映画のようなバトルシーンは AI で作れる？ 剣・格闘・空中戦の映像とプロンプトを公開

映画のような戦いの場面を、動画生成 AI はどこまで作れるのでしょうか。剣・素手の格闘・空中戦・巨大ロボット・バイクの 5 つの場面を 4 つのモデルで 17 本作り、全部のコマ(1/24 秒ずつ)を見ました。今回の 17 本では、速い動きでも、腕や脚が増える・溶けるといった崩れは見つかりませんでした。崩れたのは剣などの持ち物で、Runway Gen-4.5 の剣は 2 本に割れ、最後は 1 本を 2 人で握っていました。

結果の早見

• 手足は崩れなかった: 回し蹴りや空中での衝突でも、腕や脚が増える・溶ける崩れと、2 人のめりこみは、17 本とも見つかりませんでした。
• 崩れたのは持ち物と模様: 剣が割れる・消える(Runway Gen-4.5)、拳から棒が出る・頼んでいない看板の字が出る(Gemini Omni Flash)などです。
• 画像あり・文だけ: Kling 3.0 で同じ文を比べた 2 組では、画像を渡した 2 本は渡した画像の人・服のまま動き、文だけの 2 本では刃が板のようになる・商標に似た模様が出る、ということが起きました。
• 合計で順位は付けていません: 作った本数と場面がモデルごとに違い(分母は 42・28・21・28)、数え方を逆にすると合計が 2〜3 項目動くためです。合計には、載せていない 2 本の点も入っています。

予告編(22.6 秒)

作ったカットから 4 本を選び、切らずにつないだ予告編です。音は別に作って重ねました。作り方は後半に書きます。

作り方と見方

使ったモデル

• 最初の場面の画像は、GPT-Image-2.5 Sunburst(記録の名前は gpt-image-2.5-sunburst)で 1536×1024 の絵を作り、上下を 80 画素ずつ切って 16:9(1536×864)にしてから渡しました。
• Veo 3.1 は使っていません。Google の提供終了の一覧では、Veo 3.1 の 3 つのモデルは早ければ 2026年10月22日に提供が終わる予定で、後継は Gemini Omni Flash です。

場面と、画像あり・文だけ

場面 1・3・5 は最初の場面の画像を渡し、場面 2・4 は文だけで作りました。画像の有無で何が変わるかを見るため、Kling 3.0 だけ、場面 1 は文だけでも、場面 2 は画像ありでも作りました(同じ文で、画像の有無だけが違う 2 組)。ここまでは動画を作る前に決めています。

• 戦うのは架空の大人 2 人か、架空のロボットと怪物です。当たる瞬間は「火花」「光」「ほこり」と書き、血やけがは文で禁じました。文は英語で、同じ場面では全部のモデルに一字一句同じ文を渡しました(全文は場面ごとの結果の下)。
• 場面 2 の最初の画像は、1 枚目に商標に似た模様が出ました。動画を作る前に、画像と動画の文の上着の所を直して、画像だけ 1 回作り直しました(1 枚目は載せていません。直した後の文を場面 2 に載せています)。

見たこと(7 項目)

全部のコマ(1 秒 24 コマ)を見て、怪しいコマは元の大きさで確かめました。1 コマでも当てはまれば × で、速い動きのぶれ(半透明の残像)は数えていません。項目は動画を作る前に決めました。

1. 手足: 腕と脚の数と形が保たれる(増える・溶ける・離れる、が無い)
2. 物: 剣・バイク・光の筋・建物など、頼んだ物の数と形が保たれる(素手の場面は手に物が出ない)
3. めりこみ: 2 人(2 体・2 台)が互いにめりこむ・通り抜けることが無い
4. 人数と見分け: 増えも減りもせず、服の色などが入れ替わらない
5. 動き: 場面ごとに指示した動き(剣がぶつかって火花 など)が出る
6. カメラ: 場面ごとに指示したカメラの動き(2 人のまわりを回る など)が出る
7. 決まり: 血・けが・倒れて動かない人と、頼んでいない字・ロゴが出ない

