0. まえがき：8秒しか作れない、という壁

まず、この記事を書いたきっかけからお話しします。前回、Google Cloud（Agent Platform）上での Veo の使い方を網羅的に紹介する記事を書きました。タスクの使い分け、パラメータの意味、API 利用時の注意点 ― ひととおり整理したことで、Veo で何ができるのかは自分なりに掴めたつもりでいました。

そこから実際に手を動かして「じゃあ何が作れるだろう」と色々試していました。ところが、すぐに壁にぶつかります。

1回の生成で作れるのは、たった8秒。

ただし、8秒というのは映像としてはほんの一瞬です。何かが映って、少し動いて、終わり。これだけです。そのため、物語を1本、商品紹介を1本、社内向けの説明動画を1本 ― そういう 「分単位」の動画 を作ろうとした瞬間に、手が止まります。

前回の記事で書き残したこと

実は前回の記事でも「1回8秒の壁」には触れていました。ただし、そこでは 「カットを分割して生成し、最後に結合するという工程設計が前提になります」 と書いただけで、具体的な方法までは踏み込んでいません。というのも、実際に自分でやってみて、これは1章分では収まらないと分かったからです。

そして調べていくうちに気づいたのは、同じところで止まっている人が、たぶん少なくない ということでした。動画生成AIの需要は「8秒のかっこいい映像」ではなく、多くの場合 「伝えたい内容が最後まで入っている、数十秒〜数分の動画」 のはずです。にもかかわらず、Veo の解説記事は「プロンプトを工夫して良い8秒を作る」ところで終わっているものがほとんどでした。

そこで本記事では、Veo 単体の限界をどう超えるか を、実際に作った 1分44秒の「三匹の子豚」 を題材に、手順ごと公開します。位置づけとしては、前回記事の 「活用術・応用編」 にあたります。

まず、言葉で説明するより見ていただくほうが早いので、先に完成品を置いておきます。

つまり、8秒のカットを13本作って、つなぎ合わせただけ です。特別なことは何もしていません。以下、これをどうやって作ったかを、最初から最後まで書きます。

この記事の想定読者

なお、読者としては次の3タイプを想定しています。

1. Veo だけで長尺動画は作れない、という前提

1-1. まず、限界を正確に把握する

まず、Veo の生成上限を整理しておきます。

つまり、通常運用で作れるのは長くても十数秒 ということです。今回作りたい1分44秒には、まったく届きません。

1-2. 延長機能では物語は作れない

さらに、延長タスクにも弱点があります。継ぎ足しを重ねるほど、次のような問題が出てきます。

• まず 画質が徐々に劣化する（前の生成結果を入力として再生成するため）
• さらに 被写体や色味が少しずつドリフトしていく
• そして カット割りができない（あくまで「同じショットの続き」であって、シーンチェンジではない）

とくに三つ目が致命的です。物語のように 「旅立ち → 家を建てる → オオカミ登場 → 対決 → 結末」 と場面が次々に切り替わる構成では、そもそも延長タスクは設計思想が合いません。実際、三匹の子豚を延長機能だけで作ろうとすると、「ずっと同じ場所を映し続ける16秒」にしかならないのです。

1-3. 発想を変える ― 「1本を作る」から「カットを作って繋ぐ」へ

そこで、発想を切り替えます。

そもそも、実際の映像制作も「1本撮り」ではありません。 アニメも映画も数秒のカットの集合体で、それを編集でつないで1本にしています。つまり、8秒しか作れないのは制約ですが、カットの単位としては、むしろちょうどいい長さ なのです。

つまり、この発想に立つとやるべきことははっきりします。

したがって、この考え方であれば 短編動画を用意すればするほど、理論上は無限に長尺化できます。 8秒×13カットで1分44秒、8秒×23カットで約3分。上限はありません。

1-4. 全体像 ― 複数モデルで役割分担する

ただし、「Veo で13カット作る」だけでは足りません。カットを繋いで1本の作品にするには、シナリオ・絵コンテ・ナレーション・結合 という工程が必要になります。そして そのすべてを Veo にやらせる必要はありません。

そこで本記事では、次の6ステップに分けるワークフローを紹介します。

ここでのポイントは、Veo の担当は Step5 だけ ということです。つまり、Veo は「絵を動かす」ことに専念させ、それ以外は得意なモデルに任せます。これが長尺化の基本設計になります。

