Gemini Omni で YouTube ショートを作る方法：9:16 プロンプトとワークフロー

YouTube ショートで評価されるのは、すぐに注目を集められ、スマホの画面で明快に伝わり、視聴者に見続ける理由を与えるアイデアです。Gemini Omni を使えば、従来の撮影を組まなくても、テキストプロンプト・参照画像・既存のビジュアル案から、こうした縦型ショート動画を制作できます。

ただし、9:16 のアスペクト比を選ぶだけでは効果的なショートにはなりません。良い結果には、強い冒頭、モバイル向けの構図、制御された動き、適切な音、そして尺に見合った構成も必要です。

このガイドでは、推奨する書き出し設定、再現可能な制作フロー、実用的な 9:16 プロンプト例を含めて、Gemini Omni で YouTube ショートを作る方法を解説します。

Gemini Omni で YouTube ショートは作れるのか

Gemini Omni は 9:16 の縦型動画を生成できるため、YouTube ショート、Instagram リール、TikTok などの縦型動画プラットフォームに適しています。

製品や実装によっては、およそ 3〜10 秒の短いクリップに対応します。インターフェースによっては 4 秒・6 秒・8 秒・10 秒といった固定の選択肢が用意されています。

YouTube ショートは、生成した 1 本のクリップよりずっと長くできます。現在は最大 3 分までの正方形・縦型動画がショートとして扱われますが、だからといって 3 分の動画を一度に生成しようとすべきではありません。

より制御しやすいのは、焦点の定まった複数のクリップを生成し、編集でつなぐ進め方です。たとえば 30 秒のショートは次のように構成できます。

1. 5 秒のビジュアルフック
2. 8 秒の課題提示・状況説明
3. 6 秒のデモクリップ 2 本
4. 5 秒の結論またはコール・トゥ・アクション

シーンを分けて生成しておけば、弱いカットだけを差し替えられ、動画全体を作り直さずに済みます。

推奨する YouTube ショートのフォーマット

次の設定を実用的な出発点にしてください。

項目	推奨値
アスペクト比	9:16
解像度	1080 × 1920
ファイル形式	MP4
映像コーデック	H.264
フレームレート	24 または 30 FPS
音声コーデック	AAC
音声サンプリングレート	48 kHz
色空間	SDR BT.709
1 クリップの尺	生成シーンごとに 4〜10 秒
ショート全体の尺	アイデアが許す限り短く。最大 3 分まで対応

YouTube は正方形の動画もショートとして扱えますが、9:16 のほうがスマホの画面をより広く使えるため、モバイル前提のコンテンツでは基本的にこちらが適しています。

縦型動画の左右に黒帯を付けないでください。プロジェクトはネイティブの 9:16 キャンバスで書き出します。

縦型のセーフエリアを理解する

YouTube はショートの上にインターフェース要素を重ねて表示します。タイトル、チャンネル情報、エンゲージメント用のボタン、その他の操作要素などです。表示位置は端末やアプリのバージョンによって変わることがあります。

重要な要素はフレームの端ぎりぎりから離してください。

信頼できる構図では、おおむね次のように配置します。

• 顔は画面のやや上寄り中央
• 商品は縦方向の中心軸付近
• 重要なアクションはフレーム中央の 70〜80% の範囲内
• 必須のテキストは下端と右端から離す
• 細かいディテールは中央寄りに

重要な情報を下端に直接置くよう指示してはいけません。字幕やインターフェース要素で隠れる可能性があります。

生成された動画に文字が含まれる場合は、公開前に一語ずつ確認してください。重要な字幕やコール・トゥ・アクションについては、シーン内で生成するより編集ソフトで追加するほうが確実です。

ステップ 1：ひとつの明確なショート向けアイデアから始める

YouTube ショートは通常、ひとつの主要なアイデアを伝えるべきです。

弱いコンセプト：

Create an exciting video about technology, creativity, marketing, AI, the future, and productivity.

焦点の定まったコンセプト：

Show a blank product sketch becoming a finished luxury sneaker in eight seconds.