迫力などは点に入れず、場面ごとに「編集部の見立て」として 1 行で書きます。数えたのは編集部(Claude Code を使用)で、怪しいコマを挙げる作業と ○ × を決める作業を分けました。

場面ごとの結果

場面 1: 雨の屋上で剣を打ち合う(画像あり)

• 剣がぶつかって火花: 指示は 3 回で、Kling 3.0(画像あり)が 4 回、Gemini Omni Flash が 3 回、Kling 3.0(文だけ)が 4 回でした。
• Runway Gen-4.5 の剣: 0.2 秒で 2 本に分かれ、1.0・2.0・3.1 秒ごろに消え、3.7 秒からは 1 本を 2 人で握っていました(はっきり分かるコマだけで、121 コマのうち 51 コマ)。火花は出ましたが、刃と刃が当たるコマはありませんでした。
• カメラ: 大きく回り込んだのは Runway Gen-4.5 と Kling 3.0(画像あり)、少し回ったのが Gemini Omni Flash で、Kling 3.0(文だけ)は回りませんでした。
• 編集部の見立てでは、雨のしぶきと火花が重なる Kling 3.0(画像あり)が、映画の一場面にいちばん近く見えました。

動画の文(Kling 3.0・Gemini Omni Flash・Runway Gen-4.5 に同じ文。5 秒・16:9。下の画像を最初の場面に渡した。Kling 3.0 の文だけの 1 本は、画像を渡さずに同じ文だけ)。

Night on the flat rooftop of a tall city building in heavy rain, city lights blurred far below. Two fictional adult swordfighters duel: on the left, a woman with short silver hair in a long black coat; on the right, a man with a black ponytail in a dark red jacket. Each holds one plain steel longsword with no markings. They trade fast strikes and their blades clash three times; every clash throws a burst of bright orange sparks, and rain sprays off the blades. Nobody is hit or hurt: no blood, no wounds, nobody falls. The camera slowly circles around them at chest height, keeping both of them in frame from head to feet. Cinematic lighting. No text, no logos.

最初の場面の画像の文(GPT-Image-2.5 Sunburst・1536×1024 で作り、上下を切って 16:9 に)。

Cinematic film still, wide shot. Night on the flat rooftop of a tall city building in heavy rain, city lights blurred far below. Two fictional adult swordfighters face each other in ready stances about two meters apart, in the middle of the frame: on the left, a woman with short silver hair in a long black coat; on the right, a man with a black ponytail in a dark red jacket. Each holds one plain steel longsword with no markings. Both are fully visible from head to feet, with empty space above their heads and below their feet. Camera at chest height. Wet floor reflecting the lights. No blood, no text, no logos.

場面 2: 素手の格闘(文だけ)

• 4 つの動き(突き → 前腕で払う → 回し蹴り → 両腕で受ける)は、4 本とも順に出ました。カメラは 4 本とも、背景のずれが画面の幅の 1.6% 以内でした。
• Gemini Omni Flash は 1 回目の蹴りが空振りで、3.6〜3.8 秒に男性の拳から細い棒が出ました。
• Kling 3.0(画像あり) は背中を見せる回転が無く、指示に無い「両手を頭にやる」動きが 2.8〜3.5 秒に入りました。
• 編集部の見立てでは、回し蹴りを光とほこりで受け止める Grok Imagine Video 1.5 が、いちばん見やすくまとまっていました。

動画の文(Kling 3.0・Grok Imagine Video 1.5・Gemini Omni Flash に同じ文。5 秒・16:9。画像なし。Kling 3.0 の画像ありの 1 本は、同じ文に下の画像を最初の場面として渡した。上着の所は、動画を作る前に直した後の文)。

Inside an empty old warehouse, late afternoon sunlight falls through high windows in dusty beams. Two fictional adult martial artists spar barehanded on the concrete floor: on the left, a woman in a plain red zip-up jacket with no stripes and black trousers; on the right, a man in a grey hoodie and dark blue trousers. The man throws a straight punch; the woman deflects it aside with her forearm, then spins and throws a high roundhouse kick, which the man blocks with both forearms. At the block, a small burst of white light and dust flashes in the sunbeams. Nobody is hurt: no blood, no injuries, nobody falls. Static camera, wide side view at waist height, both of them stay in frame from head to feet. No text, no logos.

