ガジェット・サービス

ChatGPTとMuseに同じプロンプトで動画を作らせて比較|比べてわかる癖

zenzen

1994年北海道出身、福岡在住。会社員をしながら副業で美容師。映画・ゲーム・ガジェット・暮らしについて、実際に使った・観た・経験したことを中心に書いています。
プロフィールを見る | Xを見る

YouTubeのオープニング映像をAIに作らせてみた。

参考にしたのは、『ウルトラマンティガ』のオープニング。
宇宙空間?を背景に、立体的な文字がバラバラに飛んできて、最後に一つのロゴになるあの演出。

これを俺のブログ「ぜんあく無雑記」のロゴで再現したい。

そこでChatGPTに制作を依頼したんだけど、最初から思いどおりにいかなかった。

完成したのは、ロゴを「ぜん」「あく」「無雑記」の3つに分けて動かし、最後に貼り合わせたような映像だった。

いや、そうじゃない。

しかも、もう一度作らせても大して変わらない。

そこで今度はChatGPT自身に参考動画を分析させ、どういうプロンプトなら再現できるのか考えてもらった。

その改善版プロンプトをChatGPTとMuseの両方に渡し、完成した映像を比較してみることにした。

今回は、どちらが綺麗な映像を作ったかだけでなく、制作過程や指示への忠実さを確かめる記事にする。

ChatGPTとMuseに同じ動画制作を依頼した

参考にしたのは『ウルトラマンティガ』のOP

今回作りたかったのは、約5.4秒の横型オープニング映像。

紫色の銀河の中をカメラが進み、立体的な文字がそれぞれ異なる角度から飛来する。

その後、バラバラだった文字が組み上がり、最後に「ぜんあく無雑記」のロゴが完成する。

参考映像で特に再現したかったのは、文字の立体感とカメラの動き。

単に文字を並べて表示するのではなく、巨大な文字のすぐ横をカメラが通過するような演出にしたかった。

なお、今回は映像のみを制作し、音声や効果音は付けていない。

今回の比較条件

最終的な制作条件は以下のとおり。

項目ChatGPT版Muse版
最終プロンプト同じ同じ
目標の映像ティガOP風のロゴ演出同左
完成動画の長さ5.4秒5.4秒
解像度1920×10801920×1080
フレームレート30fps30fps
音声なしなし
制作過程初期版2本の失敗後に改善改善版プロンプトから制作

