音声付きAI動画生成:自動でサウンドを追加するモデルとは

VIBE内の2つのモデルは、テキストプロンプトをセリフ・効果音・環境音がすでにミックスされたクリップに変換します——別のサウンドデザイン工程は不要です。最初のレンダリングから同期した音声が欲しいなら、音声付きAI動画生成を選ぶ際にはどの設定よりもモデル選びが重要です。Veo 3.1 FastとKling 3 Proはネイティブに音声を生成しますが、VIBEの他のすべてのモデルは映像のみをレンダリングします。このガイドでは、どちらがどちらか、音声の違い、そしてショットに合うセリフ・フォーリー・環境音の正確なプロンプトの書き方を解説します。

音声付きAI動画生成とは何か?

多くのAI動画モデルは今でも無音でレンダリングされます。動く映像を手に入れた後、別のアプリで音楽やボイスオーバーを追加する必要があります。音声付きAI動画生成はこの工程を省きます——モデルはフレームをレンダリングしながら音声を作り出すため、セリフが口の動きに合い、足音がタイミングよく鳴り、風の音がカメラの動きに合わせて強弱します。2026年9月現在、VIBEは10のモデルを提供していますが、自動でこれを行うのはそのうち2つだけです。どちらがそうなのかを知ることが、すぐに投稿できるクリップと、追加の編集工程が必要なクリップの差になります。

「話す」AIクリップを作る従来のワークフローには、3つの別々のツールが必要でした——映像用のモデル、声用のテキスト読み上げアプリ、そして両者を手作業で合わせる編集ソフトです。口の動きが言葉とだいたい合うまで、音声トラックをフレームごとにずらしていくのです。ネイティブ音声は、同じプロンプトから音声と動きを一度に予測するようにモデルを学習させることで、これら3つの工程をすべて省きます。そのため、ネイティブ音声のクリップは、後から吹き替えた映像よりも自然に感じられることが多いのです。モデルは動きと音声を一つの出来事として生成しているため、リップシンクした単語をどこに配置すべきか後から推測する必要がないからです。

どのVIBEモデルが自動でネイティブ音声を追加するのか?

VIBEの10モデルのうち2つが、映像と同じレンダリングで音声を生成します——Google DeepMindのVeo 3.1 Fastと、KuaishouのKling 3 Proです。Veo 3.1 Fastはセリフ、効果音、環境音、さらに軽い音楽まで、8秒のクリップに直接ミックスします——ビーチのシーンは波と風の音がすでにトラックに入った状態で出力され、別のサウンドデザイン工程は不要です。Kling 3 Proは最大15秒までレンダリングでき、同じショット内で複数の言語による複数キャラクターのセリフを生成できるため、画面上の二人が異なる言語を話しながらも、それぞれの口の動きと同期したままにできます。

• 一人以上のキャラクター間の口の動きに合わせたセリフ。
• 環境音:風、波、交通、部屋の空気感。
• フォーリーと効果音:足音、衝突音、ドア、機械音。
• プロンプトに応じた軽い音楽やムードのキュー。

セリフ・効果音・環境音のプロンプトの書き方

Veo 3.1 FastとKling 3 Proは、実際に描写した音だけを生成します。シーンを設定するだけのプロンプトは、デフォルトでそれらしい環境音をレンダリングしますが、音を具体的に指定したプロンプトはずっと的確なミックスになります。音声をショットの一要素として扱い、後付けの要素として扱わないようにしましょう。プロンプトの書き方全般については、AI動画プロンプトの完全ガイドをご覧ください。

1. シーンだけでなく音を指定する——「ビーチ」だけでなく「打ち寄せる波と軽い風」と書く。
2. セリフは引用符に入れ、話し手を明示する。例:「女性が『あと10分で船が出る』と言う」。
3. ムードではなくミックスを描写する——「セリフの下に静かな部屋の空気感」は「穏やかな雰囲気」より良い結果になる。
4. 1クリップにつき1つの音のアイデアに絞る——一行のセリフや一つの主要な効果音は、複数のキューを重ねるより安定してレンダリングされる。

VIBEでこのプロンプトを試すVeo 3.1 Fast

“黄色いレインコートを着た女性が夜明けの桟橋に立ち、後ろで波が打ち寄せ、頭上でカモメが鳴いている。彼女はカメラに向き直り、「船は10分で出るよ」と言う。風がフードを優しく揺らす。ハンドヘルドカメラ、自然光。”