後者はモデルに明確なビジュアルの変化を示し、視聴者には見続ける理由をすぐに与えます。

本格的なプロンプトを書く前に、このショートを一文で要約しましょう。

このショートは ______ が ______ に変わる様子を見せ、視聴者に ______ を理解させる。

この一文を明快に埋められないなら、そのアイデアは 1 本の短い動画には広すぎるかもしれません。

ステップ 2：最初の 2 秒を設計する

冒頭では、動き・コントラスト・驚き・好奇心、あるいは分かりやすい課題を、ほぼ即座に伝える必要があります。

ゆっくりした状況説明ショットは長編では機能しますが、ショートでは貴重な時間を浪費しがちです。空の部屋から始めて被写体の登場を待つのではなく、アクションのすぐそばから始めましょう。

フックの例：

• 粒子の爆発から商品が現れる
• 劇的なビフォー・アフターの変化
• 出演者が単刀直入に問いかける
• 日常的な物のまわりにミニチュアの世界が形づくられる
• 予想外のカメラワーク
• すでに進行中のビジュアルプロセス
• 本題の前に鳴る意外な音

フックは明示的に記述します。

Begin immediately with the unopened package shaking on the table. Do not use a slow introduction.

どの瞬間が最も重要かを Gemini Omni に推測させてはいけません。

ステップ 3：適切な Gemini Omni のワークフローを選ぶ

ショートの種類によって、出発点となる素材は変わります。

テキストから動画

既存の商品・人物・キャラクター・デザインに依存しないアイデアなら、テキストから動画を使います。

向いているもの：

• 映画的なコンセプト
• 見ていて心地よいプロセス映像
• 自然や旅のシーン
• 抽象的な変形
• 教育系のビジュアライゼーション
• 雰囲気づくりの B ロール

画像から動画

特定の被写体を確実に見分けさせたい場合は、参照画像を使います。

向いているもの：

• 商品のデモンストレーション
• 一貫した AI アバター
• イラストのアニメーション化
• キャラクター動画
• ファッションのコンセプト
• ブランドのビジュアル素材

アップロードした画像を「アイデンティティ参照」として使うのか、「文字どおりの最初のフレーム」として使うのかを明記してください。

Use the uploaded image as a visual identity reference. Do not use it as a frozen first frame.

その画像そのものから動画を始めたい場合は、次のように書きます。

Use the uploaded image as the opening frame, then begin the described movement naturally.

動画編集

もとの動きは十分に使えるが、ある要素だけを変えたいときは動画編集を使います。

編集の依頼は焦点を絞って書きます。

Change the background to a rainy neon street. Keep the subject, action, camera movement, timing, and audio unchanged.

短い編集指示のほうが、既存の動画でうまくいっている部分を保ちやすくなります。

機能の提供状況は、製品・プラン・地域・インターフェースによって異なる場合があります。

ステップ 4：プロンプトを層に分けて組み立てる

効果的な 9:16 動画プロンプトは、7 つの要素に整理できます。

1. フォーマット
2. 被写体
3. フック
4. アクション
5. カメラ
6. 照明とスタイル
7. 音と除外指定

再利用できる構成は次のとおりです。

Create a [duration]-second vertical 9:16 video for YouTube Shorts.

Subject: [main person, product, object, or environment].

Hook: [what happens in the first one or two seconds].

Action: [the exact sequence of visible events].

Camera: [shot size, angle, and movement].

Lighting and style: [visual treatment and mood].

Audio: [dialogue, ambience, effects, and music].

Keep the main subject inside the central mobile-safe area. Do not add subtitles, logos, extra people, black bars, borders, or unreadable text.

この構成は、クリエイティブなアイデアと技術的な制約を切り分けます。

ステップ 5：時間指定の指示を使う

ひとつの短いクリップで複数の出来事を起こす必要があるときは、そのタイミングを記述します。

例：

[0–2s] A sealed silver package shakes on a black table.

[2–5s] The package unfolds into hundreds of metallic strips.

[5–8s] The strips assemble into a futuristic running shoe.

[8–10s] The finished shoe rotates slowly as the camera moves closer.

時間指定はフレーム単位の正確さを保証しませんが、長い一段落よりも望むリズムを明確に伝えられます。

ひとつのクリップに出来事を詰め込みすぎないでください。1 秒ごとに新しい被写体・場所・カメラアングル・エフェクトが登場すれば、結果は落ち着きのないものになりがちです。

たいていのショートでは、ビジュアルの山場は 3〜4 回で十分です。

ステップ 6：9:16 動画のためにカメラを制御する

縦型の構図では、カメラの動きの印象が変わります。

横方向の大きなパンは横長動画では有効に働きますが、狭い縦フレームでは動ける余地が限られます。前進する動き、上下の動き、寄り気味のトラッキング、そして制御された被写体の動きのほうがうまく機能します。

使いやすいカメラ指示：

• 安定したミディアムショット
• ゆっくりしたカメラの寄り
• ローアングルからの見上げ
• なめらかな後退トラッキング
• 穏やかな手持ち風クローズアップ
• 被写体に近づく俯瞰ショット
• 下から上へのゆっくりした見せ方
• カメラは固定し、動きはフレーム内で起こす

短い生成に複数のカメラワークを詰め込むのは避けましょう。

こう書く代わりに：

The camera circles, zooms, tilts, flies upward, and then rapidly tracks backward.