※各動画の仕様は受け取ったファイルから確認した。参考映像はYouTubeの画面収録であり、元動画のファイル仕様とは異なる。

注意してほしいのは、最初から完全に同条件で競わせたわけではないこと。

ChatGPTだけ先に失敗を経験していて、最終プロンプトもChatGPTが考えている。

つまり今回は、動画制作サービスの厳密な性能試験ではなく、実際の制作過程を含めた比較。

興味がある人は紹介コードどうぞ

Museは無料プランでも使える(俺も無料プランでこの作業をやらせた)。
登録するなら、よければ俺の紹介コードを使ってください。

アプリの「設定 > Redeem token」から入力できます。

Web版は「設定 > 一般 > 使用状況 > 紹介コードを使う」から。
紹介コード:GEW7RS

最初のChatGPTは、ロゴを3つに分けて貼り合わせただけだった

初期版1|文字がバラバラに飛んでこない

まず、最初にChatGPTが制作した動画を見てほしい。

紫色の銀河はできている。

ロゴも表示される。

なんだけど、肝心の文字の動きが違う。

「ぜん」「あく」「無雑記」のような塊が画面の奥から現れて、最後に一つのロゴとして表示される感じ。

確かに文字は動いているが、参考動画のような一文字ずつの複雑な回転や、カメラの近くを巨大な文字が通過する演出は十分に再現されていない。

しかも、動画の約2秒時点ではロゴがほぼ完成している。

その後は完成したロゴを表示しているだけなので、5.4秒という短い映像の中でも動きが単調。

AIが「動画を完成させる」ことと、こちらが求めている映像を完成させることは、やっぱり別の話らしい。

ChatGPTに参考動画を分析させ、プロンプトから作り直した

そこで制作方法を変えてみた。

今度はChatGPT自身に参考動画を見せ、どのようなプロンプトを出せば再現度が上がるのか考えてもらった。

ここで大きく変わったのは、映像の指示が抽象的な説明から具体的な工程に変わったことだ。

文字を「画像の分割」ではなく「一文字の立体物」として扱う

改善版では、まず次のように指示している。

「ぜ・ん・あ・く・無・雑・記」を、字の輪郭に沿って一文字ずつ切り出してください。均等な縦割りや長方形の切り抜きは避けてください。

さらに、白い文字面と赤い縁取りを保ち、側面には暗い紫色の金属的な厚みを付けるよう指定した。

初期版の問題だった、文字を適当な塊に分割する処理を避けるためだ。

ただ「文字を立体的に」と書くだけでは足りない。

どこを切り出し、どの面を見せ、最後にどう戻すのかまで指示する必要があった。

5.4秒の動きを4段階に分けた

時間ごとの演出も具体化した。

時間指示した演出
0〜0.5秒紫の銀河の奥へ進む
0.5〜2.2秒7文字が異なる角度・奥行きから飛来
2.2〜3.4秒斜めの近距離からロゴ全体を見せる
3.4〜5.4秒完成したロゴを正面で約2秒表示

ここまで細かく決めると、映像制作というより、短い編集台本をAIに渡している感覚に近い。

さらに、文字に不自然な切れ目がないか、最後の形が元のロゴと一致しているか確認するようにも指示した。

ただし、確認を指示したからといって、AIが人間と同じ水準で映像を検品できるとは限らない。

実際に完成品を見て判断する必要があるのは変わらない。

この改善版プロンプトの全文は記事の最後に掲載する。

同じプロンプトで完成したChatGPT版とMuse版を比較

ここからが今回の本題。

ChatGPTが考えた改善版プロンプトを使い、ChatGPTとMuseの両方でオープニング映像を制作した。

上がChatGPTの完成品。
下がMuseの完成品。

どちらも5.4秒のフルHD映像として完成した!