2. 使用する4つのツール ― それぞれの役割

では、なぜこの組み合わせなのか。役割ごとに説明します。

2-1. Gemini（Flash）― 設計図を作る

役割：シナリオと、カット割りの設計（Step1・Step2）

まず前提として、いきなり Veo にプロンプトを打ち込むのは、設計図なしで家を建てるようなもの です。カットごとに思いつきで作ると、つないだときにトンマナがバラバラになり、話も繋がりません。しかも、カット数が13にもなればなおさらです。

そこで最初に、テキストモデルである Gemini に 物語全体の構成 を作らせます。つまり、設計図から先に引くわけです。

なお、Flash 系を推す理由はシンプルで、この工程は何度もやり直すから です。構成は一発では決まりません。「もっと子ども向けに」「オオカミの描写を控えめに」と条件を変えて何度も回すことになります。したがって、速くて安いモデルが向いています。

さらに重要なのが Step2 の 「カット割りを JSON で出力させる」 という使い方です。後続の Nano Banana / Gemini TTS / Veo に渡すプロンプトを、構造化データとして一度に生成させてしまうのです。 そもそも13カット分の素材指示を手書きするのは現実的ではありません。つまり、ここが効率の要になります（詳細は4章）。

2-2. Nano Banana ― 絵を固定する

役割：各カットの絵コンテ画像を生成（Step3）

実は、ここが 長尺動画作成における最大のキモ です。

たしかに Veo は Text-to-video でも動画を作れます。しかし、テキストだけの指定は 「どんな絵が出てくるか分からない」ギャンブル になります。カット1とカット2で子豚の顔が違う、絵柄が違う、色味が違う ― そんな素材をつないでも、1本の作品にはなりません。13カットもあれば、どこかで必ず破綻します。

先に絵を作ると、何が変わるか

そこで、先に画像生成AI（Nano Banana）で「この絵で行く」という1枚を作り込み、それを Veo に渡します。 Veo 側には「その絵をどう動かすか」だけを指示します。この役割分担により、次の3つの効果が得られます。

2-3. Gemini TTS ― 日本語のナレーションを作る

役割：各カットのナレーション音声を生成（Step4）

Veo は音声も同時生成できるのが売りです。ただし、日本語のセリフ・ナレーションは、現状あまり安定しません。 発音が崩れる、イントネーションが不自然、そもそも意図した文言を喋ってくれない、といったことが起こります。

そして何より、Veo の音声は「作り直し＝動画ごと作り直し」 です。「ナレーションの言い回しだけ変えたい」ときに、数十秒かけて動画を再生成し、しかも映像まで変わってしまいます。これは実務的にかなり厳しいと言わざるを得ません。

とくに物語動画では、これが決定的になります。というのも、語りは作品の骨格 だからです。テンポも言い回しも何度も調整することになるのに、そのたびに映像が変わってしまってはどうにもなりません。

そこで ナレーションは Gemini TTS で別途生成し、後から合成します。 これで語りだけを何度でも調整できます。

したがって、Veo 側は generateAudio を OFF にする のが基本になります。なお、音声生成を切ればコストも下がるので一石二鳥です。

2-4. ffmpeg ― 組み立てる

役割：音声・BGM の合成とカット結合（Step6）

そして最後に、生成した素材を1本にまとめます。ここは生成AIの仕事ではなく、動画編集ツールの仕事 です。

もちろん Premiere Pro や DaVinci Resolve のような GUI ツールでも構いません。ただし本記事では ffmpeg を使います。理由は3つです。

1. まず 無料で、コマンド一発で終わる
2. 次に 手順がテキストとして残るので、再現・共有できる
3. 最後に 自動化できる ― カット数が増えても、ループで回すだけ

とくに3番目が重要です。今回は13カット、つまり映像13本と音声13本、合計26ファイルを扱います。 これを GUI で1つずつ読み込んで並べるのは、正直かなりの手間です。カット数が20、30と増えればなおさらでしょう。したがって、生成AIによる動画制作を業務フローに乗せるなら、結合工程はスクリプト化しておくべきです。