こう書きます：

The camera makes one smooth clockwise quarter-orbit while maintaining a medium close-up.

明確に記述された動きは実行されやすく、スマホの画面でも視聴者が理解しやすくなります。

ステップ 7：音も意図して指示する

音は、字幕や編集を加える前の段階でショートを「完成したもの」に見せてくれます。

映像と同じくらい丁寧に音を記述しましょう。

• 環境音
• 商品の効果音
• セリフ
• 音楽のスタイル
• リズムの変化
• 意味のある無音の瞬間

例：

Sound design: a soft paper tear, three precise mechanical clicks, and a restrained electronic beat that rises during the final reveal. No dialogue.

出演者ものの動画なら：

Voice: warm adult female voice, confident and conversational, moderate pace, clear pronunciation. Quiet studio ambience underneath the dialogue.

セリフはクリップの尺に収まる長さに保ちます。8 秒の出演者動画なら、長い段落より簡潔な一文のほうがうまくいきます。

生成された音楽やセリフを確認せずに使わないでください。発音の誤り、歪み、唐突な終わり方、過大な音量、動作と合っていない効果音がないか聞き取りましょう。

音声編集や再利用可能な音声機能は、すべての Gemini Omni 実装で使えるわけではありません。声の連続性が重要な場合は、最終的なナレーションを編集時に追加する必要があるかもしれません。

Gemini Omni の 9:16 プロンプト例 5 つ

以下のプロンプトは、さまざまな YouTube ショートのチャンネルに合わせて調整できます。

プロンプト 1：シネマティックな商品リビール

Create an eight-second vertical 9:16 product reveal for YouTube Shorts.

[0–2s] Begin immediately with a transparent luxury perfume bottle emerging from a pool of dark reflective liquid. Tiny droplets move outward in slow motion.

[2–6s] A narrow ribbon of warm golden light travels around the bottle while the camera makes one smooth clockwise quarter-orbit.

[6–8s] End on a stable close-up with realistic reflections passing through the glass.

Dark premium studio, black stone surface, warm gold highlights, photorealistic commercial lighting, restrained cinematic color grading.

Sound design: deep soft impact at the beginning, delicate glass chime during the orbit, subtle room ambience. No dialogue.

Keep the bottle centered inside the vertical mobile-safe area. No labels, no subtitles, no logos, no extra products, no black bars, and no scene cuts.

プロンプト 2：心地よいフード動画

Create an eight-second vertical 9:16 food video for YouTube Shorts in one continuous macro shot.

Begin immediately with a spoon breaking through the caramelized top of a small crème brûlée. Show the crisp sugar layer cracking into delicate pieces.

The spoon moves slowly into the soft custard and lifts one smooth portion toward the camera. A thin curl of steam is visible in warm backlight.

Stable close-up, shallow depth of field, realistic food texture, warm restaurant lighting, natural color, premium food cinematography.

Sound design: a clear sugar crack, soft spoon movement, and quiet café ambience. No music and no dialogue.

Keep the dessert and spoon centered. No hands covering the food, no text, no logos, no extra dishes, no cuts, and no exaggerated slow motion.

プロンプト 3：トラベル風の縦型シーン

Create a ten-second vertical 9:16 travel video for YouTube Shorts.

[0–3s] Start behind a lone traveler as she opens a wooden balcony door onto a dramatic mountain valley at sunrise.

[3–7s] The camera follows her forward in one smooth tracking movement as warm sunlight enters the room and morning mist moves through the valley.

[7–10s] She stops at the balcony, and the camera rises slightly to reveal the landscape above her shoulders.

Natural cinematic realism, soft golden morning light, subtle wind moving her hair and clothing, detailed mountain atmosphere.

Sound design: wooden door movement, gentle wind, distant birds, and quiet uplifting instrumental music.

Keep the traveler near the center of the vertical frame. No dialogue, no subtitles, no logos, no abrupt cuts, and no drone-style camera flight.

プロンプト 4：AI アバターのプレゼンター

Use the uploaded portrait only as the identity reference for an original fictional adult presenter. Do not use the image as a frozen first frame.

Create a ten-second vertical 9:16 presenter video for YouTube Shorts. Preserve the presenter's face, hairstyle, apparent age, clothing, accessories, skin tone, and body proportions.

She stands in a warm modern creative workspace, framed in a stable medium shot. She looks directly into the camera and says:

"Great Shorts begin with one clear idea. Show the result first, then explain how you made it."