なんだけど、見比べてみると表現にはかなり違いがあった。

① 銀河の背景|ChatGPTは星雲、Museはワープ空間

結構違いが出たのが背景。

ChatGPT版は暗い紫色の宇宙空間に、雲のような光が渦巻いている感じ。
中心に吸い込まれるような奥行きがあって、参考映像の雰囲気に比較的近い気がする。

一方、Muse版は明るい紫色の背景に、白い光の線が放射状に伸びている感じ。

スピード感は分かりやすいんだけど、宇宙の奥行きや星雲の質感というより、ゲームに登場するワープ空間のような印象。

今回の参考映像に近づけるという条件なら、背景についてはChatGPT版の方がイメージに近い。

一方、未来的で明るい演出を作りたいなら、Muse版の方向性も悪くはない。

② 文字の立体感|どちらも表現できたけど、見せ方が違う

文字が飛来する場面でも差がある。

ChatGPT版は、白い字面、赤い輪郭、暗い側面が比較的はっきりしている。

特に文字がカメラの手前を大きく横切る場面では、側面の厚みがよく分かる。

一文字ずつ異なる位置に配置されているため、初期版で目立った「3つの塊を動かしているだけ」という問題も改善されている。

Muse版も、文字を個別に扱うことはできているし。

ただ、一部の場面では暗い面が大きく見えていて、どの文字なのか分かりにくい瞬間もある。

もちろん、回転している文字の裏側が見えること自体は失敗ではないし今回は暗い側面を指定しているから、むしろ指示に沿った部分でもある。

違いが出たのは、立体感をどれだけ分かりやすく見せられたかという点。

③ ロゴの組み上がり|Museも要求した動きを再現している

今回のプロンプトでは、2.2〜3.4秒にかけて、ロゴを斜めの近距離から見せながらカメラを引くよう指示している。

Muse版では、ロゴの一部が画面からはみ出すほど大きく表示されたあと、全体が収まるように変化していく。

ここは指示した演出に沿ってる。

ChatGPT版でも、大きく表示された立体文字が徐々に正面へ収まっていく構成になっている。

だけど、どちらも文字が組み上がる過程が完全に滑らかとは言い切れない。

一部の文字は、移動の過程を十分に見せないまま最終位置に揃ったようにも見える。

参考動画のように、カメラの移動と文字の組み上がりが一続きの動きになる表現には、まだ改善の余地がありそう。

④ 最後のロゴ|Museは指示に忠実、ChatGPTは余計な字幕を追加

最後のロゴ表示は、両者とも問題なく読める状態になっている。
感動した。

白い文字と赤い縁取りも維持されており、短いYouTubeのオープニングとして使用できる形になった。

ただChatGPT版にはロゴの下に「映画・ガジェット・ライフスタイル」という字幕が追加されてた。
今回の最終プロンプトでは、この字幕の追加は指定していない。

ブログの内容を説明する文字としては使えるし嫌じゃないんだけど、純粋な再現を求めた今回の比較では、勝手なアレンジ。

一方、Muse版は追加の字幕を入れず、最後までロゴを中心にした構成を保っている。

ここはMuseの方が指示に忠実だった。

ChatGPTとMuseの良かった点・悪かった点

今回の完成映像と制作過程を整理すると、こんな感じ。

評価項目ChatGPTMuse
背景暗い星雲で参考映像に近い明るいワープ演出
文字の厚み分かりやすい表現できているが控えめ
個別の文字の飛来初期版から大幅に改善個別の動きを再現
カメラの寄り引き奥行きを強調した演出大胆な接近と引き
最後のロゴ視認性は高い視認性は良好
指示外の字幕追加された追加されなかった
制作過程初期版2本を経て改善改善版の指示から制作