2-5. 役割分担まとめ

3. 複数モデルを併用する3つの恩恵

ここまで読んで「工程が増えて面倒では？」と思われるかもしれません。しかし、分担することで得られるメリットは、手間を大きく上回ります。

3-1. 尺の上限が実質なくなる

まず、これが最大の恩恵です。8秒×4カット＝32秒、8秒×13カット＝1分44秒、8秒×23カット＝約3分。カットを増やすだけで、いくらでも長くできます。

つまり Veo の「8秒の壁」は、1本の動画の上限ではなく、1カットの上限 に読み替えられるということです。つまり、この読み替えができた時点で制約は制約でなくなります。

そのうえで今回あえて「13カット・1分44秒」という、そこそこの長さを題材にしたのは、ここを実感してほしいからです。4カットでも13カットでも、作業の性質は何も変わりません。 実際、ループが回る回数が3倍になるだけです。

3-2. 工程ごとに「やり直し」できる ― これが最大の実利

一方、Veo 単体で全部作ろうとすると、すべてが一発勝負 になります。ナレーションの言い回しを1語変えたいだけでも、映像ごと作り直しです。

一方、分担していれば壊れた工程だけをピンポイントで直せます。

工程ごとの、やり直しの範囲

同じことが各工程で言えます。

前回記事で「Veo の最大の弱点はマルチターン会話ができないこと」と書きました。しかし、工程を分けること自体が、その弱点への回答になっています。 「全体を対話で直す」のではなく、「直したい部分だけ、その部分の担当モデルで直す」というわけです。

そして カット数が多いほど、この恩恵は大きくなります。 13カットのうち1カットだけ気に入らない、というのは普通に起こります。そのために13カット全部を作り直すのか、1カットだけ差し替えるのか。つまり、差は歴然でしょう。

3-3. 各工程の品質が上がる

そもそも全部を1モデルにやらせると、どうしても すべてが「まあまあ」 になります。反対に、専門モデルに分担させれば、それぞれの工程で最高品質を狙えます。

• たとえば語りは、テキストモデルが本気で書いたナレーション原稿
• また絵は、画像モデルが本気で描いた1枚（しかも何十枚でも試せる）
• さらに声は、音声モデルが本気で読んだ語り
• そして動きは、Veo が本気で付けたモーション

とくに効くのが 「絵の作り込み」 です。動画生成は1回あたり数十秒〜数分かかりますが、画像生成なら数秒で終わります。つまり 「良い1枚」を探すコストが圧倒的に低いのです。 したがって良い絵さえ用意できれば、Veo はそれを素直に動かしてくれます。

4. 実践 ― 1分44秒の「三匹の子豚」を作る

さて、ここからは実際に作った 1分44秒の「三匹の子豚」 を題材に、6ステップを具体的に追っていきます。

4-0. 題材の設定

13カットの構成

4-1. Step1：シナリオを生成する（Gemini）

まず、物語全体の構成とナレーション原稿を Gemini に作らせます。なお、ここでの指示が後工程すべてを左右します。

あなたは子ども向け映像作品の構成作家です。
民話「三匹の子豚」を、1分44秒のナレーション付き動画にまとめる構成を作ってください。

制約：
・全体を8秒×13カットで構成すること（1カット＝1場面、8秒を超える展開を1カットに入れない）
・対象：未就学児〜小学校低学年とその保護者
・トーン：温かく、やさしい語り口。怖がらせすぎない
・オオカミが食べられる／殺される描写は避け、「逃げ出す」結末にすること
・最後に、物語のテーマを一言でまとめる締めのナレーションを入れること

出力：
・13カットそれぞれの場面説明（1〜2行）
・カットごとのナレーション文（各8秒で読み切れる長さ、日本語で35文字前後）
・作品全体を通して登場するキャラクターの設定（見た目の特徴を、毎回同じ言葉で
  描写できるレベルまで具体的に）

このプロンプトの設計ポイント

生成されたキャラクター設定

そこで、このプロンプトで出てきた設定を以下のように確定させました。これ以降、全工程でこの文言をそのまま使い回します。

4-2. Step2：カット割りを JSON で生成する（Gemini）

次に、構成が固まったら、それを 後工程がそのまま使える形 に分解します。ここが本ワークフローの心臓部です。

上記の構成を、以下のJSON形式で13カットに分解してください。

各カットには、
・絵コンテ用の視覚描写
・画像生成用プロンプト（Nano Banana向け：被写体・背景・カメラアングル・
  光の質感を含む。登場するキャラクターは、必ず前述のキャラクター設定の
  文言をそのまま使って描写すること）
・ナレーション文（Gemini TTS向け：8秒で読み切れる35文字前後）
・動画化用のモーション指示（Veo向け：カメラワークや動きの説明。
  被写体や背景の描写は含めず、「どう動くか」だけを書くこと）
を含めてください。