最初の場面の画像の文(Kling 3.0 の画像ありの 1 本だけに使用。GPT-Image-2.5 Sunburst・1536×1024 → 16:9)。作り直す前の 1 回目の文は、「a plain red zip-up jacket with no stripes」の所が「a red track jacket」で、ほかは同じです。

Cinematic film still, wide side view at waist height. Inside an empty old warehouse, late afternoon sunlight falls through high windows in dusty beams. Two fictional adult martial artists face each other in fighting stances, barehanded, about two meters apart, in the middle of the frame: on the left, a woman in a plain red zip-up jacket with no stripes and black trousers; on the right, a man in a grey hoodie and dark blue trousers. Both are fully visible from head to feet, with empty space above their heads and below their feet. No blood, no text, no logos.

場面 3: 雲の上の空中戦(画像あり)

• ぶつかる瞬間: Runway Gen-4.5 が 1.6 秒、Gemini Omni Flash が 1.9 秒、Grok Imagine Video 1.5 が 2.6 秒で、3 本とも光の輪が出ました。カメラは 3 本とも、ぶつかる前に寄り、あとで引きました。
• 輪のあと: 輪が雲を押し広げ、2 人が飛ばされたのは Gemini Omni Flash だけです。Runway Gen-4.5 は拳が正面から合わず(女性の拳が男性の拳の上に重なる形)、2 人は最後に画面の外へ出ました。
• Grok Imagine Video 1.5(載せていない 1 本)は、4.4 秒から光の筋が 1 人 2 本ずつに増えました。
• 編集部の見立てでは、輪が雲を押し広げて 2 人が飛ばされる Gemini Omni Flash が、指示した場面にいちばん近く見えました。

動画の文(Grok Imagine Video 1.5・Runway Gen-4.5・Gemini Omni Flash に同じ文。5 秒・16:9。下の画像を最初の場面に渡した)。

High above a sea of clouds at sunset, two fictional adult fighters fly through the sky: on the left, a woman in a white suit leaving a long trail of blue light; on the right, a man in a black suit leaving a long trail of orange light. They rush toward each other, meet in the center of the frame and collide fist to fist. The impact releases a huge ring-shaped shockwave of light that pushes the clouds outward, and both are thrown back unharmed. No blood, no injuries. The camera follows them, then pulls back quickly at the moment of impact. No text, no logos.

最初の場面の画像の文(GPT-Image-2.5 Sunburst・1536×1024 → 16:9)。

Cinematic film still, wide shot. High above a sea of clouds at sunset. On the left side of the frame, a fictional adult woman in a white suit flies toward the center, leaving a long trail of blue light; on the right side, a fictional adult man in a black suit flies toward the center, leaving a long trail of orange light. They are still far apart, both fully visible from head to feet, in the middle band of the frame. No text, no logos.

場面 4: 港町の巨大ロボットと怪物(文だけ)

• はさみを受け止めて火花・遠くから寄るカメラは、3 本とも出ました。Grok Imagine Video 1.5 は 0 秒から受け止めていて、振る動きはありません。
• 押し返して大波は Runway Gen-4.5 だけで、ロボットの高さは約 225 画素から約 625 画素まで大きくなりました。一方で 0〜0.2 秒に、手前の丘に小さな青いロボットのような物が写りました(項目 4 の ×)。
• Kling 3.0 の怪物は、紫の結晶の蟹でなく、二本足の怪獣に暗い赤のはさみでした(項目に入れていない見た目の違いです)。
• 編集部の見立てでは、夕焼けの遠景で組み合う Grok Imagine Video 1.5 が、2 体の大きさをいちばん感じやすく見えました。