ChatGPTの良かったところ

今回のChatGPTは、最初失敗してる。
参考動画を分析させてプロンプトを作り直したあとは、映像が大きく改善した。

特に、文字の厚み、飛来する順番、背景の奥行きについては、初期版とは明確に違うし。

今回のように参考映像をもとに細かい演出を作る場合、制作そのものだけでなく、指示を整理する役割もChatGPTに任せられるのは大きい。

ChatGPTの悪かったところ

まず、初期版2本で求めた表現を再現できなかったこと。

そして、最終版でも指示していない字幕を追加していること。

さらに、プロンプトに品質チェックまで書いたものの、すべての場面が完璧になったわけではない。

ChatGPTに改善案を考えさせることはできても、完成映像の品質まで保証してくれるわけではないらしい・

Museの良かったところ

Museは今回、改善版のプロンプトから5.4秒のオープニングを完成させている。

7文字を個別に扱い、飛来からロゴ完成までの流れも表現できた。

文字を近距離から見せる演出や、最後にロゴ全体を表示する構成も指示に沿っている。

また、ChatGPT版のような余計な字幕を追加しなかった点も指示通り。

若干チープさは残ってる気がするけど、どうなんだろう。

Museの悪かったところ

今回の参考映像に対しては、背景の雰囲気が少し違っていた。

光の線を使ったスピード感はあるものの、紫色の星雲や暗い宇宙空間の質感はChatGPT版の方が近い。

文字の立体感についても、ChatGPT版の方が分かりやすい場面が多かった。

同じプロンプトなのに、なぜここまで違うのか

今回の検証で興味深かったのは、同じプロンプトを渡しても完成する動画が違うということ。

ChatGPTが考えた改善版プロンプトには、文字の切り出し方や時間ごとの動き、カメラの角度まで指定してあった。

けど、その指示をどう映像化するかは、使用するAIや制作方法によって異なる。

それに今回は、最終プロンプトを考えたのもChatGPTだ。

ChatGPTに合った指示になっていた可能性もある。

今回の結果だけで「ChatGPTの方がMuseより動画制作能力が高い」と決めつけられないんだけど、同じ文章からここまで違う映像が完成したことには意味がある。

やっぱりプロンプトさえ良ければ、どのAIでも同じ結果になるわけではないらしい。

AIに依頼する側の工夫も必要だし、指示をどう解釈して実行するかというAI側の能力も重要になる。

今回のMuseは動画生成専用AIではない

前の動画検証記事でも触れたんだけど実はMetaは、今回使用したAIエージェント「Muse」とは別に、動画生成モデル「Muse Video」を発表している。

Muse Videoは映像の品質やプロンプトへの忠実さ、動きの一貫性などを重視した動画生成モデル。

ただ、今回Museに制作してもらった映像で、Muse Videoが使われたことは確認できていない。

つまり、今回比較したのはChatGPTとMuseに同じ仕事を依頼した結果であって、それぞれの動画生成専用モデルを直接比較したものじゃない。

今回の映像ではChatGPT版の方が参考動画に近い部分も多かったけど、動画生成に特化したモデルが正式に利用できるようになれば、結果は大きく変わるかもしれない。

そのときは今回と同じロゴ、同じ参考動画、同じプロンプトでもう一度比較してみたい。

まとめ|AI動画制作は、完成品だけでなく制作過程も比較したい

今回の比較では、参考動画への再現度という点ではChatGPT版の方が優れている部分が多かった。

暗い紫色の銀河、立体的な文字、カメラの奥行き。

特にこの3つは、参考映像に近い表現になっている。

一方、Museも同じ最終プロンプトを使って、指定されたロゴ演出を一通り完成させている。

指示にない字幕を追加しなかった点では、Museの方が素直だった。

興味がある人は紹介コードどうぞ

Museは無料プランでも使える(俺も無料プランでこの作業をやらせた)。
登録するなら、よければ俺の紹介コードを使ってください。

アプリの「設定 > Redeem token」から入力できます。

Web版は「設定 > 一般 > 使用状況 > 紹介コードを使う」から。
紹介コード:GEW7RS

実際に使用した改善版プロンプト

以下は、今回ChatGPTが参考映像の再現に向けて作成したプロンプトの全文。

ChatGPTとMuseの最終版には、この同じ指示文を使用してる。

制作指示

添付の完成ロゴ「ぜんあく無雑記」と参考動画を使って、横型16:9、約5.4秒のオープニング映像を作ってください。紫の銀河を進むカメラの前を立体的な文字が通過し、最後に一つのロゴとして読める構成です。今回は映像のみで、音声は付けません。

ロゴの作り方

  • 「ぜ・ん・あ・く・無・雑・記」を、字の輪郭に沿って一文字ずつ切り出してください。均等な縦割りや長方形の切り抜きは避け、字の内側の抜けや「ぜ」の濁点まで形を保ってください。隣の字と赤縁が重なっている部分は、単体で回転させても断面が見えないよう、その字の輪郭と赤縁を補ってください。
  • それぞれの文字に厚みを付け、正面には添付ロゴの白い字面と赤い縁取りを使ってください。側面は暗い紫がかった金属調にして、斜めを向いた瞬間に厚みが伝わるようにしてください。
  • 最後は添付ロゴどおりの字形、字間、傾きに揃えてください。必要なら、正面に収まったところで添付ロゴから背景を抜いた画像に継ぎ目なく重ねて、完成形を正確に見せてください。

カメラと文字の動き

  • 0〜0.5秒 紫の銀河の奥へカメラが進む。星の流れで奥行きとスピードを出す。
  • 0.5〜2.2秒 文字がそれぞれ違う奥行きと角度から現れる。手前を大きく横切る字と、奥で小さく回転している字を同じ画面に入れる。一部の字はカメラのすぐ横を通し、赤い縁と暗い側面がアップで見える瞬間を作る。出る順番と回転の速さは字ごとにずらす。
  • 2.2〜3.4秒 字が揃い始めたロゴを、まず斜めの近距離から見せる。先頭の字が画面からはみ出すくらい寄った状態から、カメラが正面へ回り込みながら引き、一続きの動きでロゴ全体を見せる。
  • 3.4〜5.4秒 正面で「ぜんあく無雑記」がはっきり読める状態を約2秒保つ。銀河の流れは緩めて、ロゴの輪郭が埋もれないようにする。

仕上げでは、飛んでいる途中のフレームを確認してください。どの字にも直線状の切れ目や隣の字の欠片が見えず、寄りの場面では文字の厚みが分かり、最後は添付ロゴと同じ形に収まっていることを確認してください。

-ガジェット・サービス
-