{
  "style": "全カット共通の絵柄指定",
  "characters": { "elder": "...", "middle": "...", "youngest": "...", "wolf": "..." },
  "cuts": [
    { "cut_no": 1, "scene": "...", "image_prompt": "...",
      "narration": "...", "motion_prompt": "...", "duration_sec": 8 },
    ... (cut_no 2 〜 13)
  ],
  "closing_message": "..."
}

なぜ JSON にするのか

そこで、JSON にする理由を3つ挙げます。

1. まず 後工程にそのまま渡せる ― image_prompt を Nano Banana に、narration を TTS に、motion_prompt を Veo に。コピペ先が明確です
2. 次に 抜け漏れがなくなる ― 13カットもあると「カット9のナレーションを作り忘れた」が普通に起きます。 スキーマが埋まっているかを見るだけで確認できるのは、想像以上に効きます
3. そして 自動化できる ― エンジニアであれば、この JSON をそのままパイプラインの入力にできます。1つの JSON から画像13枚・音声13本・動画13本が生成されるスクリプトが組めます

絵柄とキャラ設定は、カットの外に置く

for cut in cuts:
    prompt = f"{style} {characters に該当する説明} {cut.image_prompt}"
    image = nanobanana.generate(prompt)                  → cut{n}.png
    audio = gemini_tts.synthesize(cut.narration)         → narration{n}.wav
    video = veo.image_to_video(image, cut.motion_prompt) → cut{n}.mp4
ffmpeg で結合

4-3.【最重要】キャラクターの一貫性をどう守るか

ここで、Step3 に入る前に 長尺の物語動画で必ずぶつかる問題 を先に扱います。商品CMなら「商品が同じに見えればいい」で済みますが、物語はそうはいきません。

もしカット1の子豚と、カット13の子豚が別人に見えたら、作品として成立しません。

というのも、13カットそれぞれを独立に生成すれば、まず間違いなく顔も体型も服も変わります。 そこで対策を3層で講じます。

対策① キャラクター描写を「固定文」にして機械的に貼り付ける

まず、いちばん効くのに、いちばん見落とされる基本からです。

実は、4-1 でキャラクター設定を確定させ、4-2 の JSON で characters をトップレベルに置いたのは、この「固定文の貼り付け」を機械的にやるため です。というのも、人間が毎回書き直すと必ず言葉が揺れるからです。

対策② 画像プロンプトを「共通ブロック＋可変ブロック」で組み立てる

そこで、13カット分の画像プロンプトを次の構造で組み立てます。

このようにしておくと、変わるのは「変えたいところ」だけ になります。つまり、絵柄とキャラは1文字も動きません。

対策③ 参照画像で固定する（ツール側の機能を使う）

対策①②はテキスト側の工夫ですが、それでもブレる場合は、ツール側の機能を使って 参照画像でキャラクターを固定 します。

まず「キャラクター表」を1枚作る

4-4. Step3：絵コンテ画像を生成する（Nano Banana）

さて、準備が整ったので13枚を生成します。ここでは代表的な3カットの プロンプト全文 を載せます。

カット1：旅立ち

【共通】温かみのある水彩絵本風、やわらかい輪郭線、パステル調の色彩。
【共通】赤いスカーフを首に巻いた、ふっくらした体型のピンクの子豚、
　　　黄色い麦わら帽子をかぶった、そばかすのあるピンクの子豚、
　　　青いオーバーオールを着た、丸い眼鏡をかけたピンクの子豚。
【可変】緑の丘に建つ小さな家の前で、母豚に見送られながら、
　　　三匹がそれぞれ荷物を持って並んで立っている。朝のやわらかな光。
　　　なだらかな緑の丘と朝の空が画面いっぱいに広がる、少し引いた構図。

カット6：オオカミ登場

【共通】温かみのある水彩絵本風、やわらかい輪郭線、パステル調の色彩。
【共通】二本足で人のように立ち、子豚たちと同じ丸みのある絵本タッチでデフォルメされた、
　　　灰色の毛並みに黄色い目、黒いマントを羽織ったオオカミ。体格は子豚より
　　　頭ひとつ分だけ背が高い程度で、毎カット同じ中肉中背。
【可変】暗い森の木立の間から、こちらをじっと見つめている。
　　　夕暮れの青みがかった影、木々のシルエット。
　　　低い位置からの、少し見上げるアングル。