動画の文(Kling 3.0・Runway Gen-4.5・Grok Imagine Video 1.5 に同じ文。5 秒・16:9。画像なし)。

Wide shot from a hill far away: a coastal city at dusk. In the harbor between tall buildings, a giant fictional robot as tall as a skyscraper, with an orange and grey industrial body, a round head and one blue visor light, fights a giant fictional crab-like monster with a purple crystal shell and two huge claws. The monster swings one claw; the robot catches it with both hands, and bright sparks burst where they meet. Then the robot pushes the monster back into the sea, raising huge waves. The buildings stay standing and no people are visible. The camera slowly pushes in from far away toward the two giants. No blood. No text, no logos.

場面 5: 夜の高速道路のバイク(画像あり)

• 前後の順(白が前・黒が後ろ)は 3 本とも最後まで同じで、手足と車輪の崩れもありませんでした。
• カメラ: Kling 3.0 は前から横、後ろへ回り込み、Gemini Omni Flash はずっと前から、Grok Imagine Video 1.5 は斜め前まででした(指示は「横の少し後ろ」。項目 6 は「2 台について動く」で、3 本とも ○)。
• 火花は、Kling 3.0 と Gemini Omni Flash が追う黒から、Grok Imagine Video 1.5 が前の白から出ました。
• Gemini Omni Flash は、「看板なし」の指示に、2.3 秒から「92」と読める光る看板が出ました(項目 7 の ×)。
• 編集部の見立てでは、カメラが前から後ろへ回り込む Kling 3.0 が、追いかけっこの流れを追いやすく見えました。

動画の文(Kling 3.0・Gemini Omni Flash・Grok Imagine Video 1.5 に同じ文。5 秒・16:9。下の画像を最初の場面に渡した)。

Night, a wet multi-lane highway through a futuristic city lined with glowing light strips, no signs. Two fictional riders on futuristic motorcycles race at high speed: in front, a rider in a white helmet and white suit on a white motorcycle; close behind, a rider in a black helmet and black suit on a black motorcycle with a red light strip. They weave between slow cars; the front rider leans hard into a long curve and the chaser follows, sparks flying from a footrest scraping the road. The camera moves fast and low alongside them, slightly behind, keeping both motorcycles in frame. Nobody crashes, no injuries. No text, no logos.

最初の場面の画像の文(GPT-Image-2.5 Sunburst・1536×1024 → 16:9)。

Cinematic film still, low camera beside the road. Night, a wet multi-lane highway through a futuristic city lined with glowing light strips, no signs. Two fictional riders on futuristic motorcycles race at high speed: in front, a rider in a white helmet and white suit on a white motorcycle; close behind, a rider in a black helmet and black suit on a black motorcycle with a red light strip. A few slow cars in other lanes. Both motorcycles are fully visible in the middle band of the frame, with motion blur on the road. No text, no logos, no license plates.

崩れた所の拡大

画像あり・文だけ(Kling 3.0 で比べた 2 組)

• 2 組だけの結果で、ほかのモデルでは比べていません。
• 時間: 画像ありの 3 本は 57.4〜70.5 秒、文だけの 3 本は 197.5〜215.7 秒でした。同時に頼んだ中での秒数で、画像の有無による差かは分かりません。

今回の書き方と、出たこと

ほかの書き方とは比べていないので、今回の書き方で出たことだけを書きます。

• 当たる瞬間を「火花」「光」「ほこり」と書く: 剣がぶつかった 11 回(Runway Gen-4.5 を除く 3 本)は、すべて火花が出ました。素手の格闘では 4 本ともほこりが、ロボットの場面では 3 本とも火花が出ました。「誰も傷つかない」と書いた 17 本で、血やけがの表現は出ませんでした。
• カメラの動きは 1 つだけ書く: 17 本のうち 16 本で、指示した動きが出ました(出なかったのは、回らなかった Kling 3.0 の文だけの場面 1)。

