AIでMV・CMを作る｜曲・歌声・ナレーションまで1回の生成で出す

AIでMVを作るには、曲の雰囲気・歌詞・歌う人の見た目・カメラの流れを1つの文章に書き、音声付きで生成できる動画モデルに渡します。この記事では、DomoAIでSeedance 2.5を使い、曲と日本語の歌声まで入った30秒のMVを2本と、ナレーション入りの15秒の縦型CMを1本作った作例を紹介します。

AIでMVを作ろうとすると、曲は作曲ツール、映像は動画ツールと分けて作り、あとで合わせる手順を思い浮かべがちです。歌詞どおりに歌わせられるのか、カメラワークをどこまで文章で指定できるのかは、実際に作ってみないと分かりません。

この記事では、送ったプロンプトの全文と設定、かかったクレジット、指示どおりにならなかった点をそのまま載せます。生成は2026年10月17日に行い、画面の項目とクレジットはその日に確認したものです。同じSeedance 2.5で作ったショートドラマと動画バナーはSeedance 2.5の作例にまとめています。

結論｜曲・歌声・カメラワークまで30秒1本で出た

Seedance 2.5は、文章で書いた曲調・日本語の歌詞・カメラの流れから、曲と歌声の入った30秒のMVを1回の生成で作りました。2本とも、聴いて確かめたところ指定した歌詞どおりに歌っていました。CMでは、読み間違えたナレーションをひらがなに書き換えると正しく読みました。

どれも1回ずつの結果です。同じプロンプトで毎回同じように出るとは限りません。場面ごとに確実に作りたい場合は、AI動画のカット割りの作り方のように1シーンずつ生成してつなぐ方法が向いています。

作例1：文章だけで作ったロックMV「ネオンスタティック」

夜のビルの屋上で、女性ボーカル2人とバンドが演奏する30秒のロックMVです。画像は使わず、曲調・歌詞・2人の見た目・カメラの流れをすべて文章で書きました。曲も歌声も、外部の作曲ツールは使わずSeedance 2.5に生成させています。

設定

DomoAIのオムニリファレンスでは、初期状態でSeedance 2.5が選ばれています。参考素材を入れなければ、文章だけで動画を作れます。料金とクレジットの仕組みはDomoAIの料金とクレジットの解説にまとめています。

送ったプロンプト

2人の見た目と声、曲のテンポとジャンルを先に書き、そのあとにカメラの流れと歌詞を時間の順に並べました。歌詞は「」で全文を入れています。

横長16:9のロックバンドのミュージックビデオ、1曲を通して見せる30秒。夜の都会のビルの屋上、ぼやけたネオンの光と薄いもや、後ろにギター・ベース・ドラムのバンド。ボーカルAは20代前半の日本人女性で、あご下までの銀色のボブ、黒のレザーライダースジャケットに黒のタンクトップ、低くハスキーな声。ボーカルBは20代前半の日本人女性で、胸下までの黒髪ストレートロング、白のオーバーサイズシャツにシルバーのチェーンネックレス、高く澄んだ声。音楽はテンポ150の日本のオルタナティブロック。歪んだギターのリフ、力強いドラム、うねるベース。最初はギターのリフだけが鳴り、ドローンのカメラがネオンの細い路地を高速で抜けてビルの壁を駆け上がり、屋上の2人とバンドが見える。カメラは下からAの周りを半周回り込み、Aが日本語でこう歌う：「錆びたフェンス越し 消えかけの信号 誰かの正解なんて もう聞き飽きた」次にカメラは横に並んで、屋上の縁を歩くBを追い、Bが水たまりを蹴って歌う：「ヒールで蹴った 水たまりの月 ほどけた心拍が ビートに変わる」カメラが素早くAへ振られてAが「黙って」、Bへ振り戻されてBが「見てて」、一気に引いて2人で「ここから鳴らすよ」。サビで音が厚くなり、並んだ2人が髪をなびかせてハモる：「ネオンスタティック 夜を裂いて かすれた声で 地図を描く きれいじゃなくて かまわない ふたりのノイズで 朝を呼べ」カメラは低い位置から寄り、クレーンで真上へ上がって街に囲まれた2人を見下ろす。最後はAの顔へ一気にズームし、Aが「まだ終わらない」と叫んで、最後のリフで演奏が止まる。加工感のないリアルな質感。画面に文字・字幕・ロゴは入れない。

歌詞は30秒に対してかなり長めです。どこまで詰め込めるかを確かめる意味もありました。

歌詞どおりに歌い、口の動きもずれなかった

聴いて確かめたところ、「」で書いた歌詞を最初から最後までそのとおりに歌い、音と口の動きのずれもありませんでした。2人の声も、Aは低くハスキー、Bは高く澄んだ声と書いたとおりに分かれています。

