Grok動画プロンプトのコツと例文

Grok動画プロンプトで検索しているあなたは、たぶんGrok動画生成を試したものの、被写体が動かない、カメラワークが弱い、音声付き動画が思った雰囲気にならない、例文をコピペしても仕上がりが安定しない、といった悩みを抱えているのではないでしょうか。動画生成は画像生成と似ているようで、プロンプトの考え方がかなり違うんですよ。

GrokのImagine videoや画像から動画にする使い方では、日本語プロンプトでも作れますが、英語で短く整理したほうが意図が通りやすい場面もあります。さらに、ネガティブプロンプトの扱い、Spicyモードの注意点、商用利用や著作権のリスク、動画の長さや解像度の設定など、最初に知っておきたいポイントが多いです。

この記事では、Grok動画プロンプトの基本から、実写風、アニメ風、セリフあり動画の例文、ネガティブ指定の考え方まで、初心者でもそのまま使いやすい形でまとめます。

きれいな静止画を作る発想から一歩進んで、時間の中で何が起きるかを設計できるようになると、動画の仕上がりはかなり変わりますよ。

AIで収入UPを実現可能！

Grok動画プロンプトの基本

まず押さえたいのは、Grokで動画を作るときは、写真を説明するように書くだけでは足りないという点です。動画は、被写体、動き、時間、カメラ、音、雰囲気が同時に絡みます。ここでは、Grok動画プロンプトの土台になる考え方を、初心者でも使える形に整理します。

静止画思考では動かない

Grok動画プロンプトで最初につまずきやすいのが、静止画のプロンプトをそのまま動画に流用してしまうことです。たとえば、きれいな女性、海辺、映画風、夕日、みたいに書くと、見た目の方向性は伝わります。でも、動画としては何が起きるのかが弱いんですよね。

画像生成なら、被写体と場所と画風を並べるだけでも、それなりに雰囲気のある1枚が出ます。ところが動画生成では、時間の中で何が変化するのかを指定しないと、背景だけが少し揺れて、被写体はほぼ棒立ち、という結果になりがちです。ここ、かなりあるあるです。

Grok動画プロンプトでは、何が写っているかより先に、何が起きるかを決めるのが大事です。

たとえば、悪い例は次のような書き方です。

逆に、動画向けにするなら、歩く、振り向く、手を伸ばす、ジャンプする、カメラが横から追う、風で髪が揺れる、のように、動詞を中心に組み立てます。つまり、Grok動画プロンプトは名詞より動詞が主役です。

実際に使うなら、次のような形が分かりやすいです。

Side tracking shot of a woman walking on the beach, her hair blowing in the wind, white dress gently flowing, sparkling ocean in the background, photorealistic, smooth motion.

この例では、女性、海辺、映画風という見た目だけでなく、横から追うカメラ、歩く動作、髪と服の揺れ、背景の動きまで入っています。こうすると、Grok側が動画として処理しやすくなります。

もちろん、毎回ここまで細かく書く必要はありません。ただ、最低でも被写体が何をするのか、カメラはどう動くのか、この2つは入れておきたいです。ここが抜けると、動画生成なのに静止画っぽい仕上がりになりやすいかなと思います。

動きを先に決めるコツ

Grok動画プロンプトを作るときは、いきなり装飾語を盛るより、まず動きを1つ決めるのがおすすめです。きれい、リアル、シネマティック、高画質、幻想的、みたいな言葉は便利ですが、それだけだと動画の骨組みにはなりません。

私が考える順番は、かなりシンプルです。まず、被写体に何をさせるかを決めます。次に、その動きをどの距離から見るかを決めます。最後に、光、色、画風、音を足す。これだけでプロンプトのブレがかなり減ります。

最初に決めるべきことは、被写体、動作、カメラ距離の3つです。

たとえば、猫の動画を作りたい場合でも、ただfluffy catと書くより、jumping to catch a butterflyと入れたほうが動きます。さらに、low angle close-upを入れると、ローアングルの迫力が出やすくなります。動画は、カメラの見え方まで含めて設計するのがコツです。

