができます。ショットを計画して編集でつなぐのは引き続きあなたの仕事で、そこでビートシート法が役立ちます。

AIキャラクターに歌わせるには？

曲のボーカルを最長15秒（Cinematicティアなら30秒）にトリムし、AIトーキングフォトツールで正面向きのポートレートを動かします。もっと動きが欲しいなら、先に歌手のクリップを生成してから、ボーカルにリップシンクさせましょう。

AIミュージックビデオを作るのに、どのくらい時間がかかりますか？

60秒の動画なら、初回は約2〜4時間です。曲に数分、ショットの生成に1時間、編集に1〜2時間。ビートシートのテンプレートができれば、もっと速くなります。

AIミュージックビデオの費用は？

Imgveoでは、60秒の動画は低予算の構成で約520クレジット、ネイティブ1080pで1,070クレジット、プレミアムな4K版で約1,850クレジットです。Starterプランなら、それぞれ約 $6.90、$14.20、$24.52 です。

AIミュージックビデオをYouTubeにアップロードできますか？

できます。商用利用が認められたプランで作った曲を使い、AI生成の音楽が動画の主な焦点である場合は、YouTubeのポリシーに従って開示しましょう。

ミュージックビデオのBロールに最適なAIモデルは？

低予算の下書きなら、Veo 3.1 LiteとSeedance 2 Mini。1080pでキャラクターの一貫性を保つなら、Kling 3.0。長いワンテイクなら、1クリップ30秒に達するWan 3.0かSeedance 2.5です。

まとめ

AIミュージックビデオを作るなら、まず曲を書き、すべてのショットを小節で計画し、歌手をサビに置き、ダウンビートでカットしましょう。 これがビートシート法で、AIクリップの寄せ集めを、本物のミュージックビデオのように感じられる作品に変えてくれます。

まずはサウンドトラックから。AI音楽生成ツールで曲を作り、それを軸にビートシートを組み立てましょう。

関連記事

• YouTubeでAI音楽は使える？著作権、Content ID、収益化
• AI動画のキャラクター一貫性：モデル横断ガイド
• AI動画モデル26種を比較：スペックと料金
• 開始・終了フレームで長いAI動画を作る方法