短いプロンプトだけでAIに恐竜映画を作らせた｜5回作り直して13ドル、先に静止画が要る理由

恐竜映画のような「巨大な恐竜から逃げるシーン」を、Google の Gemini API だけで作ってみました。やったのは、短いプロンプト（簡単な指示）を書いて、出てきた動画を見て、直してほしい所を伝えることだけです。

5回作り直して、かかった費用は13.14ドル（約2,070円）。それでも、出来上がったのは「まだこのくらい」のものでした。ボツにした動画も含めて、全部お見せします。

3行でまとめると

• 短いプロンプトだけでも、それらしい映像はできる。ただし細かい所がおかしく、直すたびに作り直しになる
• 費用の97%が映像。8秒の映像は1本約126円で、5回の作り直しで16本作り、完成に使ったのは5本だった
• もっと作り込んで、しかも安くするには、先に静止画を作って確かめる手順が要る。静止画は1枚約11円で、映像の約12分の1

完成版（5回目）

縦型・44.5秒です。助手の声はAIで一から作った声、博士の声は本人の同意のうえで複製した声です。最後に博士が恐竜に食べられて、タイトルが出ます。

それでも、おかしな所はたくさん残っています。食べられる場面で助手が宙に浮いて見える、奥に別の恐竜がもう1頭いる、口の動きがセリフに合っていない、などです。

やったこと

頼んだのは、次のようなシーンです。

1. 雨上がりの森で、泥に残った巨大な足あとをのぞき込む助手と博士
2. 足あとの水たまりに、地響きで波紋が広がる
3. 森の奥から巨大な恐竜が現れて吠える
4. 2人が逃げ、恐竜が追いかける
5. 博士が追いつかれて食べられ、BGMとタイトル「カツの恐竜日記」

映画の名前や、特定の作品の見た目は、指示に入れていません（後の「商用利用」で書きます）。

5回の作り直しと、それぞれの費用

出典：カツプロ調べ（2026年9月28日・API 使用量の記録から）。円は1ドル157.59円で換算（2026年9月25日の参考レート）。

1回目：足あとの形がカットごとに違う

• 足あとの形が、カットによって王冠のようになったり、丸い玉が並んだりした
• 博士の声が「私の声に聞こえない」。「小声で」「叫んで」と強い演技を付けたのが原因だった（後で書きます）
• 最初は「10歳くらいの少女」の声を頼んだが、安全ポリシーで止められた。登場人物を20歳前後の女性に変えた

2回目：足あとをそろえた

• 足あとの形の手本を1枚の画像にして、足あとが映るカットに渡すと、形がそろった
• 今度は、恐竜が出てくる所で木が不自然に曲がって動く

3回目：木の動きと声を直した

• 「幹は曲がらない。揺れるのは枝と葉だけ」と書いて、木は直った
• 博士の声は、演技の指示を3通り試して、本人らしさを保ったまま緊迫感がいちばん出るものを選んだ

4回目：博士を変えて、最後の場面を足した

• 2人の見た目の画像を作って全カットに渡すと、服装が全カットでそろった
• ところが、恐竜が目の前を横切る、逃げる先に恐竜がいる、博士が食べられずに捕まっているだけ

5回目：縦型で作り直した（完成版）

• 恐竜は後ろから追いかけ、博士はひと飲みにされた
• それでも、助手が宙に浮いて見える、奥に別の恐竜がいる、など細かい所はおかしいまま

分かったこと

短いプロンプトだけでは、良い動画になりにくい

1回ごとに「それらしい映像」は出てきます。ただ、見るたびにおかしな所が見つかり、直すと別の所がおかしくなりました。文章の指示だけで、構図・動き・人物の位置を狙いどおりにするのは難しいというのが実感です。

お金がかかるのは映像。直すたびに1カット約126円

出典：カツプロ調べ。映像は1秒0.10ドルで、8秒1本0.80ドル（約126円）です（Gemini API の料金ページ）。声は37本作っても約5円で、費用のほとんどは映像でした。

Gemini Developer API pricing  |  Gemini API  |  Google AI for DevelopersGemini Developer API Pricingai.google.dev

声は、日本語のイントネーションが自然

映像に比べて、声の出来はかなり良いと感じました。声は、2026年9月23日に出た最新の音声合成 Gemini 3.8 Flash TTS です（Google の公式ブログ）。