カット13：締め

【共通】温かみのある水彩絵本風、やわらかい輪郭線、パステル調の色彩。
【共通】赤いスカーフを首に巻いた、ふっくらした体型のピンクの子豚、
　　　黄色い麦わら帽子をかぶった、そばかすのあるピンクの子豚、
　　　青いオーバーオールを着た、丸い眼鏡をかけたピンクの子豚。
【可変】朝の光の中、レンガの家の前で三匹が肩を組んで笑っている。
　　　晴れた空、足元に小さな花。画面下部にテキストを載せる余白を
　　　残した、引きの構図。

残り10カットの「可変ブロック」

ここでは、共通ブロックは上記とまったく同じものを使い、可変部分だけを差し替えます。

画像プロンプトで押さえるべき4要素

4-5. Step4：ナレーションを生成する（Gemini TTS）

次に、Step2 の narration を、カットごとに音声化します。13カット分のナレーションは次のとおりです。

設定のポイント

尺に収まっているかを確認する

for i in $(seq 1 13); do
  printf "narration%s.wav : " "$i"
  ffprobe -v error -show_entries format=duration -of csv=p=0 "narration${i}.wav"
done

4-6. Step5：各カットを動画化する（Veo）

さて、いよいよ Veo の出番です。Step3 の絵コンテ画像を入力、Step2 の motion_prompt を指示 として、Image-to-video で 8秒クリップを13本生成します。

13カットのモーション指示

原則① 「何が映るか」ではなく「どう動くか」だけを書く

ここで、上の表をよく見てください。キャラクターの見た目を一切書いていません。 「赤いスカーフの子豚が」ではなく「踊る二匹を」としか書いていないのです。

というのも、被写体・背景・色味は すでに入力画像が持っている からです。ここで改めて「水彩絵本風の」などと書くと、Veo が画像を無視して描き直そうとすることがあります。したがって Veo への指示は動きに限定します。 これが Image-to-video の鉄則であり、キャラクターの一貫性を守るうえでも重要 です。

原則② カメラワークを映像用語で指定する

このように、カメラワークを明示すると再現性が大きく上がります。 「かっこよく動かして」では毎回違う結果になりますが、「ゆっくりドリーインし」と書けば、ほぼ狙いどおりに動きます。

原則③ 1カット＝1アクション

逆に、8秒へ複数の動きを詰め込むと破綻します。実際、上の13カットは、いずれも 動きが1つだけ です。

たとえば「寄って、回り込んで、最後に引く」のような欲張った指示は、8秒では必ず崩れます。 したがって動きを増やしたければ、カットを増やしてください。 むしろ、それが本記事の趣旨でもあります。

Veo 側の設定

4-7. コスト感 ― 13カットでいくらかかるか

ところで、長尺化で必ず聞かれるのが「で、いくら？」です。コストはカット数に比例するので、ここは先に見積もっておくべきポイントになります。

そこで、前回記事に載せた目安（Veo 3.1 標準：8秒あたり約 $3.2 / Fast：約 $0.8〜1.2 / Lite：約 $0.24〜0.4）をもとに試算します。

差を生むのは、モデルの値段ではなく試行回数

ここで差を生んでいるのは、モデルの値段ではなく「試行回数」 です。具体的には、次の3点を守るだけで大きく変わります。

• まず 絵の段階で構図を確定させる（Step3 の画像生成は動画より桁違いに安い）
• 次に モーション指示の当たりを Lite で取る（動きが意図どおりか確認するだけなら Lite で十分）
• そして 納品品質は最後に1回だけ標準モデルで出す

つまり、前回記事で書いた 「試行錯誤は Lite、仕上げは標準」 という原則が、カット数が増えるほど効いてくるということです。13カットなら数万円の差ですが、3分（23カット）なら差はさらに倍になります。

4-8. Step6：ffmpeg で結合する

さて、素材が揃いました。あとは組み立てるだけです。

cut1.mp4 〜 cut13.mp4               ← Veo で生成（映像のみ、各8秒）
narration1.wav 〜 narration13.wav   ← Gemini TTS で生成
bgm.mp3                             ← 任意。BGM（後述）

