Veo 3.1 JSONプロンプト：AIビデオ向けのテンプレートと例

Veo JSONプロンプトは、ショットを subject、action、camera、lighting、audio といったフィールドに整理します。JSONを直接貼り付けられるかどうかは、モデルのインターフェースによって決まります。AKOOLでは、現在のインターフェースが構造化されたJSON入力を明示的に文書化していない限り、JSONは計画用のフォーマットとして使い、その値を通常の動画プロンプトに変換します。

もし veo3 json prompt generator を検索したのであれば、この区別は重要です。JSONはクリエイティブブリーフを読みやすく、再利用しやすく、検証しやすくできますが、それ自体が自動的に特別なVeoのプロンプト言語になるわけではありません。

Veo 3.1 JSONプロンプトとは？

Veo 3.1 JSONプロンプトは、使用しているインターフェースやAPIがそれらのJSONフィールドを明示的に定義していない限り、クリエイティブな指示を整理する構造化された方法として理解するのが最適です。

例：

{
  "subject": "blue water bottle on a stone table",
  "action": "condensation rolls slowly down the bottle",
  "camera": "slow close-up push-in",
  "lighting": "soft morning window light",
  "audio": "quiet room tone, no dialogue"
}

これは有効なJSONです。人間や別のシステムにとっても読みやすいものです。

しかし、それは公式のVeoスキーマではありません。単にキーが subject、camera、lighting と名付けられているというだけだからです。

Googleの実際のGemini APIは、prompt、aspectRatio、durationSeconds、resolution といった文書化されたフィールドを持つ構造化されたAPIリクエストを使用します。これらのパラメータはGoogleのAPI契約に属するものであり、普遍的なJSONプロンプト構文に属するものではありません。

上の計画用JSONは、次のような通常のプロンプトに変換できます：

青い水筒が石のテーブルの上に置かれています。カメラが緩やかにクローズアップでプッシュインする間、結露がボトルをゆっくりと伝い落ちます。やわらかな朝の窓明かりがシーン全体に差し込みます。音声は静かなルームトーンで、セリフはありません。

これが json prompting veo3 の中心的なワークフローです。まずアイデアを構造化し、次に実際のインターフェースが受け付ける形式の入力をモデルに送ります。

サポートされていないキーは、アプリケーションがそれらを解析しなければ、単に何の効果も持たない場合があります。

Veoの動画プロンプトはどう構成すべきか？

有用な計画スキーマは、subjectとactionをcamera、lighting、soundから分離します。duration、resolution、aspect ratioといったインターフェースの制御項目は、特定の製品がそれらのフィールドを文書化していない限り、クリエイティブなJSONの外に置きます。

Subjectとaction

subjectはVeoに何が存在するかを伝えます。actionはクリップの中で何が変化するかを伝えます。

{
  "subject": "chef standing alone in a small restaurant",
  "action": "the chef turns off the final pendant light and walks toward the back door"
}

具体的な動きを使いましょう。「Looks cinematic（シネマティックに見える）」は、「turns off the light and walks toward the door（ライトを消してドアへ歩く）」よりも時間的な情報をモデルに与えません。

Cameraとlighting

cameraフィールドは、被写体の動きとカメラの動きを区別せざるを得なくするため有用です。

{
  "camera": "slow dolly backward at eye level",
  "lighting": "warm tungsten light fading into cool blue alley light"
}

"camera": "dynamic" のようなあいまいな値は避けましょう。

push-in、pan、orbit、tracking shot、crane、static frame といった物理的な指示を使いましょう。

Dialogueとsound

Veo 3.1はネイティブ音声に対応しています。Googleの現行ドキュメントによれば、Veo 3.1はプロンプトで指示されたセリフや音を含め、映像とともに音声を生成します。

セリフには話者を明記しましょう：

{
  "dialogue": [
    {
      "speaker": "friend A",
      "line": "We made it."
    }
  ],
  "ambient_audio": "soft cafe chatter and a distant cup clink"
}

複雑さをテストする理由がない限り、3人の話者、音楽、複雑なフォーリー、同時並行の複数のアクションを短いクリップに詰め込まないでください。

Aspect ratioとduration

duration、aspect ratio、resolutionは、クリエイティブなJSONキーだと思い込むのではなく、インターフェースまたはAPIの設定として扱います。

Googleの現行APIドキュメントは、4秒・6秒・8秒のVeo 3.1生成、16:9と9:16のアスペクト比、そして構成に応じて720p・1080p・4Kに対応しています。

AKOOLの現行の一般公開ジェネレーターページでは、Veo 3.1は最大8秒、16:9と9:16、ネイティブ音声、最大4Kと記載されています。

これらはプラットフォームの設定です。この計画用オブジェクトがそれらを制御すると思い込まないでください：

{
  "aspect_ratio": "9:16",
  "duration": "8s",
  "resolution": "4K"
}

現在のAKOOLのUIまたはAPIがそれらのキーを明示的に文書化していない限りは。

AKOOLでJSON形式のプロンプトはどう使うか？

JSONでショットを計画し、AKOOLで生成する前にその値を簡潔な自然言語のブリーフに変換します。AKOOLの一般公開ドキュメントは現在Veo 3.1の利用可能性を確認していますが、専用のプロンプト入力モードとしての生のJSONは文書化していません。

