動画生成AIプロンプトの「公式の型」を原文で確認する──Veoは7要素、Sora 2は散文＋3見出し

動画生成AIのプロンプトの「公式の型」を探すと、日本語の解説記事ごとに要素の数も名前も違う。ただしこれは日本語圏だけの混乱ではなく、開発元の公式ドキュメント自体が単一の型を出していないことに由来する。2026年8月14日に一次ソースを確認したところ、Googleだけで2種類の構成が並存していた。Google AI for DevelopersのVeoページは構成要素を7つ挙げ、そのうち4つに [Optional] を付けている。一方でGoogle Cloud公式ブログ「The ultimate prompting guide for Veo 3.1」は [Cinematography] + [Subject] + [Action] + [Context] + [Style & Ambiance] という5部の式を提示する。OpenAIのSora 2 Prompting Guideはさらに別で、散文の情景描写を本体に置き、その下にCinematography／Actions／Dialogueの見出しを足すテンプレートを示している。共通しているのは、どれも「全部埋めろ」とは書いていないことだ。

• Google AI for DevelopersのVeoページは、Subject／Action／Style／Camera positioning and motion／Composition／Focus and lens effects／Ambianceの7要素を挙げ、後ろ4つに [Optional] を付けている（確認日2026-08-14）
• Google Cloud公式ブログのVeo 3.1向け解説（2025年10月16日公開）は [Cinematography] + [Subject] + [Action] + [Context] + [Style & Ambiance] の5部構成で、同じGoogleでも要素名も個数も一致しない（確認日2026-08-14）
• OpenAIのSora 2 Prompting Guideはテンプレートを示した直後に This is not a one-size-fits-all recipe for success と書き、Shorter prompts give the model more creative freedom. とも明記している（確認日2026-08-14）

Googleの公式は2種類ある

Google AI for Developers版：7要素・うち4つがOptional

Gemini APIのVeoドキュメントに載っているプロンプト構成要素は次の通りである（確認日2026-08-14、定義は原文ママ）。

ここで注意したいのは、[Optional] が付いているのがカメラ・構図・レンズ・光という、日本語のブログ記事が「必ず書け」と強調しがちな側だという点だ。公式が必須の位置に置いているのは、被写体・動作・スタイルの3つだけである。

同ページに書かれている仕様は、クリップ長が4秒・6秒・8秒、解像度が720p・1080p・4k、アスペクト比が16:9または9:16、音声はモデル側で常時生成、というものだった（確認日2026-08-14）。

Google Cloudブログ版：5部の式

同じGoogleでも、Google Cloud公式ブログのVeo 3.1向け解説は別の形を提示している。原文は A structured prompt yields consistent, high-quality results. と書いたうえで、次の式を挙げる（確認日2026-08-14）。

ブログ側では、Gemini APIドキュメントで [Optional] だったカメラと構図が Cinematography という1ブロックに統合され、しかも式の先頭に置かれている。また Context（環境・背景）という枠はブログ側にしかない。ドキュメント側の7要素には環境を書く専用の欄がなく、Subjectの定義に or scenery として混ぜ込まれている。

ブログに載っている例文は Medium shot, a tired corporate worker, rubbing his temples in exhaustion, in front of a bulky 1980s computer in a cluttered office late at night. The scene is lit by the harsh fluorescent overhead lights and the green glow of the monochrome monitor. Retro aesthetic, shot as if on 1980s color film, slightly grainy. である。式の順番通りに、カメラ→人物→動作→環境→質感と並んでいる。

音声についてはブログ側が具体的で、台詞は引用符で囲む（A woman says, "We have to leave now."）、効果音は SFX: thunder cracks in the distance の形で書く、環境音は Ambient noise: the quiet hum of a starship bridge と書く、という3分類が示されている。除外指定については、否定形を並べるのではなく a desolate landscape with no buildings or roads のように肯定文の中に埋め込め、という趣旨の記述がある。

なお、このブログ記事に表示されている公開日は2025年10月16日である。同ブログが挙げる仕様は解像度720pまたは1080p、アスペクト比16:9または9:16、クリップ長4秒・6秒・8秒で、解像度の選択肢だけがGemini APIドキュメント側（4kを含む）と一致しない。

OpenAI Sora 2の型

Sora 2 Prompting Guideが示すテンプレートは、Googleの「要素を並べる」形とは設計が違う。原文の骨組みは次の通りである（確認日2026-08-14）。

[Prose scene description in plain language. Describe characters, costumes,
scenery, weather and other details. Be as descriptive to generate a video
that matches your vision.]

Cinematography:
Camera shot: [framing and angle, e.g. wide establishing shot, eye level]
Mood: [overall tone, e.g. cinematic and tense, playful and suspenseful,
luxurious anticipation]

Actions:
- [Action 1: a clear, specific beat or gesture]
- [Action 2: another distinct beat within the clip]
- [Action 3: another action or dialogue line]

Dialogue:
[If the shot has dialogue, add short natural lines here or as part of the
actions list. Keep them brief so they match the clip length.]