なお ここからは、カット数が13でも130でも、コマンドは1文字も変わりません。 つまり、ループの範囲を変えるだけです。

(a) 各カットに音声を合成する

for i in $(seq 1 13); do
  ffmpeg -i cut$i.mp4 -i narration$i.wav \
    -c:v copy -c:a aac -ar 48000 -af apad -shortest cut${i}_with_audio.mp4
done

(b) 結合リストを作る

13行を手で書くのは面倒なので、これもループで生成します。

for i in $(seq 1 13); do
  echo "file 'cut${i}_with_audio.mp4'"
done > list.txt

なお、この list.txt の順番が、そのままカットの並び順になります。 したがって構成を入れ替えたくなったら、ここの行を並べ替えるだけで済みます。 生成し直しは一切不要です。3-2 で書いた「Step6 のコマンドのみ・コスト ゼロ」とは、このことです。

(c) 13カットを1本に結合する

ffmpeg -f concat -safe 0 -i list.txt -c copy pigs_full.mp4

-c copy は 再エンコードなしで連結 する指定です。一瞬で終わり、画質劣化もありません。ただし、これが使えるのは全カットのコーデック・解像度・フレームレートが完全に一致している場合だけ です（だから 4-6 で設定を揃えました）。

そして、この時点で 1分44秒の動画が出来上がります。

(d) 音量を統一する

ffmpeg -i pigs_full.mp4 -af loudnorm=I=-16:TP=-1.5:LRA=11 \
  pigs_normalized.mp4

ところが、カットごとに生成した音声は 微妙に音量がバラつきます。 4カットなら我慢できても、13カットもあると「カットが変わるたびに音量が上下する」のはかなり耳障り です。そこで loudnorm フィルタで全体のラウドネスを揃えておくと、一気に「作品っぽく」なります。

なお I=-16 は配信プラットフォームでよく使われるターゲット値です。ただし納品先に規定がある場合は、その値に合わせて調整してください。

(e) BGM を重ねる

加えて、1分44秒を無音のナレーションだけで通すと、かなり寂しく感じます。 30秒程度なら成立しますが、長尺では BGM の有無が体感品質を大きく左右します。

ffmpeg -i pigs_normalized.mp4 -stream_loop -1 -i bgm.mp3 \
  -filter_complex "[1:a]volume=0.12[bg];[0:a][bg]amix=inputs=2:duration=first[a]" \
  -map 0:v -map "[a]" -c:v copy -c:a aac three_little_pigs_final.mp4

エラーになったときの対処

発展：カットの切り替わりを滑らかにする

なお、「ブツ切り感」が気になる場合は、クロスフェード を入れられます。

# 映像のクロスフェード（xfade）／音声のクロスフェード（acrossfade）
# 例：cut1 と cut2 を、7秒地点から1秒かけてクロスフェード
ffmpeg -i cut1_with_audio.mp4 -i cut2_with_audio.mp4 \
  -filter_complex \
  "[0:v][1:v]xfade=transition=fade:duration=1:offset=7[v]; \
   [0:a][1:a]acrossfade=d=1[a]" \
  -map "[v]" -map "[a]" cut1_2_xfade.mp4

ただし、xfade は 再エンコードが発生する ため処理時間がかかります。13カット全部に入れると、それなりの時間を覚悟することになります。

また、全部に入れる必要もありません。むしろ 物語の切れ目（今回ならカット5→6、カット11→12）だけにフェードを入れ、他はカットで切る ほうが、メリハリが出て見やすくなります。したがって、まずは -c copy で素直につないでみて、それから判断することをお勧めします。

4-9. 完成 ― そして、この手順の本当の価値

こうして、1分44秒の「三匹の子豚」が完成しました。冒頭でお見せしたものです。

全体を振り返ると、次のような流れになります。

尺は「変数」になる

そして重要なのは、この手順が「1分44秒」で止まらないこと です。

さらに、カットを23本に増やせば約3分、45本に増やせば6分になります。やることは Step2 の JSON で cuts の数を増やすだけ です。しかも Step3〜5 はループが回る回数が増えるだけで、作業内容は1ミリも変わりません。Step6 に至っては seq 1 13 を seq 1 23 に書き換えるだけです。