実用的な対応付けは次のようになります：

まとめると：

青いボトルが石のテーブルの上に置かれています。カメラが緩やかにクローズアップでプッシュインする間、結露がボトルをゆっくりと伝い落ちます。やわらかな朝の窓明かりが左から差し込みます。静かなルームトーンで、セリフはありません。

AKOOLでVeo動画を生成するには、現在のモデルセレクターからVeo 3.1を選び、変換したプロンプトを入力し、インターフェースに表示されるオプションを設定します。AKOOLは現在、Veo 3.1をリアルな動きとネイティブサウンドのためのモデルと位置づけています。

カメラ言語、リファレンス、シネマティックなプロンプトに関するより広い指針については、AKOOLのVeo 3.1プロンプト総合ガイドをご利用ください。本記事は特にJSONの整理と変換に焦点を当てています。

コピーできるVeo 3.1 JSONプロンプトの例は？

以下の5つのオブジェクトはパーサーで有効なJSONです。これらのキーは編集上の計画スキーマであり、AKOOLやVeoがこれらのフィールド名を公式に要求しているという主張ではありません。

1. 商品広告

ユースケース： プレミアム商品のショット

{
  "subject": "matte cobalt-blue water bottle on a pale stone table",
  "action": "condensation rolls slowly down the bottle while the bottle remains still",
  "camera": "slow close-up push-in",
  "lighting": "soft morning window light from camera left",
  "audio": "quiet room tone, no dialogue"
}

自然言語版：

マットなコバルトブルーの水筒が、淡い色の石のテーブルの上に置かれています。ボトルは静止したまま、結露がゆっくりと伝い落ちます。カメラはゆっくりとクローズアップでプッシュインします。やわらかな朝の窓明かりがカメラの左側から差し込みます。静かなルームトーンで、セリフはありません。

AKOOLの設定： Veo 3.1を選択し、現在のUIでduration、aspect ratio、qualityを設定します。

テスト済みの出力： 生成されたクリップは、結露が自然に動きカメラがゆっくりプッシュインする間、水筒を安定させて保つはずです。ボトルの色、形、位置、結露がショット全体を通して一貫しているかを確認します。

テストすべき修正：

ボトルを完全に静止させてください。カメラの動きを、ごくゆっくりとした10パーセントのプッシュインに減らしてください。ボトルの色とシルエットを維持してください。

メディア： 生成されたクリップと代表的なフレームを挿入。

2. 会話シーン

ユースケース： 短いセリフ

{
  "scene": "two friends sitting across from each other in a quiet cafe",
  "shot": "medium two-shot, static camera",
  "action": "friend A looks up from the table and smiles",
  "dialogue": [
    {
      "speaker": "friend A",
      "line": "We made it."
    }
  ],
  "ambient_audio": "soft cafe chatter, distant cup clink"
}

自然言語版：

静かなカフェで2人の友人が向かい合って座っています。静止したカメラによるミディアムの2ショット。友人Aがテーブルから顔を上げ、微笑み、「We made it.」と言います。背景ではやわらかなカフェのざわめきが続き、遠くでカップが1回カチャッと鳴ります。

Googleは、Veoにセリフを指示する際、明確なキャラクター描写と明示的に話者を示したセリフを推奨しています。

テスト済みの出力： 生成されたクリップは、友人Aを唯一の話者として保ち、セリフ「We made it.」が明確に友人Aに帰属するはずです。話者の一貫性、リップシンク、表情、そして友人Bが黙ったままかどうかを確認します。

テストすべき修正： 話者の帰属がずれる場合は、2人目のキャラクターの動きを削除し、「Only Friend A speaks. Friend B remains silent.」と指定します。

3. シネマティックな空撮

ユースケース： 状況説明ショット

{
  "subject": "rocky coastline at sunrise",
  "action": "low clouds move over the cliffs while waves break below",
  "camera": "slow aerial rise and pullback",
  "lighting": "golden sunrise with cool blue shadows",
  "audio": "ocean surf and distant wind, no music"
}

自然言語版：

日の出の岩がちな海岸線。低い雲が崖の上を流れ、その下では波が砕けます。カメラはゆっくりと上昇して後退し、海岸をより広く見せます。黄金色の陽光が岩に差し込み、冷たい青い影を落とします。海の波音と遠くの風の音、音楽はなし。

テスト済みの出力： 生成されたクリップは、崖、雲、波を安定させたまま、海岸線上をなめらかにゆっくりと上昇・後退する空撮を見せるはずです。カメラの動きが一貫しているか、風景に目立った歪みがないかを確認します。

テストすべき修正： カメラの動きが速すぎる場合は、「Very slow aerial rise. Constant speed. No rotation.」に変更します。