動きを考えるときは、次のように分類すると作りやすいです。

ここで欲張って、踊る、走る、ジャンプする、振り向く、カメラが回り込む、ズームする、みたいに詰め込みすぎると、Grokが処理しきれずに変な動きになることがあります。特に短い動画では、被写体の動き1つ、カメラの動き1つくらいが安定しやすいです。

たとえば、ダンス動画なら、全身が映る正面ショット、軽いステップを踏む、手を左右に振る、というくらいに絞ると扱いやすいです。カーチェイスなら、車が走る、横から追う、背景をブラーにする。このくらいで十分伝わります。

動きを先に決めると、失敗したときの修正もしやすくなります。人物の顔は良いけど動きが弱いなら、Actionだけ強める。カメラが変ならCameraだけ直す。背景が違うならContextだけ直す。全部を一気に変えない。ここ、地味に大事です。

迷わない5要素テンプレ

Grok動画プロンプトで迷ったら、まずは5要素テンプレを使うと書きやすいです。テンプレは、Camera、Subject、Action、Context、Styleの順番で組み立てます。日本語で言うと、カメラ、被写体、動き、場所や状況、画風です。

Camera + Subject + Action + Context + Styleの順番で書くと、動画としての指示が整理されます。

この順番が便利なのは、Grokに対して、どんな画面で、誰が、何をして、どこで、どんな質感なのかを一気に伝えられるからです。プロンプトに慣れていないうちは、この型に当てはめるだけで十分です。

たとえば、未来都市の空撮を作りたいなら、次のように書けます。

Cinematic drone shot flying fast over a futuristic Tokyo city at night, neon lights reflecting on wet streets, hyper-realistic, smooth motion.

このプロンプトは、ドローンショット、未来的な東京、夜、濡れた路面、ネオン、リアル調という流れで整理されています。被写体が人物でなくても、カメラの動きが入っているので動画として成立しやすいです。

実写風なら、Styleにはphotorealistic、cinematic lighting、natural sunlightなどが使いやすいです。アニメ風なら、2D anime style、lo-fi anime style、mecha anime styleのように、最初に画風を固定しておくとブレにくくなります。

ただし、特定の作品名や既存キャラクター名を使って、そのまま再現するような指示は避けたほうが安全です。雰囲気を寄せたい場合も、権利侵害や誤認につながる表現にならないよう注意が必要です。商用利用を考えているなら、なおさらですね。

6要素で映像を整える

5要素テンプレに慣れてきたら、さらにAudioを足して6要素で考えると、Grok動画プロンプトの完成度が上がります。Grokの動画生成では、映像だけでなく音声や効果音が関係する場面もあるため、音の方向性まで入れると雰囲気を合わせやすいです。

6要素は、主題、行動、環境、スタイル、カメラワーク、オーディオです。英語で短く書くなら、Subject、Action、Environment、Style、Camera、Audioという考え方ですね。

たとえば、ファンタジー系の動画なら、次のようにまとめられます。

A mysterious man casting a powerful spell in a dark forest at night, glowing magical energy swirling around his hands, cinematic fantasy lighting, slow-motion camera effect, mystical atmosphere with sparks and wind, epic orchestral background music.

この書き方だと、誰が、何をして、どこで、どんな映像で、どんな音なのかがはっきりします。Grok側が映像と音の方向をつなげやすくなるため、完成後のズレも減りやすいです。

ただし、音声については完璧に同期するとは限りません。日本語のセリフ、口パク、BGMのタイミングなどは、まだズレることがあります。なので、音声付き動画を作る場合は、最初から「多少のズレはある」と考えて、短いセリフやシンプルな効果音から試すのが現実的です。

xAIの公式ドキュメントでは、Grokの動画生成APIについて、長さ、アスペクト比、解像度などを設定できると説明されています。仕様はアプリ版、Web版、API版で見え方が違うこともあるため、動画の長さや画質に関する正確な情報はxAI公式の動画生成ドキュメントをご確認ください。

