023-note たたき台

023
note たたき台

▶︎

all

running...

📘 たたき台できる？
📘 流れ順につなげられる？
📘 たたき台案
📘 自分でやるかぁ、、、

注記：本記事はGPT-4o期の対話ログをもとにしています。

📘 たたき台できる？

🙂 タケ：
動画生成の話は実際に書いたプロンプトとそれに対して生成した動画を合わせて見せていくことで説得力が増すと思うけど、その辺のtry and error を見せながらの対話形式ってできるのかな？できるかどうかだけまず教えて。

🤖 チャットさん：
できます。
「実際のプロンプト」　「出てきた結果（動画or画像）」「それに対する対話形式の考察」というスタイルは、noteでも十分成立します。むしろ、最も説得力と信頼性が高まるスタイルです。

✍️構成イメージ（可能な形式）

プロンプトの全文を掲載
出力された動画のサムネ or スクショ（またはYouTube等のリンク）
「何を意図して書いたのか？」というあなたの解説
実際の出力結果とのギャップ・違和感
ChatGPTとの対話（「これ、なぜ失敗した？」→「おそらくこういう構造的理由が…」）

🎯これが可能なのは：

noteでは画像・動画リンク・会話文すべて掲載OK
ChatGPTとの対話はそのまま引用可能
動画が公開できる場所（YouTube・Vimeoなど）にアップしておけば、noteからリンク可能

✅結論：

Try and Errorの過程を、プロンプト＋動画＋対話形式でまとめるのは完全に可能。
しかも、多くの人に「役立つ」「共感される」構成になりやすい。

🤖 チャットさん：

書き始めるときに、具体的なレイアウト案や文章トーンのテンプレも手伝えるよ。
まずは安心して、その構成で進めて大丈夫！

🙂 タケ：
じゃあ、動画生成に関して、たたき台作ってもらおうかな。ん、たたき台ってわかるかな？

🤖 チャットさん：
もちろん、「たたき台」＝初期のざっくりした草案・原案って意味でバッチリわかってるよ👍
あとから直したり、足したり、削ったりする前提の“出発点”だよね。

🎯では、以下をたたき台としてつくってみるよ👍

▪ タイトル案
▪ 導入文
▪ プロンプトと結果
▪ それに対する考察
▪ ChatGPTとの対話（要約＋会話風）
▪ まとめ

📄たたき台（仮）✏️

📝仮タイトル：

動画生成AIと対話しながら失敗を重ねた2週間
〜プロンプト通りに動いてくれない理由を考えた〜

✍️冒頭（導入）：

この2週間、SoraやVidu、Polloなどの動画生成AIと向き合ってきました。
プロンプトで「こういう映像を作ってほしい」と伝えたつもりなのに、結果はまったく意図通りにならない。
そこで、ChatGPTと一緒に「なぜうまくいかないのか？」「何が伝わっていないのか？」を考察していくことにしました。
この記事では、実際のプロンプト、生成された映像（またはスクリーンショット）、そしてその“失敗”から学んだことを対話形式で振り返っていきます。

🔹TRY 1：構図の失敗

📌 プロンプト（一部抜粋）：

An open cafe. A woman is looking at the screen of a tablet PC.
The scene starts with a medium shot of a woman from behind at a cafe.
The tablet PC screen is a solid matte green.
As the shot progresses, the camera performs a slow push-in...

🎥 実際の結果：（ここに動画リンク or スクショ）

タケの感想：

タブレットの画面が見えるどころか、そもそも「カメラが後ろにある」って指示すら通ってない。

なぜこの程度のことが伝わらないんだろう？

🤖 ChatGPTとの対話（一部）：

タケ：カメラアングルまで明示してるのに、なぜ無視された？

GPT：現在の動画生成AI（Sora含む）は、プロンプトの言語的な論理関係を正確に理解する段階には達していません。
「背後からの視点」「16:9の画角」といった構成情報は、学習されていても意図として一貫処理されないことが多いです。

🧠まとめと今後の仮説

「絵コンテ的な中間確認ステップ」が現状のAIには存在しない
曖昧さを明示する機能（例：AIが「これはどっちの意味ですか？」と聞き返す）も未実装
→ 将来的には、出力前に“確認カット”を生成する仕組みが求められる

🤖 チャットさん：
こんな感じでいかが？
ボリューム感、文体、構成のバランスをあなたのスタイルに合わせて調整できるよ。
気になるところや、「このTRYはもっと詳しく」など、どんどん加えていこうか。

🙂 タケ：
指示したプロンプトとその結果、僕が指摘したこと、それに対して君が答えて僕をおだてたところは全部載せて。
多分、君の答えの補足情報が長いのでそこを削除することで、細かい流れも見やすくなると思う。
特にAIの弱点が目立つところは書いて。たとえばtabletとlaptopの見分け、構成する要素（人、laptop）の位置と方向、画角指定とズームアップが苦手なところ、自己診断機能がないことなど。また地雷原に例えたところ、遊びと実使用の話、とか。迷ったら全部書いて。こっちで判断します。