予告編の作り方

• 選び方: 先に決めたとおり、場面 1・2・3 と 4 か 5 から、○ の多い 1 本ずつです。○ の数も崩れたコマの数も並んだので、最後は編集部が選びました。
• つなぎ方: 4 本を切らず・速さを変えずに並べ、つなぎ目に 0.25 秒の黒への溶け、最後に 2.5 秒の字幕を足しました(ffmpeg を使用)。
• 音: 動画の音は使わず、Eleven Music の曲(23.0 秒)と ElevenLabs の効果音 4 種を、当たるコマに合わせて重ねました。大きさは全体の平均で -13.8 LUFS です。

音楽の文(Eleven Music・23 秒)。

Cinematic action movie trailer music, instrumental only, no vocals. Fast pounding drums and low strings ostinato from the start, tension rising every five seconds, a huge final hit at about 20 seconds, then a short low drone to the end.

効果音の文(ElevenLabs の効果音。上から剣・蹴り・光の輪・ロボットで、長さは剣と蹴りが 2 秒、光の輪とロボットが 3 秒。剣は 4 回重ねた)。

Two steel swords clashing hard once, bright metallic ring with crackling sparks, in heavy rain

Fast whoosh of a high kick, then a heavy blocked impact thud with a puff of dust

Deep cinematic boom of a huge energy shockwave in the sky, with a long low rumble

Giant metal robot clashing with a huge monster, heavy metallic clank and grinding sparks, then a massive wave splash

場面 5 を選んだときのためにバイクの効果音(3 秒・1.1 クレジット)も作りましたが、使っていません。

Two high-revving motorcycles passing by fast on a wet road, engine roar and tire hiss, metal scraping the asphalt

時間と料金

• Kling 3.0 は画像の有無で同じ料金で、Grok Imagine Video 1.5 は画像ありの方が 1.8 クレジット高くなりました。
• 動画 17 本(載せていない 2 本を含む)は合計 1,618.0 クレジット、最初の画像 5 枚(使わなかった 1 枚を含む)と音 6 つを合わせて 1,642.3 クレジットでした。
• 音の有無: 音が入っていたのは Gemini Omni Flash と Grok Imagine Video 1.5 の 8 本(平均の大きさ -36.2〜-12.1 dB)で、Kling 3.0 と Runway Gen-4.5 の 9 本には入っていませんでした。聞いて確かめてはいません。

気をつけること

• 1 回ずつ・5 秒・720p の結果です。 作り直すと、× の所も変わることがあります。
• 既存の作品や商標に似た物が出ることがあります。 架空の人と書いても、17 本のうち 2 本と、場面 2 の最初の画像の 1 枚目で出ました。公開する前に、コマを送って確かめてください。
• 「なし」や細かい動きの指示は、守られないことがあります。 「看板なし」でも看板が出て(Gemini Omni Flash)、「拳と拳」は正面から合わず(Runway Gen-4.5)、「怪物を押し返す」は 3 本のうち 1 本でした。
• 透かしが入ります。 Google の説明では、Gemini Omni Flash で作った動画には、目に見えない電子透かし(SynthID)が入ります。
• 仕事で使う前に、各社の利用の決まりを確かめてください。

まとめ

• 17 本で、速い動きでも手足の崩れは見つかりませんでした。崩れたのは剣などの持ち物と、頼んでいない模様や字でした。
• 当たる瞬間を火花や光で書いた 17 本で、血やけがの表現は出ませんでした。
• 気に入ったカットは、切らずにつなぐだけで 20 秒ほどの予告編になります。公開する前に、1 コマずつ見て確かめてください。

5 つのモデルの基本の違いは、動画生成 AI 5 つを同じプロンプトで比較 動き・破綻・1 本あたりの料金で比べています。画像から動画を作るときの違いは、Seedance と Kling、どっちがいい？ 同じ 1 枚の絵を動画にして比べたにあります。