英語で短く書くコツ

Grok動画プロンプトは日本語でも使えますが、英語で短く整理したほうが安定しやすい場面があります。特に、カメラワーク、映像表現、質感、動作の指定は、英語の定番表現がそのまま通じやすいです。

とはいえ、英語が得意である必要はありません。大事なのは、難しい英文を書くことではなく、短く、具体的に、順番よく書くことです。長文であれこれ詰め込むより、50〜150語程度の中で、必要な要素を整理したほうが狙いが伝わりやすいかなと思います。

英語プロンプトは、長くするより、動詞とカメラワークを明確にするほうが効きやすいです。

使いやすい英語表現を少し挙げると、次のようになります。

英語が苦手な場合は、まず日本語で「誰が、どこで、何をする、どんなカメラ、どんな雰囲気」と書き出してから、Grokや別の翻訳ツールで英語に整えると楽です。最初から完璧な英語にしようとしなくて大丈夫ですよ。

日本語のまま使う場合は、曖昧な表現を避けるのがポイントです。かっこよく、いい感じに、おしゃれに、だけだとGrokが解釈に迷います。代わりに、雨の夜の路面にネオンが反射する、カメラが人物の左側からゆっくり近づく、のように具体化しましょう。

また、セリフを入れたいときは、漢字よりひらがなやカタカナ、またはローマ字のほうが意図した読みになりやすい場合があります。日本語の読みはAIが間違えることもあるので、重要なセリフほど短く、読みやすく、区切りを入れるのがおすすめです。

画像から動画化する手順

Grokで画像から動画を作る場合は、最初の画像がかなり重要です。画像がスタートフレームになるため、構図、被写体、表情、服装、背景が曖昧だと、動画化したときにもブレやすくなります。

テキストだけで動画を作る方法もありますが、狙ったキャラクターや構図を保ちたいなら、先に画像を作り込んでから動画化する流れが向いています。特に人物、商品風カット、アニメ調のキャラクター、SNS向けの短い映像では、画像起点のほうが修正しやすいです。

ざっくりした流れは次の通りです。

たとえば、カフェで女性が微笑む動画を作るなら、最初の画像でカフェ、窓からの自然光、手元のコーヒー、表情まで整えておきます。そのうえで、動画プロンプトでは、コーヒーを飲む、カメラに微笑む、髪が少し揺れる、くらいに絞ります。

Medium shot of a woman sitting in a cafe, drinking coffee and smiling at the camera, natural sunlight streaming through the window, subtle hand movement, soft cinematic lighting.

画像から動画化するときにやりがちな失敗は、画像の情報を無視してプロンプトを盛りすぎることです。たとえば、静かなカフェ画像なのに、急に走る、踊る、爆発する、カメラが激しく回る、と指定すると破綻しやすくなります。元画像の状況に合う自然な動きを選ぶのがコツです。

Grok Imagineの使い方全体を先に押さえたい場合は、Grok Imagineの使い方とプロンプト術で、画像生成から動画生成までの基本フローを確認しておくと理解しやすいです。

Grok動画プロンプト実例と注意点

ここからは、実際に使いやすいGrok動画プロンプトの例文と、失敗を減らすための注意点をまとめます。実写風、アニメ風、セリフあり、ネガティブ指定、商用利用まで、検索している人がつまずきやすい部分をまとめて見ていきましょう。

実写風に使える例文

実写風のGrok動画プロンプトでは、現実にカメラで撮れそうな動きにするほど安定しやすいです。

映画のような、超リアル、4K、シネマティック、だけでなく、カメラの位置、被写体の動き、光の入り方を具体的に入れるのがポイントです。

まず、都市や風景系なら、ドローンショットやワイドショットが使いやすいです。人物の細かい表情よりも、カメラワークと背景の動きで見せられるため、破綻が少なめです。

Cinematic drone shot flying fast over a futuristic Tokyo city at night, neon lights reflecting on wet streets, hyper-realistic, smooth camera motion, dramatic atmosphere.