曲はテンポ150のオルタナティブロックとだけ指定しました。歪んだギターから始まり、サビで音が厚くなる構成も、プロンプトに書いた順番どおりです。

カメラの流れは8つのうち5つが指示どおり

文章で並べた8つのカメラの流れのうち、5つは指示どおりに出て、3つは弱めでした。1秒ごとのコマを書き出して確かめています。

指示と違ったところ

• A「黙って」B「見てて」の掛け合いは、それぞれのカットにならず、約1秒の流し撮りのブレに圧縮された
• クレーンで「真上へ」と書いたが、高い位置からの俯瞰で止まった
• アップのカットではマイクが映らない

短い掛け合いを細かく振り分けたり、真上から見下ろしたりする指定は、30秒に多くの流れを詰めると弱くなる傾向がありました。ショットの呼び方とプロンプトでの書き方は動画のショットの種類一覧にまとめています。

作例2：静止画1枚から作ったガールズバンドMV「ソルティ・ブルー」

夏の海沿いの道路で、ギターとベースの2人が歌う30秒のMVです。ChatGPTで作った静止画1枚を最初のフレームにして、曲・歌声・カメラワークはSeedance 2.5に生成させました。

最初のフレームはChatGPTで作った

最初の静止画は、DomoAIの画像生成で3枚作ってから、ChatGPTに切り替えて作り直しました。DomoAIの画像は雰囲気は出ましたが、人物の顔立ちが狙いと合わず、顔だけを直す編集もほとんど効かなかったためです。

ChatGPTには、背景（青空・海・小島・オレンジ色のカーブミラー）、2人の髪色と服、背中合わせの立ち位置、楽器を文章で頼みました。画像の中には文字を入れないよう指定しています。この画像が、この記事のアイキャッチでもあります。

設定

送ったプロンプト

冒頭で「画像1は最初のフレーム」と書き、最後まで保つものを並べました。そのあとは作例1と同じく、曲調・カメラの流れ・歌詞を時間の順に書いています。

画像1は最初のフレーム。2人の顔・髪型と髪色・メガネ・服・楽器は最後まで画像1のまま保つ。横長16:9のガールズロックバンドのミュージックビデオ、晴れた夏の昼間の海沿いの道路。ピンクの髪の女性は明るく伸びる声で赤いギターを弾きながら歌い、ミントグリーンの髪の女性は透明感のある澄んだ声でベースを弾きながら歌う。音楽はテンポ170の爽やかな日本のギターロック。きらきらした歪みギター、軽快なドラム、躍るベース。最初は画像1の構図のままギターのリフが鳴り、そこからカメラが背中合わせの2人の周りを時計回りに360度ぐるりと一周回り込み、その間にピンクの髪の女性が日本語でこう歌う：「ブレーキなんて いらない夏だ ミラーに映る 知らない私」次にカメラは低い位置からベースを弾く手元を映し、ミントグリーンの髪の女性の顔へゆっくり見上げるように上がり、彼女が歌う：「潮風に溶かした ため息も 低い音で 空まで飛ばせ」サビで音が一気に広がり、ドローンのカメラが後ろの上空へ一気に引き上がって、海と小島と海沿いの道路で演奏する2人を見下ろし、2人が声を合わせて歌う：「ソルティ・ブルー 鳴らして走れ 背中合わせで 同じ空を見て 青いままで いいんだよ 夏が終わる前に 叫べ」最後はカメラが道路脇のオレンジ色のカーブミラーへ寄っていき、ミラーに映る2人が顔を見合わせて笑うところで、ギターの最後の音が響いて終わる。波の音と風の音も少し聞こえる。加工感のないリアルな質感。画面に文字・字幕・ロゴは入れない。

顔・髪色・服が最後まで保たれた

30秒のあいだ、2人の顔立ち・髪色・服は最初の静止画のまま保たれました。聴いて確かめたところ、歌も指定した歌詞どおりで、ピンクの髪の女性、ミントグリーンの髪の女性、2人のサビと、書いた順番で歌っています。

ベースの手元から顔へ見上げるカメラ、上空への引き、カーブミラーに寄ってミラーに映る2人が笑う終わり方は、どれも指示どおりに出ました。小物を使った終わり方のように、何に寄って何が映るかを具体的に書いた指示は通りやすい印象です。

360度の回り込みは半周ほどで止まった

「時計回りに360度ぐるりと一周」と書いた冒頭のカメラは、背景が回る程度の弧（およそ90〜180度）で止まり、2人の背中側までは回りませんでした。背中合わせの立ち位置も途中で崩れ、2人とも正面寄りになっています。