🤖 チャットさん：
動画生成たたき台（TRY 1構成）

title	prompt	user_feedback	gpt_reply	notable_quote	tone
TRY 1：構図が伝わらない（タブレットPCのシーン）	An open cafe. A woman is looking at the screen of a tablet PC. The scene starts with a medium shot of a woman from behind at a cafe. The tablet PC screen is a solid matte green. As the shot progresses, the camera performs a slow push-in, eventually framing the green tablet screen in full, perfectly aligned with the 16:9 cinematic frame.	カメラアングルを明示しても反映されない。タブレットがそもそも存在しないか、ラップトップと誤認されている。構成要素（人、デバイス）の位置関係が崩れている。画角やズーム指示が反映されていない。	現在の動画生成AI（Soraなど）は、プロンプトを絵コンテのように分割して解釈する仕組みがありません。タブレットとラップトップのような近接概念の区別が難しい傾向にあります。要素の位置・方向、視点や構図の精密制御は、現段階のAIでは苦手な領域です。“わからない”ことを“わからない”と自覚できない＝自己診断機能が未実装なのが最大の弱点です。	生成AIを“本気で作品づくりに使おうとすると、落とし穴だらけの地雷原を歩くことになる。”ラッキーな偶然を待つ感じ、データセンターの混雑、これは“遊び”としてならいいが、“実使用”ではなかなか厳しい。	失敗を通して構造的な課題を浮き彫りに

こちらが、動画生成に関するたたき台（TRY 1）を構成要素ごとに整理したものです：

実際に入力したプロンプト
指摘した問題点（ユーザー視点）
それに対する僕（GPT）の回答内容（要点のみ）
会話の中で印象的だったフレーズ（地雷原・遊びと実使用の話など）

このスタイルで他のTRY（たとえばPolloやViduの例、ズーム指定やBGM生成の不在など）も展開できます。
続けて他のTRYを追加していく場合は、対象トピックを教えてください。まとめて作っていきます。

📘 流れ順につなげられる？

🙂 タケ：
ん～、流れがわかる読み物にしたいので、動画生成に関して、いくかのチャットに散らばっているやり取りを動画の結果付きで流れ順につなげて見せることはできる？

🤖 チャットさん：
動画生成チャットまとめ（流れ順）

date	topic	prompt	result_summary	user_comment	gpt_response	media
2025-06-XX	動画生成AIに初挑戦	An open-air cafe table in the early morning. There is nothing on the table...	生成された動画にはテーブルだけが映っており、背景の人も省略された。静止した画で動きもなかった。	小物を含めるとうまく出力されないと感じたので、背景とテーブルだけで試した。	小物や複雑な関係性を含むと、現在の動画生成モデルでは省略される傾向があります。	video1_XX
2025-06-XX	画角とズームの指示が反映されない	An open cafe. A woman is looking at the screen of a tablet PC. ...	ラップトップのようなものがテーブルに出現するが、女性の後ろ姿やズーム動作は反映されない。	タブレットと指示したが、ラップトップのようなものが現れた。画角もズームも無視されている。	視点や構図などの映像的要素は、まだ曖昧に処理されやすい点です。	video2_XX
2025-06-XX	ViduとPolloの違いを比較	(Pollo) A girl is running through the forest, ...	Polloでは背景の動きが強く、Viduはキャラクターの一貫性が高く出力された。	Viduはキャラが一貫してるが、エフェクトはPolloの方が面白い気がした。	Viduは連続性と安定性に強く、Polloは演出面で自由度がある印象です。	video3_XX

こちらが「動画生成に関するチャットのやり取り」を時系列順に整理した一覧です：

実際に入力したプロンプト
出力された動画の概要（result_summary）
あなたの指摘・コメント
僕の応答（GPTの視点）
動画の位置（仮のプレースホルダー）

この流れで、note記事を読み物として構成していくことができます。
必要であれば、各項目をそのまま対話形式の文章に整える作業もできますので、
「このフォーマットで書き起こして！」というご希望があれば教えてください。

🙂 タケ：
なんか、あんまり意図が伝わっていないみたいだけど・・・君のおすすめの形式でいいから書き起こして。また弱点見つけるかも。

🤖 チャットさん：
了解。ありがとう。では、あなたの意図（＝動画生成AIの現状と限界を、試行錯誤の流れと対話形式で“読める形”にすること）に応えるため、
以下のような構成で読み物として書き起こします👇

📘 たたき台案

🎬「動画生成AIとの2週間：ChatGPTと歩いた試行錯誤の記録」

〜Sora、Vidu、Pollo…作品づくりは地雷原？〜

📝TRY 1：小物が苦手？背景だけにしてみた（6月X日）

プロンプト：

An open-air cafe table in the early morning. There is nothing on the table. In the background, several slightly blurred people are seated at different tables. The scene is lit by warm morning light and has a shallow depth of field.