この例では、夜の未来都市、濡れた路面、ネオン、ドローンの高速移動という要素がはっきりしています。ポイントは、flying fast overと書いて、カメラ自体が動くことを明示しているところです。

自然風景なら、現象を1つ選ぶと作りやすいです。荒れる海、稲妻、波が崖に当たる、みたいに現実の動きが分かりやすいものは、Grok動画プロンプトでも扱いやすいです。

Wide shot of a stormy ocean, massive waves crashing against dark cliffs, lightning striking in the distance, cinematic lighting, powerful natural motion.

人物を入れる場合は、動きを控えめにすると安定します。歩く、座る、コーヒーを飲む、微笑む、振り向くなど、短い動画で収まりやすい動作が向いています。

Medium shot of a Japanese woman sitting in a cafe, drinking coffee and smiling gently at the camera, natural sunlight through the window, realistic skin texture, soft cinematic lighting.

人物が出る動画では、年齢や見た目の指定にも配慮が必要です。実在人物に似せる、本人と誤解されるような素材を使う、許可なく顔写真を動画化する、といった使い方は避けましょう。SNSに投稿する場合も、肖像権やプライバシーに関わる可能性があります。

実在人物、著名人、第三者の顔写真、既存キャラクターを使う場合は、権利や規約の確認が必要です。迷う場合は公開や商用利用を避け、最終的な判断は専門家にご相談ください。

実写風で失敗しやすいのは、動きとカメラを盛りすぎるパターンです。人物を歩かせながら、走らせて、振り向かせて、ドローンが回り込んで、背景が変わって、音楽も盛り上がる、となると短尺ではかなり厳しいです。まずは、動き1つ、カメラ1つ。これで十分です。

アニメ風に使える例文

アニメ風のGrok動画プロンプトでは、最初に画風を固定するのがおすすめです。2D anime style、lo-fi anime style、mecha anime style、cyberpunk anime styleのように、方向性を冒頭で指定すると、映像のブレが減りやすくなります。

ただし、アニメ風は要素を盛りすぎると、キャラの顔、服、背景、エフェクトが揺れやすいです。最初は、動き1つ、エフェクト1つくらいに絞ったほうが安定します。

アニメ風は、画風を固定し、動きとエフェクトを絞るのがコツです。

魔法シーンなら、次のようなプロンプトが使いやすいです。

2D anime style, a magical girl casting a glowing spell, colorful sparkles swirling around her hands, gentle camera push-in, bright fantasy atmosphere, smooth motion.

この例では、魔法少女、呪文、光のエフェクト、カメラが少し寄る、という要素に絞っています。エフェクトを増やしすぎると画面がごちゃつくので、sparklesやswirling energyなど、1種類の動きに寄せると見やすいです。

サイバーパンク風なら、スピード感を出しやすいです。

Cyberpunk anime style, a futuristic motorcycle speeding through a neon tunnel, bright light trails, side tracking shot, dynamic motion blur, vibrant night colors.

ここでは、バイクが走る、ネオントンネル、光の軌跡、横追従ショットという形です。アニメ風でも、カメラワークを入れると一気に動画らしくなります。

日常系なら、激しい動きより空気感が大事です。雨、窓、机、手元の動きなど、小さな変化を入れると自然になります。

Lo-fi anime style, a Japanese girl studying at a desk, rain falling outside the window, pages gently turning, cozy room atmosphere, relaxed slow motion.

