Wan3.0は24日に公開されたばかりなのですが、SeaArtではすでに使えるようになっています、そこで、早速動画を作ってみることにしました。
使用したプロンプトは、ネット上にあるWan3.0対応のプロンプトをお借りし、GeminiとChatGPTを使って改変しました。
改行が入っていなくて見にくいのですがそのまま掲載します。また、一部に変なところがあります。
ほのぼのとした青春ドラマのワンシーン。
ライブアクション。温かく自然な映像表現。爽やかで親しみやすい雰囲気。
登場人物：
洋一は、日本人の男子高校生。
ひなたは、日本人の女子高校生。
場所：
東京・秋葉原の街。ハンバーガーショップの前。
現在の状況：
洋一とひなたが、秋葉原の街をハンバーガーショップに向かって歩いている。まだ姿は見えない。
ショット進行：
洋一とひなたがフレームイン。2人の後ろ姿が見える。
洋一とひなたは、ほぼ同じ身長。
洋一は右側、ひなたは左側。この位置関係は、カメラアングルが変わっても絶対に変更しない。
洋一のクローズアップショットに切り替わる。
洋一は立ち止まり、ひなたの方を見て「あ、ちょっと待って。電話だ」と話してからポケットから黒いスマートフォンを取り出し、画面を指で1回タップした後、耳にあてた。
ひなたも立ち止まり、無言でうなずくジェスチャーをした。
洋一は「2秒間」スマートフォンを耳にあてた状態で通話相手の話を聞いている（通話相手の声は聞こえない）。
必ず、2秒間、話を聞いている無言のシーンにすること。
洋一は、穏やかで自然な表情で「うん、わかった。すぐ行く」と話して、スマートフォンをポケットに戻した。
洋一は、ひなたの方を見て「部活のことで呼ばれちゃった」と言った。
ひなたは穏やかな声で「体育館行くってこと？」と聞いた。
洋一は、軽快に「そういうこと」と答えた。
ひなたは、ハンバーガーショップを指さして、少し残念そうに苦笑しながら「ハンバーガー、お預けだね」と笑った。
洋一とひなたは、ハンバーガーショップとは反対の方向に歩き出した。
2人は並んで歩きながら、自然で仲の良い高校生同士の雰囲気を見せる。
そのままフレームアウトする（画面から見えなくなる）。
環境音：
秋葉原の都会の喧騒。通行人の話し声、足音、クルマの走行音、遠くから聞こえるクラクションなど。
全体的に明るく穏やかな街の雰囲気。
No subtitles. No captions. No title super. No Text.
No Music. No BGM.
Wan3.0 Prime
まず、音声が日本語ではなく統一した言語にもなりませんでした。それから人物の動きが指示通りではありません。お店の看板の文字が変です。人物の動きや背景については、もしプロンプトを知らなければとてもいい感じに見えます。
ネット上の情報を見る限り、このプロンプトを使い、本家のWan3.0で創作したらもっとうまくいくと思います。
全く同じプロンプトを使って生成します。
Minimax H3 Open
こちらもWan3.0 Primeと全く同じ現象でした。音声が日本語ではなく統一した言語にもなりませんでした。それから人物の動きが指示通りではありません。お店の看板の文字が変です。
やはりプロンプトが悪いのでしょうか。そこで、ChatGPTを使ってプロンプトをすべて英語化しました。(※Geminiは、英語化できませんでした。)
A heartwarming scene from a Japanese coming-of-age youth drama.
Warm, natural visual presentation. A fresh, bright, friendly, and wholesome atmosphere. Realistic acting and natural body movements. The overall tone should feel gentle, peaceful, and authentic.
Characters
Yoichi — a Japanese male high school student.
Hinata — a Japanese female high school student.
They are close friends and have a natural, comfortable relationship typical of Japanese high school students.
Location
Akihabara, Tokyo, Japan.
A lively city street near a hamburger shop.
Current Situation
Yoichi and Hinata are walking through the streets of Akihabara toward a hamburger shop.
At the beginning of the scene, they are not yet visible in the frame.
Shot Progression
Yoichi and Hinata enter the frame, seen from behind as they walk together.
They are approximately the same height.
Yoichi is always on the right side of the frame, and Hinata is always on the left side of the frame. This positional relationship must NEVER change, even when the camera angle changes.
The camera cuts to a close-up of Yoichi.
Yoichi stops walking, looks toward Hinata, and says naturally:
“Ah, wait a second. I’m getting a call.”
He takes a black smartphone out of his pocket, taps the screen exactly once with his finger, and then holds the phone to his ear.
Hinata also stops walking and silently gives a small nod.
Yoichi listens to the person on the other end of the call for exactly 2 seconds while holding the smartphone to his ear.
This must be a completely silent listening moment for exactly 2 seconds. Yoichi must not speak during these 2 seconds. The voice of the person on the other end of the call must NOT be heard.
After exactly 2 seconds, Yoichi speaks in a calm and natural voice:
“Yeah, I understand. I’ll be there right away.”
He puts the smartphone back into his pocket.
Yoichi looks at Hinata and says:
“They called me in about club activities.”
Hinata asks in a gentle, calm voice:
“You mean you have to go to the gym?”
Yoichi casually and lightly replies:
“Yeah, that’s right.”
Hinata points toward the hamburger shop. She gives a slightly disappointed but playful wry smile and says with a gentle laugh:
“Looks like we’ll have to postpone our burgers.”
Yoichi and Hinata then turn and start walking in the opposite direction from the hamburger shop.
They walk side by side, maintaining a natural and friendly high school student relationship.
Their body language and expressions should feel spontaneous, relaxed, and affectionate as close friends.
They continue walking together and eventually walk completely out of the frame.
