AI動画の最初と最後のフレーム指定とは？

最初と最後のフレーム指定は、画像から動画生成にもう1つの固定点を加えたような仕組みです。モデルは最初の画像をクリップの冒頭に、最後の画像を末尾に置き、両方を保持するフレームとして指定したうえで、その間のフレームをノイズから生成し、プロンプトが描くとおりに2枚をつなぎます。

テキストから動画生成ではモデルがすべてを作り出し、画像が1枚なら冒頭より後のすべてを作り出します。2枚あれば目的地があるので、モデルの仕事はもっともらしい道筋を見つけることになります。このモードは計画された変化に向いていて、そうした道筋がないときは苦戦します。

仕組み：2つのフレームを保持し、中間を生成する

オープンなWanモデルの技術レポートが、一般的な設計を説明しています。画像は圧縮されて最初のフレームとして置かれ、その後に空のフレームが続き、二値マスクでどのフレームを保持し、どのフレームを生成するかを示します。画像エンコーダーが画像の内容も読み取るので、画像に写っていなかったフレームにもその見た目が引き継がれます。レポートによると、同じ設計は最初と最後のフレームによる変換や、動画の続きの生成にも広げられます。

FLF2Vという名前はこのファミリーから来ています。Wanチームは2025年4月17日に、first-last-frame-to-videoを意味するWan2.1 FLF2Vを720p限定でリリースしました。

研究ではこのタスクをキーフレーム補間、あるいはインビトウィーン（中割り）と呼びます。2つのキーポーズの間のフレームを描くアニメーターの仕事にちなんだ名前です。あるICLR 2025の論文は、1枚の画像から時間を前に進めるよう学習した画像から動画生成モデルを使い、そのコピーを時間を逆に進めるよう調整し、2つを同時に動かして、各ステップで両端からの推測を混ぜ合わせます。

最初と最後のフレーム指定のプロンプトの書き方

画像ではなく変化を書きましょう。2枚の画像はすでに固定されています。何がどの順番で動くか、カメラが最初の構図から最後の構図へどう移るかを書きます。KlingのO1モデルのガイドは、1枚目の画像を開始フレーム、2枚目を終了フレームとし、その間の変化を書くという型を示しています。

• 最初の画像を最後の画像に変える1つの動作を書く：「彼女は窓辺からカメラのほうへ向き直る」。
• 一方の構図からもう一方へ移るカメラの動きを書く：「ワイドからクローズアップへゆっくりプッシュイン」。
• クリップの終わり方を書く：「落ち着く」「静止する」「光が昇りきる」など。最後の1秒で急に切り替わらないようにします。
• 両方の画像にすでに写っているもの（顔、服、部屋）は書かない。

画像で動画を導く方法はいくつかあります。どれを選ぶかで、ショットのどこまでをあなたが決め、どこまでをモデルが作るかが決まります。

この中でショットの終わりを固定できるのは、最初と最後のフレーム指定だけです。もっと長い流れは、そうしたショットをいくつもつないで作ります。

失敗の多くはプロンプトより前、時間内につなげられない2枚の画像から始まります。Klingの開始・終了フレームのガイドは、同じテーマの似た2枚の画像を求め、違いが大きいとショットが切り替わる、つまり動きではなくカットになることがあると注意しています。

• 両方の画像をクリップと同じ形とサイズにして、どちらの端でもトリミングや引き伸ばしが起きないようにする。
• 被写体、光、レンズ、スタイルはそろえ、変えるのはポーズ、カメラ位置、時間帯など1つか2つにする。
• 変化を長さに合わせる。振り向く動きは5秒に収まりますが、街の日の出は収まりません。
• 最後のフレームは最初のフレームから作る。AI画像編集ツールでコピーを編集するか、AI画像拡張で広い構図に広げれば、変えなかった細部がすべて両方で共通になります。
• 顔、手、文字は両方の画像で大きくはっきりと。中間のフレームは作り出されるもので、小さな細部ほど先に描き直されます。

制限は開発元ごとに異なります。2026年10月29日に各ページを確認した時点の内容です：

• トランジション：昼と夜の同じ通り、空っぽの部屋と家具の入った部屋、夏から雪景色へ。
• ビフォーアフター：メイクの変身、リフォーム、生の食材と調理後の料理。両端は撮影やデザインのとおりそのままです。
• 計画した最終画像に着地するリビール：商品、タイトルカード、ロゴ。
• 正面から背面へ回転する商品。どちらの向きも正確に出ます。
• 絵コンテ用に描いた2つのポーズの間を動くキャラクター。
• 両端に同じ画像を使ったループ動画。

DreamBenchでは、Seedance 2.5、Seedance 2.0、FastとLiteを含むVeo 3.1、Kling 4.0、Kling 3.0、Wan 3.0、Wan 2.7、MiniMax H3、LTX-2.3で終わりの画像を指定できます。HappyHorse 1.1、Grok Imagine 1.5、Vidu Q2は最初のフレームからの開始のみです。この表は、DreamBenchの作成画面が使うのと同じ設定から読み込んでいます：

「最初のフレームのみ」は、モデルがあなたの画像で始めることはできても、どこで終わるかは指定できないという意味です。終わりはプロンプト次第になります。

なぜ動画が最後のフレームで終わらないのでしょうか？最初のフレームは正確に置かれますが、最後のフレームは目標です。モデルはそれに合わせて最後のフレーム群を生成するので、道筋が遅れたり、秒数に対して変化が大きすぎたりすると、近くに着地するか、最後の瞬間に急に切り替わります。2枚の画像が近いほど、着地も近くなります。

• それでも中間のフレームがちらついたり、ずれたりすることがあります。時間的一貫性の破綻で、両端が離れているほどひどくなります。
• 両端で固定できるのは1つのショットです。複数のショットで同じ見た目でなければならない人物には、各ショットに同じ画像が必要で、それがキャラクターの一貫性です。
• 一部の画像を受け付けないモデルもあります。ByteDanceのチュートリアルによると、Seedance 2.5は実在の人物の顔が写った画像を受け付けません。
• 使う権利のある画像だけを使い、他人の写真を動かす前には本人に確認してください。

ロゴアニメーションツールは、DreamBenchで最初と最後のフレームを使う生成です。ロゴをアップロードしてスタイルを選ぶと、アップロードしたままのロゴを専用の背景に置いたものが、終わりのフレームとしてモデルに渡されます。最初のフレームはスタイルによって変わります。「光が走る」ではロゴそのもの、リビール系のスタイルでは何もない背景、あるいはロゴから描いたフレームで、「グリッチ」では崩したもの、「ネオン」では暗い輪郭、「3D回転」では真横の向きです。

各生成はKling 3.0による5秒のクリップで、720pのサウンドなし、1080p、またはサウンド付きの1080pです。ロゴのフレームにきれいに着地しない生成もあるので、最後の1秒がおかしく見えたらもう一度生成してください。

画像から動画生成ツールは画像1枚の版で、写真が5秒のクリップの最初のフレームになります。また作りたい映像を説明すると、DreamBenchはそれをショットとして書き、参照画像から各ショットの冒頭のフレームを描き、動画モデルがそこからショットを生成します。ショットがどこへ向かうかはプロンプトに書かれます。