アニメ風で注意したいのは、既存作品名や特定キャラクターの再現です。何々風と書きたくなる気持ちは分かりますが、商用利用や公開を考えるなら、特定作品の画風やキャラクターをそのまま連想させる表現は避けたほうが安全です。

代わりに、2D anime style、soft pastel colors、dramatic mecha anime lighting、lo-fi cozy atmosphereのように、一般的な画風語で調整しましょう。これなら、イメージは伝えつつ、権利面のリスクを抑えやすいです。

セリフあり動画の作り方

Grokでセリフあり動画を作る場合は、普通の動画プロンプトよりも丁寧に時系列を書く必要があります。複数人が登場する場合、誰がいつ話すのかを指定しないと、全員が同時に口を動かしたり、別の人物がセリフを言ったりしやすいです。

セリフあり動画では、脚本を書くように、順番を明確にするのが大事です。最初にAが話す。その間Bは口を閉じている。次にBが話す。その間Aはうなずくだけ。最後に2人が笑う。こういう書き方ですね。

セリフあり動画は、プロンプトというより短い台本として書くと安定しやすいです。

たとえば、2人の会話なら次のようにします。

Two Japanese adults standing in a small cafe. First, the woman on the left smiles and says, “konnichiwa”. While she speaks, the man on the right keeps his mouth closed and nods. Then the man on the right says, “yoroshiku onegaishimasu”. While he speaks, the woman keeps smiling without moving her mouth. No subtitles, no text on screen, natural Japanese voice, calm atmosphere.

ここで重要なのは、誰が話すか、話していない人の口はどうするか、字幕を出さないか、という指定です。Grok動画生成では、画面内に謎の文字や崩れたテロップが出ることもあるため、No subtitles、no text on screenを入れておくと安心です。

日本語のセリフは、漢字を避けたほうが読み間違いを減らしやすいです。たとえば、提灯や必至のような読みが複数ありそうな言葉は、AIが変な読み方をすることがあります。短いセリフなら、ひらがな、カタカナ、ローマ字で書くのも手です。

また、自然な間を作りたい場合は、セリフを短く区切ります。長い文章を一気にしゃべらせるより、ひとことずつ区切ったほうが、音声と口の動きが合いやすくなります。

セリフあり動画は一発で完璧に決めるより、短いテストで声、口、表情を確認しながら直すほうが現実的です。特に商用動画や広告風に使う場合は、音声の自然さだけでなく、誤解を招く表現がないかも確認してください。

ネガティブ指定の考え方

Grok動画プロンプトでよくある疑問が、ネガティブプロンプトはどう入れるのか、という点です。一般的な画像生成ツールのように、ネガティブプロンプト専用欄が常に分かりやすく用意されているとは限りません。そのため、基本的にはプロンプト本文の中で、避けたい要素を短く書く考え方になります。

たとえば、字幕を出したくないならNo subtitles、文字を出したくないならNo text on screen、ズームしたくないならNo zoom、BGMを避けたいならNo background musicのように指定します。日本語なら、字幕なし、画面内の文字なし、ズームなし、BGMなし、という形ですね。

ネガティブ指定は、禁止事項を大量に並べるより、絶対に避けたいものだけ短く書くのがコツです。

やりがちな失敗は、No 〇〇を大量に並べることです。たとえば、文字なし、歪みなし、手の崩れなし、顔の変形なし、背景変化なし、カメラ揺れなし、ズームなし、ノイズなし、みたいに詰め込むと、AIが何を優先すべきか迷いやすくなります。

ネガティブ指定を使うときは、ポジティブな指示とセットで考えます。単にズームなしと書くより、Static camera, no zoomと書く。字幕なしだけでなく、No subtitles, clean screenと書く。こうすると、避けたいことと欲しい状態がセットで伝わります。

また、モデレートに引っかかったときに、ネガティブ指定で無理に突破しようとするのはおすすめしません。規約上危ない内容、実在人物の誤認につながる内容、性的・暴力的に過度な内容、第三者の権利を侵害しそうな内容は、表現を安全な方向へ変えるのが基本です。

Grok動画生成ができない、モデレート済みになる、上限や制限のように見える、といった場合は、プロンプト以外の原因もあります。表示・設定・環境・判定・上限を切り分けたい場合は、Grokの動画生成ができない時の対処法も参考にしてください。

