テキスト動画か画像動画か：入力モードを先に決める

テキストから動画か、画像から動画か。 まず、承認済みの静止画があるかどうかを見ます。なければテキストのみ（text-to-video／t2v）で構図を試します。あればファーストフレーム（image-to-video／i2v、first frame）で見た目を固定してから動きを足します。始点と終点が分かっている、またはショットをまたいで同一人物・同一パッケージが要るなら、始点＋終点かマルチモーダル参照（r2v）へ上げます。入力モードの誤りは、モデル名の誤りより再生成を多く消費します。Sora2 AI でも順番は同じです。

一枚の表で選ぶ

手元にあるもの	優先するモード	プロンプトに書くこと	よくある失敗
文章のアイデアだけ	テキストのみ（t2v）	被写体、動作、場面、カメラ一種、尺	スタイル語だけで動詞がない
確定した商品・人物カット	ファーストフレーム（i2v）	どう動くか、カメラがどう動くか	見た目を書き直して静止画と衝突する
始まりと終わりの画面が既知	始点＋終点	あいだの遷移とテンポ	画角差が大きすぎる、動きを最大にする
ショット間で同一の人物・パッケージ	マルチモーダル参照（r2v）	参照を明示し、一度に変える種類は一つ	参照が散らばる、前景が混雑する

目安はこれです。探すならテキスト。ある版に似せたいなら画像か参照。

テキストから動画：向く仕事と書き方

物語のフック、雰囲気カット、衣装が決まる前のコンセプト、絵コンテの下書きに向きます。

五つの順で書きます。被写体 → 動作 → 場面 → カメラ → 尺の用途。初稿は主カメラを一種に固定し、尺はパラメータと揃えます。詳細は カメラワークと尺 です。

画像から動画：向く仕事と書き方

商品の導入、ルック確定後に動かすキャラクター、顧客が承認したパッケージ静止画、ポスターの動きに向きます。

「赤い陶壺の形」を繰り返さず、「ゆっくり回転、湯気が上がる、軽いプッシュイン」を書きます。被写体ははっきり、背景は主張させすぎない。同一性の扱いは 参照フレームの一貫性 にまとめています。

始点＋終点とマルチモーダルは、先頭フレームと混ぜない

• 始点と終点は時間軸の両端を留めます。分かっている転換に向きます。比率が違うとき、多くの処理は先頭フレーム基準でクロップします。
• マルチモーダル参照が答えるのは「誰か／どのスタイルか」であり、時間の起点そのものではありません。複数枚を置くときは、最初の文で主参照を名指しします。
• 矛盾する first frame の条件と、関係のない参照の束を同じジョブに詰め込まない。入力の契約は一つにします。

再生成を減らす手順

1. 承認済み静止画があるか、ショット間の同一性は要るかを決めます。
2. モードを決めてからプロンプトを書きます（消すべき記述はモードが示します）。
3. カメラの見せ場や解像度を上げる前に、短い尺で通します。
4. 顔とパッケージは「静止画 → 画像から動画」を優先し、テキストの連打で顔を賭けません。
5. 有料配信の前に 商用チェックリスト を通します。

まとめ

テキストから動画は「無いところから作る」、画像から動画は「ある見た目を動かす」。始点＋終点とマルチモーダル参照は転換と同一性を担います。入力モードを決めたら、用途で系統を選ぶ Seedance・Wan・Klingの選び方 へ——再生成はかなり減ります。