本体は最初の散文ブロックで、その下のラベルは補助という構成である。ガイドは A clear prompt describes a shot as if you were sketching it onto a storyboard. と書き、フレーミング・被写界深度・ビート単位の動作・照明とパレットを述べよ、としている。

Actionsが箇条書きになっている点は、Googleの型に無い特徴だ。1つの動作を1行として分ける形式が公式テンプレートの側で指定されている。台詞は Place it in a <dialogue> block below your prose description so the model clearly distinguishes visual description from spoken lines. とあり、視覚描写と発話を明示的に分離させる。尺との関係も具体的で、A 4-second shot will usually accommodate one or two short exchanges, while an 8-second clip can support a few more. と書かれている。

もう1つ、Googleの2つの型には無い注意書きがある。解像度・尺・キャラクター参照といったパラメータは、プロンプト本文で要求しても通らず、API呼び出し側で明示的に設定する必要がある、という記述である。プロンプトの型に何を入れても制御できない層が存在することを、公式が先に線引きしている。

3つの型を横に並べる

同じ機能を担うブロックがどの名前で呼ばれているかを対応させると、次のようになる。

3つを並べて見えるのは、要素の粒度の切り方が各社・各文書でばらばらだということだ。カメラと構図とレンズを3つに分ける文書もあれば、1つのCinematographyにまとめる文書もある。したがって「動画生成AIのプロンプトは◯要素で書く」という言い方は、どの公式文書を指しているかを言わないかぎり成立しない。

一方で、3つの文書に共通していることもある。第一に、全欄を埋めろとは書いていない。Googleのドキュメントは4欄に [Optional] を付け、OpenAIは This is not a one-size-fits-all recipe for success と書く。第二に、書かなかった箇所はモデルが埋めるという前提が明示されている。Sora 2ガイドの Unless you describe these details, Sora will make them up がそれにあたり、同じ文書が Shorter prompts give the model more creative freedom. Expect surprising results. とも書いている。つまり公式の型は、空欄を残すこと自体を織り込んだうえで提示されている。

公式の型を埋めても外れるところ

公式の型は「何を書く欄があるか」を教えるが、「その欄に何と書けば通るか」までは決めない。当サイト運営者が動画生成AIで作品を制作しながら取った一次記録では、型を正しく埋めても結果が動かない箇所が繰り返し出ている。

Styleの欄に cinematic elaborate flamboyant のような抽象形容詞を入れても画は変わらなかった。花魁の打掛に elaborate and flamboyant と書いた回は衣装をつけただけの画になり、同じ対象を白粉・襟足の塗り残し・簪20点・帯を前結び、と物の名前と数で書き直した回だけ狙い通りになった。Actionの欄も同様で、6キャラクター分の動作を1つの区間に詰めた回は全員が静止し、動作を区間ごとに分けるまで解消しなかった。

さらに、公式の型のどこにも欄が無い変数として参照画像がある。参照枚数の実測では7枚で主要キャラが保持され、12枚では複製が出て、17枚では複製が出ず、30枚では生成自体が失敗した回があった（原因未特定）。これらの実測値の詳細は動画生成AIプロンプトの実制作技法台帳にまとめている。

Veoについてはもう1つ、型の話の外にある要因がある。Google Cloudの公式ドキュメントは、Veoが送信されたプロンプトに映像描写・カメラの動き・書き起こし・効果音を追加する書き換え機能を持つと明記しており、Veo 3系ではこれを無効化できないとされる。型通りに書いた文字列がそのままモデルに届くわけではないという前提は、Veoのprompt rewriterの仕様で個別に整理した。

正直な但し書き

• Google Cloud（Vertex AI／Gemini Enterprise Agent Platform）側にも「Video generation prompt guide」というページが存在するが、2026年8月14日時点でこのページの本文を取得できず、ナビゲーション部分しか読めなかった。本記事のGoogle側の記述は、Google AI for DevelopersのVeoページとGoogle Cloud公式ブログの2つに限定している。Cloud側ドキュメントに第3の要素リストが載っている可能性は排除できていない。
• Google Cloudブログの記事は2025年10月16日公開の表示である。その後に本文が更新されたかどうかは追跡できていない。本記事の引用は2026年8月14日時点の表示内容による。
• 解像度の選択肢がGemini APIドキュメント（720p・1080p・4k）とブログ（720pまたは1080p）で一致しない理由は確認できていない。掲載時点の差か、対象とする提供経路の差かは不明である。
• 各要素を「必須扱い」と書いたのは、Google AI for Developersのページで [Optional] が付いていないという表示上の区別に基づく判断であり、公式が「必須」という語を使っているわけではない。
• 型の違いが出力品質にどう影響するかを、同一被写体・同一シードで比較した実験はしていない。本記事は各社が公表している構造を並べたものであって、どの型が優れているかを示すものではない。
• 一次データとして挙げた実測値は、当サイト運営者の制作範囲（Veo系を中心とした特定の題材）で取ったものであり、他のモデルや他の題材に一般化できるかは検証していない。
• プロンプトの型は、モデルの世代交代に合わせて公式側が書き換える。ここに書いた要素名と個数は2026年8月14日時点のものである。

出典

• Generate videos with Veo 3.1 in Gemini API（Google AI for Developers）: https://ai.google.dev/gemini-api/docs/veo （確認日2026-08-14）
• The ultimate prompting guide for Veo 3.1（Google Cloud Blog、2025年10月16日公開）: https://cloud.google.com/blog/products/ai-machine-learning/ultimate-prompting-guide-for-veo-3-1 （確認日2026-08-14）
• Sora 2 Prompting Guide（OpenAI Cookbook）: https://developers.openai.com/cookbook/examples/sora/sora2_prompting_guide （確認日2026-08-14）
• Turn off Veo's prompt rewriter（Google Cloud 公式ドキュメント）: https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/video/turn-the-prompt-rewriter-off （確認日2026-08-14）
• AI時短ラボ 制作ログ（動画生成AIプロンプト技法台帳・2026-08-12時点／非公開の一次記録。公開版は本クラスタの各記事）