Veo 3.1 Fast対Kling 3 Pro:音声を徹底比較

両モデルとも自動で音声をレンダリングしますが、それぞれ異なるショットのために作られています。Veo 3.1 Fastはクリーンなミックスによる高速な単発ショットに最適化され、Kling 3 Proは複数の声が同期を保つ必要のある、より長く複数キャラクターが登場するシーンのために作られています。

ショットが一人で一行のセリフで、スピードを重視するならVeo 3.1 Fastから始めましょう。シーンに会話する二人が必要な場合や、アクションを展開させるための追加秒数が必要な場合は、Kling 3 Proの方が適しています。どちらのモデルもVIBEで音声のための特別な切り替えは不要です——どちらを使ってもレンダリングごとに音声が自動生成されるため、あとはどのショット長とキャラクター数が作りたいものに合うかを選ぶだけです。両モデルはさらに多くのプロンプトと仕様とともに、Kling 3対Veo 3.1の比較記事で並べて紹介しています。

VIBEでこのプロンプトを試すKling 3 Pro

“賑やかな夜市の麺屋台に二人の友人が座り、器から蒸気が立っている。一人が英語で「you have to try this」と言い、もう一人が笑いながら日本語で「おいしい!」と返す。頭上には暖かい電飾、ハンドヘルドのドキュメンタリー風、市場のざわめきと油で炒める音が環境音として鳴っている。”

Sora 2 Pro、Wan、Seedance Pro Fastはどうなのか?

VIBEのすべてのモデルが音声を出力するわけではありません。OpenAI自身のアプリではSora 2を同期したセリフや効果音と組み合わせられますし、Alibabaはネイティブ音声と映像を一緒に生成するWan 3.0を構築しています——しかし現在のVIBE内では、Sora 2 Pro、Wan 3.0、Wan 2.6、Seedance Pro Fast、LTX Video、Luma Dream Machine、PixVerseはすべて映像のみをレンダリングします。すでにボイスオーバーやライセンス済みの音源、サウンドデザイナーがワークフローにいるなら、これは不利な点ではありません——独自の音声を入れる前に取り除くべき音がない、クリーンな映像が手に入るということです。

AIが生成する音声は実際のプロジェクトに十分な品質か?

ソーシャル向けのクリップ、短い広告、リアクション動画、製品デモなら、答えはイエスです——うまくプロンプトを書いたVeo 3.1 FastやKling 3 Proのクリップは、レンダリングが終わった時点でそのまま投稿できることがほとんどです。より長いナラティブ作品では、ネイティブ音声を最終ミックスとしてではなく、強力な初稿として扱いましょう。一行のセリフは、やり取りのある会話全体よりも安定してレンダリングされますし、非常に特定的な効果音(特定の楽器、正確なアクセントなど)は、風・交通・部屋の空気感のような一般的な環境音よりも制御が難しくなります。速さよりも精度が重要な場合は、まずネイティブ音声付きで映像を生成して大まかなガイドトラックとして使い、その後いつも使っているエディタでセリフや音楽を仕上げましょう。

さらに編集する予定であっても、ネイティブ音声を選ぶ実用的な理由があります——無料で参考用のミックスが手に入るのです。モデルが音と動きをどう組み合わせたか——足音をどこに置いたか、風をどれくらいの大きさにしたか——を聞くことは、無音の映像だけを見て自分で音を想像するよりも、そのテイクが使えるかどうかを速く判断する方法になることが多いのです。同じプロンプトで2、3のバリエーションを生成し、ヘッドホンではなく実際のスピーカーで聞いて、一枚の静止画で最も良く見えるものではなく、音声と動きが一致しているテイクを選びましょう。

AI動画音声プロンプトでよくある間違い

• 「壮大」や「穏やか」といったムードの言葉を書くだけで、モデルが実際にレンダリングできる具体的な音を指定しないこと。
• 8秒のクリップに2、3行のセリフを詰め込むこと——一行のセリフの方がずっと安定してレンダリングされます。
• 話し言葉の周りに引用符を付け忘れ、モデルがその文を発話ではなく説明として扱ってしまうこと。
• Sora 2 Pro、Wan 3.0、Wan 2.6、Seedance Pro Fastといった無音モデルを使いながら、それでもセリフや効果音が出ることを期待すること。

よくある質問