つまり 一度この工程を組んでしまえば、尺は変数になります。 そして、これが Veo の「8秒の壁」に対する本質的な回答です。

あとからカットを足せる、ということ

カット数が増えて本当にしんどくなるのは、どこか

5. まとめ

最後に、長くなったので要点を整理します。

Veo 単体の限界

• まず 1回の生成は最大8秒。 Video extension で延長しても実用上は16秒程度が限界
• さらに延長は 画質劣化・被写体のドリフト が起きるうえ、カット割り（シーンチェンジ）ができない
• したがって 「Veo だけで物語動画を1本作る」は実現できません。 最初に期待値を調整すること

長尺化の基本設計

• 「1分44秒の動画を作る」のではなく、「8秒のカットを13本作って繋ぐ」
• また8秒は 1本の上限ではなく、1カットの上限。この読み替えで制約は消える
• カット数 ＝ 目標の尺 ÷ 8秒。 ただし数合わせではなく、物語の場面の切れ目と一致させる
• つまり カットを増やせば、尺は理論上無限に伸ばせる

役割分担

併用の3つの恩恵

1. まず 尺の上限が実質なくなる ― カット数 ＝ 尺
2. 次に 工程ごとにやり直せる ― ナレーションだけ、絵だけ、1カットだけを差し替えられます。Veo がマルチターン非対応であることへの、実務的な回答。カット数が多いほど効く
3. そして 各工程の品質が上がる ― 専門モデルに任せるほうが、1モデルで全部やるより良い結果になります。しかも安い

実践の要点（ハマりどころ）

• 後工程の制約を、最初のプロンプトに埋め込む ― Step1 で「13カット × 8秒」を指定しないと、後で必ず破綻します
• また カット割りは JSON で出力させる ― 抜け漏れ防止と、自動化への入口。style と characters はカットの外に置く
• さらに キャラクター描写は「固定文」を機械的に貼り付ける ― 言葉が揺れた時点で、生成AIには別の指示に見えます
• キャラクターに「一目で分かる記号」を与える ― 赤いスカーフ／黄色い帽子／青いオーバーオール。細部がブレても、記号さえ守られれば同一人物として認識されます
• 13枚の絵コンテを並べて確認してから動画化する ― 本ワークフローで最も費用対効果の高い5分
• なお アスペクト比・解像度・fps を全カットで揃える ― 揃っていないと -c copy が使えず再エンコードになる
• ファイル名を番号で対応づける ― cut1.mp4 / narration1.wav。ループ処理が1行で済みます
• 音声合成には -af apad を必ず付ける ― これが無いと、ナレーションが8秒に満たないカットで 映像のほうが削られます。実測で24秒が20.89秒になりました
• 音量は loudnorm で統一し、BGM を薄く重ねる ― 長尺ほど、音の仕上げが体感品質を左右します
• 最後に 試行錯誤は Lite、仕上げは標準 ― カット数が増えるほど、この差が金額に効いてきます

最後に

最後に。前回の記事を書き終えた時点では、正直「Veo は8秒しか作れないから、用途は限られるな」と思っていました。

ところが実際に手を動かしてみて、考えが変わりました。8秒という制約は、Veo に全部やらせようとするから壁に見えるだけ でした。映像制作がもともとカットの集合体である以上、8秒のカットを高品質に作れることは、むしろ実際の制作工程に素直に合っている とすら言えます。

さらに、工程を分けたことで得られたものは「長尺化」だけではありませんでした。直したいところだけを直せる という、Veo 単体では絶対に手に入らない自由度がついてきました。これが一番大きかったと感じています。

つまり、生成AIを業務で使うとき、「1つの万能モデルに全部やらせる」のではなく、「得意なモデルに分担させて、パイプラインとして組む」 ―― この考え方は、動画に限らず応用が効くはずです。

そのため、この記事が「8秒じゃ足りない」で止まっている方の突破口になれば幸いです。

関連コンテンツ

参考リンク

• Veo 3.1 モデルドキュメント（Google Cloud）
• Veo on Vertex AI で生成した動画を拡張する（日本語ドキュメント）
• Ultimate Prompting Guide for Veo 3.1（Google Cloud Blog）
• Vertex AI Media Studio（コンソール）
• 生成AI の料金（Google Cloud）
• ffmpeg 公式ドキュメント（Concatenate）
• ffmpeg 公式ドキュメント（loudnorm フィルタ）