ほかに、メガネをかけていないミントグリーンの髪の女性に、4〜5秒と15秒あたりでメガネが付いたコマがありました。止めて見ないと気づかない程度ですが、静止画として切り出すときは確認が必要です。

作例3：縦9:16・15秒のラーメンCM

町の中華そば屋の調理工程を見せる、ナレーション付きの15秒の縦型CMです。画像は使わず文章だけで作り、作り直しを2回して3本目を完成版にしました。

設定

送ったプロンプト（3本目）

調理の工程を時間の順に並べ、最後にナレーションを「」で1文だけ入れました。画面に文字や店名を入れないことも書いています。

縦型9:16のラーメン店のCM。昭和から続く東京の町の中華そば屋、ステンレスの厨房に湯気が立ちこめ、窓からの昼の光が湯気を照らす。最初は白い調理服の年配の職人が、大きな寸胴から澄んだ琥珀色の煮干し醤油スープをおたまですくい、大きな白い丼へ注ぐ手元のアップ。次に平ざるで細めの縮れ麺を勢いよく湯切りし、しぶきが光る。麺を丼に落とし、真上からのカメラで、通常の2倍はあるたっぷりの麺の上にチャーシュー数枚、メンマ、ピンクの渦のナルト、刻みねぎが並べられていく。スープの表面には金色の油の膜がきらめく。続いてステンレスの角盆に載った丼と薄緑のレンゲ、割り箸へ、カメラが斜め上からゆっくり寄る。最後は箸で麺を高く持ち上げるところをスローモーションで、湯気とスープのしずくが光って終わる。落ち着いた低い男性の声が、はっきりした日本語で最後にこう話す：「にぼしが香る、いつもの一杯。」音は効果音なしで、BGMとセリフだけ。BGMは控えめで温かいアコースティックギター。食欲をそそるリアルなシズル感、加工感のない質感。画面に文字・字幕・ロゴ・看板・店名は入れない。

スープを注ぐ、湯切りする、具を並べる、盆に載った丼に寄る、麺を持ち上げる、という工程は、3本とも書いた順番どおりに出ました。ステンレスの角盆・薄緑のレンゲ・割り箸がそろって映ったのは3本目だけです。

「煮干し」の読み間違いはひらがなで直った

1本目は、ナレーションの「煮干しが香る」を「にこしが香る」と読み間違えました。2本目でナレーションの「煮干し」だけを「にぼし」とひらがなに変えると、正しく読みました。

読み方が何通りかある漢字や、料理・地名などの固有の読み方は、ナレーションの「」の中だけひらがなにしておくと安全です。映像の説明の部分は漢字のままでかまいません。

「効果音なし」と書いても効果音は消えなかった

2本目は、湯切りの効果音がナレーションやBGMより大きく入りました。そこで3本目は音の指定を「音は効果音なしで、BGMとセリフだけ」に書き換えましたが、効果音は消えませんでした。

秒ごとの最大音量を比べると、3本目は湯切りの4秒目と具を並べる7秒目が約-3dBで、2本目の同じ場面（-10〜-14dB）より大きくなっていました。効果音を確実に消したい場合は、オーディオをオフにして映像だけを生成し、BGMとナレーションを後から重ねる方法が考えられます（まだ試していません）。

AIでMVを作る手順

今回の2本のMVは、次の5つの手順で作りました。CMも、歌詞の代わりにナレーションを書くだけで同じ流れです。

1. 曲のテンポ・ジャンル・楽器と、歌詞を決める（今回はサビを含む全文を30秒に入れても収まった）
2. 歌う人の年齢・髪型と髪色・服・声の質を具体的に書く。見た目を固めたいときは、静止画を1枚作って最初のフレームにする
3. カメラの流れを時間の順に文章で並べ、その間に歌詞を「」で入れる
4. DomoAIのオムニリファレンスで、モデルをSeedance 2.5、比率、長さ30秒、オーディオをオンにして生成する
5. 聴いて歌詞と口の動きを確かめ、1秒ごとのコマを書き出してカメラと人物を確かめる

最初は480Pで作るとクレジットを抑えられます。今回の2本は、480Pのまま完成版にしました。

MV・CMのプロンプトの型

今回の3本は、どれも次の順番で書いています。前半で「変わらないもの」を固め、後半で「時間とともに変わるもの」を順に書く形です。

画像を最初のフレームにする場合は、1の前に「画像1は最初のフレーム。顔・髪型と髪色・服・楽器は最後まで画像1のまま保つ」と書きます。カメラワークや光の書き方はAI動画の指示の出し方の検証も参考にしてください。

かかったクレジット

完成版だけで数えると、30秒のMVは1本415クレジット、15秒のCMは1本210クレジットでした。いずれも480Pです。

ネオンスタティックの630クレジットは、「1本にまとめて作る」という依頼を「パートごとに続けて作る」と取り違えて作った15秒の3本分です。プロンプトの出来とは関係ありません。生成ボタンに消費するクレジットが表示されるので、送る前に確かめてください。