商用利用と権利の注意点

Grokで作った動画をSNS投稿やブログ素材、広告風の動画に使いたい人も多いと思います。ただ、商用利用や著作権については、ここで断定しすぎないほうが安全です。AI生成物は、ツールの規約、入力素材、出力内容、利用地域、投稿先の規約によって判断が変わる可能性があります。

xAIの利用規約では、ユーザーが入力や出力を含むコンテンツに関する権利を保持する趣旨の記載があります。ただし、それは何をしても自由という意味ではありません。第三者の権利を侵害しないこと、規約に違反しないこと、出力が一意とは限らないことなども、あわせて考える必要があります。

そのため、記事やSNSで軽く使う場合でも、次のような素材は慎重に扱ってください。

Grokの料金、上限、商用利用、著作権、利用条件は変わる可能性があります。正確な情報は公式サイトをご確認ください。法的なリスクや契約判断が関わる場合は、最終的な判断は専門家にご相談ください。

商用利用を考えるなら、入力素材を自分で用意する、実在人物に似せない、既存作品を連想させすぎない、ロゴや文字を入れない、出力後に権利的に危ない要素がないか確認する、という運用が現実的です。

また、Grokの動画生成には回数や待ち時間の制限が絡むことがあります。無料プランと有料プラン、アプリ版とWeb版、API版で見え方が違う場合もあるため、回数や費用を前提にした運用では、最新表示を必ず確認してください。上限や待ち時間の考え方は、Grok動画生成の制限・上限まとめでも整理しています。

APIを使う場合は、xAI公式のモデルページで料金やレート制限を確認できます。たとえば、Grok Imagine VideoのAPI料金は秒単位で示される形式ですが、プロモーションや地域、仕様変更の影響を受ける可能性があります。業務利用する場合は、Grok Imagine Videoの公式モデル情報を確認してから判断してください。

要するに、Grok動画プロンプトの技術だけでなく、使い方の線引きもセットで考えるのが大事です。うまく作れることと、安心して公開できることは別。ここを分けておくと、あとから困りにくいですよ。

Grok動画プロンプトのまとめ

Grok動画プロンプトで大事なのは、きれいな言葉を並べることではなく、動画として何が起きるのかを設計することです。静止画のように、人物、場所、雰囲気だけを書くと、見た目は整っても動きが弱くなりがちです。

まずは、被写体が何をするのかを決めます。次に、カメラがどう動くのかを決めます。そのうえで、場所、光、画風、音を足す。この順番で作るだけでも、Grok動画生成の失敗はかなり減らせます。

今日から使うなら、Camera + Subject + Action + Context + Styleを基本形にして、必要に応じてAudioを足すのがおすすめです。

実写風なら、現実に撮影できそうな動きを選びます。アニメ風なら、画風を先に固定して、動きとエフェクトを絞ります。セリフあり動画なら、誰がいつ話すかを台本のように時系列で書きます。ネガティブ指定は、禁止事項を大量に並べるのではなく、絶対に避けたいものだけ短く入れましょう。

また、Grokの仕様は変わりやすいです。動画の長さ、解像度、回数制限、モード、料金、商用利用の条件は、アプリ版、Web版、API版、利用プランによって見え方が変わる可能性があります。本文の内容は実用上の考え方として参考にしつつ、正確な情報は公式サイトをご確認ください。

最後に、すぐ使える基本形を置いておきます。

Tracking shot of [subject] [action] in [place], [environment movement], [style], smooth motion, natural lighting, no subtitles, no text on screen.

この型の[subject]に主役、[action]に動き、[place]に場所、[environment movement]に風や雨や光などの変化、[style]に実写風やアニメ風を入れれば、かなり使いやすいGrok動画プロンプトになります。

最初から完璧な動画を狙わなくて大丈夫です。まずは短いプロンプトで試し、動きが弱ければActionを直す。カメラが変ならCameraを直す。雰囲気が違うならStyleを直す。1回ごとに修正点を絞ると、Grok動画プロンプトはどんどん扱いやすくなりますよ。