4. 料理のクローズアップ

ユースケース： レストランまたは料理の広告

{
  "subject": "fresh ramen bowl on a dark wooden counter",
  "action": "steam rises while a spoon gently lifts one strand of noodles",
  "camera": "macro close-up with a very slow push-in",
  "lighting": "warm restaurant practical lights with soft highlights",
  "audio": "quiet room tone, subtle simmer, no dialogue"
}

自然言語版：

新鮮なラーメンの丼が、暗い色の木製カウンターの上に置かれています。スプーンが麺を1本やさしく持ち上げる間、湯気が立ち上ります。マクロのクローズアップで、カメラはごくゆっくりとプッシュインします。暖かいレストランの実用照明がやわらかなハイライトを作り出します。静かなルームトーンとかすかな煮立つ音、セリフはなし。

テスト済みの出力： 生成されたクリップは、湯気が自然に立ち上りスプーンが麺を1本持ち上げる間、ラーメンの丼の形と見た目を保つはずです。料理の一貫性、湯気の挙動、スプーンの動作、カメラの安定性を確認します。

テストすべき修正： 料理の形が変わる場合は、スプーンの動作を削除し、湯気とカメラの動きだけを残します。

5. 縦型のソーシャル広告

ユースケース： 短い商品フック

{
  "subject": "white running shoe on wet pavement at dusk",
  "action": "the shoe lands once, creating a small realistic splash, then holds in frame",
  "camera": "quick low-angle tracking move that settles into a still close-up",
  "lighting": "warm storefront reflections against cool evening light",
  "audio": "single footstep, water splash, light city ambience"
}

自然言語版：

白いランニングシューズが夕暮れの濡れた舗道に一度着地し、小さくリアルな水しぶきを立てます。素早いローアングルのトラッキングが着地を追い、静止したクローズアップに落ち着きます。暖かい店先の反射が、冷たい夕方の光と対比をなします。音声には足音が1回、水しぶき、そして控えめな街の環境音が含まれます。

縦型での配信には、カスタムのJSONフィールドに頼るのではなく、インターフェースで9:16を選びます。GoogleとAKOOLはいずれも現在、Veo 3.1の縦向き対応を文書化しています。

テスト済みの出力： 生成されたクリップは、ランニングシューズが一度着地して小さな水しぶきを立て、続いて安定したクローズアップになる様子を見せるはずです。靴の形状、水しぶきのリアルさ、トラッキングカメラの安定性、そしてシーンが9:16で正しくフレーミングされているかを確認します。

テストすべき修正： 靴の形状がずれる場合は、カメラの動きを減らし、アクションを1回の着地と静止に短縮します。

よくある間違いを避けて、セリフと音声をどう書くか？

セリフは短く保ち、話者を明確に特定し、発話を環境音や効果音から分離します。

弱い計画構造：

{
  "audio": "people talk, cafe sounds, music, someone says we made it"
}

より良い例：

{
  "dialogue": [
    {
      "speaker": "friend A",
      "line": "We made it."
    }
  ],
  "ambient_audio": "soft cafe chatter",
  "sound_effects": "one distant ceramic cup clink",
  "music": "none"
}

メリットは、VeoがJSONを魔法のようにうまく理解することではありません。メリットは、散文に変換する前に、ブリーフに矛盾した音声の指示が含まれていないかをあなた自身が確認できることです。

発話するセリフは、選択したクリップに収まる程度に短く保ちます。Veo 3.1の現行APIは最大8秒のクリップに対応しているため、長い段落のセリフは1回の生成で現実的な要求ではありません。

そのうえで、実際の出力でリップシンクと話者の割り当てをテストします。正しく構造化されたプロンプトが正確なタイミングを保証すると思い込まないでください。

JSONプロンプトとプレーンテキスト、どちらを使うべきか？

構造と再利用がワークフローに役立つ場合はJSONを使います。自然言語を期待するインターフェース内で直接プロンプトを書いている場合はプレーンテキストを使います。どちらの形式も、本質的に優れたビジュアル品質を生み出すわけではありません。

したがって、veo3 json prompt generator はフロントエンドの整理ツールとして役立ちます。その出力は、やはり送信先アプリケーションがサポートするフィールドやプロンプト構文に対応付ける必要があります。

JSONは構造であって、品質の倍率ではありません。

Veo JSONプロンプトはなぜ失敗したのか？

ほとんどの失敗は、無効なJSON、あいまいなクリエイティブ値、同時アクションの多すぎ、サポートされていないキー、またはクリップに収まらない音声指示に起因します。

たとえば、次のJSONは有効ですが、クリエイティブとしては弱いものです：

{
  "subject": "car",
  "action": "cool movement",
  "camera": "cinematic",
  "lighting": "nice"
}

あいまいな値を置き換えます：

{
  "subject": "dark green vintage coupe on a coastal road",
  "action": "the car enters a left-hand curve at steady speed",
  "camera": "low front three-quarter tracking shot",
  "lighting": "late-afternoon sunlight with long warm reflections"
}

そして、それらの値を通常のVeoプロンプトに変換します。