MiniMax H3で歌わせたときとの違い

前日にMiniMax H3で作ったMVでは、日本語で歌うことはあっても、書いた歌詞どおりには歌いませんでした。今回のSeedance 2.5では、2本とも歌詞どおりでした。

ただし、条件は揃えていません。H3はパートごとに歌詞を書き、画風を変えた4本で試しました。今回のSeedance 2.5は30秒1本に歌詞の全文を書いています。H3の検証の詳細と、H3が得意な「キャラクターを保ったまま画風を変える」作例はMiniMax H3の作例検証にまとめています。

公開前に確認すること

AIで作ったMVやCMを公開する前に、次の点を確認してください。

• 歌詞：聴いて、書いた歌詞どおりに歌っているかを確かめる。字幕を付けるなら特に注意する
• 曲：既存の曲に似ていないかを聴いて確かめる
• 人物：実在の人物に似ていないかを確かめる（今回の静止画の依頼文には「実在の人物には似せない」と入れた）
• 店・商品：実在の店名・ロゴ・看板が映っていないかを確かめる（ラーメンCMでは「画面に文字・字幕・ロゴ・看板・店名は入れない」と書いた）
• 利用規約：使うサービスの規約で商用利用ができるかを確かめる（DomoAIの規約はSeedance 2.5の提供経路の比較で整理している）
• 音：ページに自動再生で置くなら無音版を用意する

縦型のCMをSNSのショップ動画として使う場合の注意点は、TikTok ShopのAI動画の検証にまとめています。

よくある質問

Q. AIで曲と歌声の入ったMVを作れますか？

作れます。今回はSeedance 2.5に曲調と歌詞を文章で書き、曲・歌声・映像の入った30秒のMVを1回の生成で作りました。DomoAIでは480Pで415クレジットでした。

Q. AIに日本語の歌詞どおりに歌わせられますか？

今回のSeedance 2.5では、「」で書いた日本語の歌詞を2本ともそのとおりに歌いました。毎回そうなるとは限らないため、公開する前に必ず聴いて確かめてください。

Q. 30秒のMVを作るのに何クレジットかかりますか？

DomoAIでSeedance 2.5を使うと、30秒・480Pで415クレジットでした。15秒・480PのCMは210クレジットです。生成ボタンに消費するクレジットが表示されます。

Q. 人物の見た目を最後まで揃えるにはどうすればいいですか？

静止画を1枚作って最初のフレームにし、「顔・髪型と髪色・服は最後まで画像1のまま保つ」と書く方法で、30秒のあいだ2人の見た目が保たれました。画像なしでも、見た目を具体的に書けば揃いました。

Q. ナレーションが漢字を読み間違えたときはどうすればいいですか？

ナレーションの「」の中だけ、その言葉をひらがなに書き換えてください。今回は「煮干し」を「にこし」と読みましたが、「にぼし」に変えると正しく読みました。

Q. 「効果音なし」と書けば効果音は消えますか？

今回は消えませんでした。「音は効果音なしで、BGMとセリフだけ」と書いても、湯切りの効果音が大きく入りました。確実に消すなら、映像だけを生成して音を後から重ねる方法が考えられます。

まとめ

Seedance 2.5は、曲調・歌詞・人物・カメラの流れを1つの文章に書くだけで、曲と日本語の歌声の入った30秒のMVを1回の生成で作れました。

• 2本のMVとも、「」で書いた日本語の歌詞どおりに歌った
• 人物の見た目は、画像なしでも、静止画1枚を最初のフレームにしても、30秒のあいだ保たれた
• カメラの流れは多くが指示どおりに出たが、短い掛け合いの振り分け・真上・360度の一周は弱かった
• ナレーションの読み間違いはひらがなで直り、「効果音なし」の指定は効かなかった
• 30秒・480Pで415クレジット。最初は480Pで試すとよい

まずは短い歌詞を2〜3行書いて、15秒のMVを1本作ってみてください。

関連記事

• Seedance 2.5の作例｜ショートドラマと動画バナーをプロンプト付きで公開
• Seedance 2.5はどこで使える？提供経路別の違いと選び方
• MiniMax H3の作例検証｜キャラを保ったまま画風を変えてMV・CMを作る
• AI動画のカット割りの作り方｜シーン表を作って1シーンずつ生成する
• 動画のショットの種類一覧｜伝わる印象とAI動画プロンプトの書き方
• TikTok ShopのAI動画はどこまで作れるか｜DomoAIで4本検証
• DomoAIとは｜料金プラン・使える機能・クレジットの仕組みを整理