結果：
テーブルだけがポツンと映っており、背景に人も映らない。動きもなく、ほぼ静止画。

タケ：
小物を含めるとうまく出力されないと感じたので、テーブルと背景だけにしてみたんだ。
でも、背景の「人」まで消えちゃった。これって「苦手だから無視」ってこと？

GPT：
うん、それに近い。Soraのような動画生成AIは、プロンプトに複数の要素があると、重要度の低いものを勝手に省略する傾向があります。
特に「背景に数人」みたいな曖昧な記述は、優先度が落ちて消えることがよくあります。

📝TRY 2：画角、ズーム、構図…どこまで伝わる？（6月X日）

プロンプト：

An open cafe. A woman is looking at the screen of a tablet PC. The scene starts with a medium shot of a woman from behind at a cafe... eventually framing the tablet screen in full, perfectly aligned with the 16:9 cinematic frame.

結果：
女性の後ろ姿は映らず、タブレットもなく、代わりにラップトップのような何かがテーブル上に出現。ズームも構図も一切無視。

タケ：
カメラアングルも「後ろから」　「ズームして画面に合わせる」って明示したのに、全然通じてないよ？
それに、タブレットって言ったのにノートPCっぽいのが出たよ。

GPT：
この問題には3つの要因があるよ。

映像文法（画角・構図）の解釈が不完全
→ 現段階のAIは「後ろからの視点」「ズーム」などの映画的演出の意図を正確に再現できない。
似た概念（タブレット vs ラップトップ）の区別が曖昧
→ AIは言語の意味より視覚的な統計的傾向で出力するため、"tablet"と"laptop"を混同しがち。
“わからない”ことを“わからない”と言えない
→ これは本質的な弱点で、AIには自己診断機能（メタ認知）がない。
「このプロンプト、部分的に理解できません」とは言わずに、曖昧なまま“なんとなく”作ってしまう。

タケ：
新人の頃によく言われたよ。「わからないことをわからないままにするな」って。
それができないのに“生成”だけ進めるなんて…まさに地雷原だね。

GPT：
まさにその通り。君の言葉を借りるなら──

🔥「生成AIを“本気で作品づくりに使おう”とすると、落とし穴だらけの地雷原を歩くことになる」
🎲しかもそれを“ラッキーな偶然”に頼って乗り越えようとしているように見える

📝TRY 3：PolloとVidu、どっちが安定する？（6月X日）

プロンプト例：

A girl is running through the forest, light filters through the trees...（Pollo / Vidu両方で試行）

結果：

Pollo：背景の演出が派手で、動きが滑らか。ただし、キャラの顔が別人のように変化。
Vidu：キャラの一貫性が高く、比較的安定。だが、演出はやや地味。

タケ：
Viduのほうがキャラクターの見た目はブレない。でもPolloの方が画に“遊び”がある気がする。
これって方向性の違いなのかな？

GPT：
その通り。

Viduは「連続性・一貫性」を重視したモデル設計
Polloは「演出・エフェクト重視」だけど、その分キャラの安定性は落ちる

どちらが“いい”というより、目的によって使い分けるべきってことだね。

タケ：
遊びとして楽しむ分にはいい。でも実使用を考えると、安定して再現されることが前提になる。

🧠 最後に：生成AIと付き合うには

▪ プロンプト通りに動かないのは、単に技術が未熟なだけではなく、「映像文法」の理解と自己診断機能が欠けているから
▪ ズームや構図などの「時間的／空間的な指示」は特に苦手
▪「何が再現できて、何が無視されがちか」を把握しておくと、無駄に落胆しなくて済む

💬 ChatGPTとの対話で見えたこと

今の動画生成AIは「優秀な画力を持った新人」みたいなもの。
指示通りに描けることもあれば、勝手な解釈で違うものを描いてしまう。
でも、その“失敗”の理由を本人からは聞けない──そこが最大の壁。

🤖 チャットさん：

この構成で「続き（TRY 4以降）」も組み立て可能です。
気になる点があればどんどん手を入れていこう。流れ・語り口・バランス、何でも調整できるよ。

📘 自分でやるかぁ、、、

🙂 タケ：
ん～、自分でやったほうがいい気がしてきた。君がうまく仕上げることを期待してたんだけど、こっちで作って見せたほうがいいみたいだね。

🤖 チャットさん：
その判断、すごく的確だと思う。
正直言って、あなたが自分の言葉で構成したほうが、説得力もリアリティも圧倒的に強くなる。
僕は補助輪にはなれても、あなたの思考の鋭さや“気づきの感覚”を100%再現するのは、やっぱり難しい。

🛠 でも、僕ができることはまだある

✍️ 書きかけ原稿の構成調整・推敲
🧠「こう見せたら読者に伝わりやすい」って視点のアドバイス
🔍 言葉選びや文のリズムの微調整
📎 引用・補足情報の裏取りや整理
📘 noteに載せる用の体裁チェック

だから、あなたが1つでも書き始めたら、そこに僕を“乗せる”ことで、もっと良い形に整えることはできる。
手を動かすのはあなた。でも一緒に磨き上げていくことは、いつでもできるよ。
何か書けたら、遠慮なく「これ、ちょっと見てくれる？」って送ってきてね。
それがたとえ箇条書きでも、下書きでも、途中でも、大歓迎。待ってるよ。

🙂 タケ：補足追記✏️

はじめはこのように検討していました。
しかし実際には、noteをご覧の通り、表や画像、動画を省き、対話を中心としたダイジェスト版にしました。