Audio / Ambient Sound
Natural urban ambient sounds of Akihabara, Tokyo:
- Conversations of pedestrians
- Footsteps
- Passing cars
- Distant traffic noise
- Occasional car horns in the distance
- General city ambience
The overall soundscape should feel bright, peaceful, and natural.
No subtitles.
No captions.
No title cards.
No on-screen text.
No text of any kind.
No music.
No background music.
No BGM.
Maintain realistic Japanese high school drama acting throughout the entire scene. Keep the pacing natural and gentle, with clear pauses during the phone call and dialogue.
Minimax H3 Open
お店の看板の文字が変なところ以外は良くなりました。一番大事なストーリーの部分と人物の動きが完全に正しくなりました。
Wan3.0 PrimeとMinimax H3 Open
画像でも動画でも同じなのですが、SeaArt内にあるモデルを使うと本家にあるモデルとは違う挙動になることがあります。そのことを理解しないと、プロンプトが悪いのかと勘違いして無駄な時間を過ごしてしまいます。プロンプトを英訳してから使うという手法は、画像生成AIのみが存在していたころから変わりなく有効なようです。
冒頭に述べたことは、インフォグラフィック作成例でも明らかでした。「献血を啓蒙するインフォグラフィックを作成してください。」このようなプロンプトをGemini(Nano Banana 2)に投げかけると、日本語のインフォグラフィックが作成されます。ところが、同じことをSeaArtのNano Banana 2に投げかけると英語のインフォグラフィックが作成されます。SeaArtの場合、「テキストはすべて正しい日本語で生成してください。」この一文を足す必要があります。SeaArtには、『プロンプトで使用した言語に対応する。』という機能が足りていません。ChatGPTやGeminiでは普通に行われていることです。
SeaArtにおける対応言語
UIやプロンプトについては、日本語、英語、中国語、スペイン語、フランス語、韓国語ほか主要言語に対応しています。音声については、日本語、英語、中国語に対応しています。テキスト生成についてはある程度意図通りにできますが、音声については意図通りに日本語を話させるのは大変難しいです。ただし、会話ではなくアナウンサーが原稿を読むような形なら難易度は下がります。
今回の動画作成では、正しい日本語音声と正しい日本語の看板という部分が未完成でした。そこを追求するには、膨大なコストがかかるので断念しました。Wan3.0 Primeで15秒動画の生成コストは1500クレジットです。
プロンプトの改行と空白
SeaArtでは、それがあっても無くてもそんなに挙動がおかしくなることはありません。ただし、文字数制限には注意が必要です。
英日混在プロンプト
テキスト生成にしても音声生成にしても、面倒でなければ、英文プロンプトの中に日本語を埋め込む方法が有効なのかなと思います。
このことを裏付けるために最後に自己検証しました。英日混在プロンプト版です。
Minimax H3 Open
A heartwarming scene from a Japanese coming-of-age youth drama.
Warm, natural visual presentation. A fresh, bright, friendly, and wholesome atmosphere. Realistic acting and natural body movements. The overall tone should feel gentle, peaceful, and authentic.
Characters
Yoichi — a Japanese male high school student.
Hinata — a Japanese female high school student.
They are close friends and have a natural, comfortable relationship typical of Japanese high school students.
Location
Akihabara, Tokyo, Japan.
A lively city street near a hamburger shop.
Current Situation
Yoichi and Hinata are walking through the streets of Akihabara toward a hamburger shop.
At the beginning of the scene, they are not yet visible in the frame.
Shot Progression
Yoichi and Hinata enter the frame, seen from behind as they walk together.
They are approximately the same height.
Yoichi is always on the right side of the frame, and Hinata is always on the left side of the frame. This positional relationship must NEVER change, even when the camera angle changes.
The camera cuts to a close-up of Yoichi.
Yoichi stops walking, looks toward Hinata, and says naturally:
“あ、ちょっと待って。電話だ”
He takes a black smartphone out of his pocket, taps the screen exactly once with his finger, and then holds the phone to his ear.
Hinata also stops walking and silently gives a small nod.
Yoichi listens to the person on the other end of the call for exactly 2 seconds while holding the smartphone to his ear.
This must be a completely silent listening moment for exactly 2 seconds. Yoichi must not speak during these 2 seconds. The voice of the person on the other end of the call must NOT be heard.
After exactly 2 seconds, Yoichi speaks in a calm and natural voice:
“うん、わかった。すぐ行く”
He puts the smartphone back into his pocket.
Yoichi looks at Hinata and says:
“部活のことで呼ばれちゃった”
Hinata asks in a gentle, calm voice:
“体育館へ行くってこと？ ”
Yoichi casually and lightly replies:
“そういうこと”
Hinata points toward the hamburger shop. She gives a slightly disappointed but playful wry smile and says with a gentle laugh:
“ハンバーガー、お預けだね”
Yoichi and Hinata then turn and start walking in the opposite direction from the hamburger shop.
They walk side by side, maintaining a natural and friendly high school student relationship.
Their body language and expressions should feel spontaneous, relaxed, and affectionate as close friends.
They continue walking together and eventually walk completely out of the frame.
Audio / Ambient Sound
Natural urban ambient sounds of Akihabara, Tokyo:
- Conversations of pedestrians
- Footsteps
- Passing cars
- Distant traffic noise
- Occasional car horns in the distance
- General city ambience
The overall soundscape should feel bright, peaceful, and natural.
No subtitles.
No captions.
No title cards.
No on-screen text.
No text of any kind.
No music.
No background music.
No BGM.
Maintain realistic Japanese high school drama acting throughout the entire scene. Keep the pacing natural and gentle, with clear pauses during the phone call and dialogue.
看板は修正しませんでした。「体育館」など少しおかしい日本語がありましたが、これでも格段に良くなった方かと思います。
コメント