同じ声（自分の声の複製）を、これまでショート動画で使っていた有料の音声サービスと同じ台本で聞き比べたところ、本人の判定は「Gemini の方が自然なイントネーション」でした。9カットを文字起こしのAIにかけても、台本と違って聞き取られたのは2か所だけでした（カツプロ調べ）。聞き比べの音声は、こちらの記事で聞けます。

ショート動画の声を0円に｜有料の声のクローン・Irodori-TTS・Gemini 3.8を聞き比べた

ただし、漢字の読みは間違えることがあります。今回は「博士」を「はかせ」と読ませるために、字幕は「博士」のまま、声には「はかせ」とひらがなで渡しました。

Gemini の音声合成は、前のモデル（2.5）のころは用意された声から選ぶだけで、自分で新しい声を作ることはできませんでした（以前の記事）。最新の 3.8 では、文章で説明して一から声を作る「声の設計」と、本人の声の複製ができるようになっています（Google の公式ブログ）。

演技を強くすると、複製した自分の声に聞こえなくなる

声の主が同じ人かを見分けるAIモデル（microsoft/wavlm-base-plus-sv）で、本人の録音との似ている度合いを測りました（1に近いほど本人。カツプロ調べ）。

「小声で」の1本は0.614で、別人（助手の声）の0.726より低くなりました。自分の声らしさを残すなら、演技の指示は控えめにするのがよさそうです。

安全ポリシーで止められることがある

• 「10歳くらいの少女」の声は作れなかった
• 逃げる場面で「怯えた（terrified）」と書くと映像が作られず、「家族向けの冒険映画の追いかけっこ」と書き直すと通った
• 止められた場合は、料金はかからなかった（Veo のドキュメント・実際の返答）

次からの手順：先に静止画を作って確かめる

今回いちばん費用がふくらんだのは、映像を作ってから「形が違う」「服が違う」「恐竜の位置が違う」と気づき、8秒ずつ作り直したことでした。

出典：カツプロ調べ（API 使用量の記録）

アニメーションを作るときと同じように、次の順番にすれば、直しの多くを静止画の段階で済ませられます。

1. 登場人物と小道具の参照画像を作る（今回の4回目でやったこと。これで服装がそろった）
2. 各カットの最初のコマを静止画で作る。構図・人物の位置・恐竜の位置を、ここで確かめて直す
3. OK が出た静止画を、映像の最初のコマとして渡して動かす（Veo は最初と最後のコマを画像で指定できる・Veo のドキュメント）

今回のように「動かしてみたら違った」をくり返すより、ずっと安く、狙いに近いものが作れるはずです。

商用利用

2026年9月28日に、公式の規約とドキュメントで確かめました。

Gemini API Additional Terms of Service  |  Google AI for Developersai.google.dev

まとめると、作った映像・声・音楽は商用に使えます。ただし次の3つは、使う側の責任です。

• 特定の映画・キャラクターに似せない：タイトルの「旗が落ちてくる」演出は借りたが、色・字体・デザインはオリジナルにした（字体は SIL Open Font License の Dela Gothic One）
• 声を複製するのは、自分か、本人の許可をもらった人だけ
• 参照に使う画像の権利：他人の写真をそのまま渡さない。今回は、手本の写真の形だけを借りて、新しい画像を作ってから使った

YouTube に上げるときは、AIで作ったリアルな映像であることを申告しています。

まとめ

• Gemini API だけで、声・映像・音楽まで揃った短い映画風の動画が作れる
• 声（Gemini 3.8 Flash TTS）は日本語のイントネーションが自然で、37本作っても約5円。お金も手間もかかるのは映像
• ただし短いプロンプトだけでは、13.14ドル（約2,070円）かけても「まだこのくらい」。費用のほとんどは映像の作り直し
• もっと作り込んで、しかも安くするには、先に静止画を作って確かめてから動かす手順が必要

関連記事

• Gemini 3.8 Flash TTSがおすすめな理由｜日本語が自然で声も作れる、ショート1本約3円
• ショート動画の声を0円に｜有料の声のクローン・Irodori-TTS・Gemini 3.8を聞き比べた
• Gemini Omniで動画制作はどう変わる？中小クリエイターが知るべき実務インパクト