She makes one small open-hand gesture during the first sentence and points gently toward a screen during the second sentence.

Voice: warm adult female voice, confident and helpful, moderate pace, clear pronunciation, natural pauses.

Soft window light, realistic skin texture, accurate lip synchronization, natural blinking, restrained gestures, and a clean background.

Keep her face and hands inside the central mobile-safe area. No subtitles, no text overlays, no logos, no extra people, no cuts, and no changes to her identity or clothing.

プロンプト 5：部屋のビフォー・アフター

Create an eight-second vertical 9:16 interior transformation video for YouTube Shorts with a locked camera.

[0–2s] Show a small empty apartment room with plain white walls, an uncovered concrete floor, and one large window.

[2–6s] The room transforms in a continuous wave moving from the back wall toward the camera. Warm wooden flooring, a cream sofa, plants, shelves, soft curtains, and modern lighting appear naturally in sequence.

[6–8s] End on the completed comfortable living room as the curtains move gently in the breeze.

Realistic interior design, warm Scandinavian-inspired palette, natural daylight, accurate perspective, believable materials.

Sound design: restrained whoosh during the transformation, soft placement sounds, and calm ambient music at the end.

No people, no text, no logos, no camera movement, no walls changing position, and no objects intersecting.

ステップ 8：最初の生成結果を確認する

生成されたショートを、いちばん見栄えのする 1 フレームだけで判断してはいけません。

完成した動画を数回通して見て、次を確認します。

• 最初の 2 秒で興味を引けているか
• スマホサイズの画面で主題が理解しやすいか
• アクションは意図した順序どおりか
• カメラの動きは安定しているか
• 縦フレーム全体を使えているか
• 顔・手・商品・文字は視覚的に破綻していないか
• 音はアクションと合っているか
• 終わり方に意図が感じられるか
• 必要ならクリップを自然にループできるか

見た目が印象的なクリップでも、フックが遅すぎたり終わりが唐突に切れたりすれば、ショートとしては失敗します。

ステップ 9：焦点を絞った指示で仕上げる

生成結果がおおむね正しいなら、プロンプト全体を書き直すのではなく、変更点をひとつに絞って依頼します。

例：

Make the opening transformation begin immediately. Keep everything else the same.

Keep the product centered throughout the camera movement. Keep everything else the same.

Reduce the camera speed and stabilize the final close-up. Keep everything else the same.

Remove the background music but preserve the sound effects and ambience. Keep everything else the same.

Make the presenter's hand gesture smaller and more natural. Keep everything else the same.

焦点の定まった編集依頼はモデルに明確な目標を与え、うまくいっているディテールを壊す可能性を減らします。

構図そのものが間違っている場合は、弱い結果を繰り返し編集するより、新たに生成し直すほうが効率的です。

ステップ 10：複数のクリップをつなぐ

Gemini Omni が生成するのは短いシーンであり、3 分の完成作品ではありません。長いショートを作るには、生成した複数のクリップを縦型の編集タイムラインで組み合わせます。

1080 × 1920 のシーケンスを使い、可能な限り生成素材と同じフレームレートでプロジェクトを進めてください。

実用的な 30 秒構成の例：

時間	役割
0〜3 秒	結果、または最も強いビジュアルを見せる
3〜8 秒	疑問や課題を提示する
8〜20 秒	プロセスのクリップを 2〜3 本見せる
20〜27 秒	説明や結論を届ける
27〜30 秒	ループ、まとめ、またはコール・トゥ・アクションで締める

間を思い切って詰めてください。ただし、視聴者が主題を理解できないほど速く切るのは避けます。

色、音量、キャラクター参照、商品、カメラの方向性をそろえてクリップ同士をなじませます。同じアバターが複数のシーンに登場するなら、同じ参照画像とアイデンティティ記述を再利用してください。

ステップ 11：字幕を追加して書き出す

多くの視聴者は音量を下げた状態、あるいは無音でショートを見ます。字幕は理解を助け、とくにチュートリアルや出演者ものの動画で効果があります。

字幕は簡潔に。

• 一度に表示するのは短いフレーズひとつ
• 大きく読みやすい書体を選ぶ
• 十分なコントラストを確保する
• テキストは下端と右端から離す
• 被写体の顔や商品を覆わない
• スペルは手作業で確認する
• 話す言葉に合わせてタイミングを取る

書き出しは MP4、映像は H.264、音声は AAC。1080 × 1920・24 または 30 FPS の標準的なショートなら、映像ビットレートは 8 Mbps 前後がアップロードの目安になります。不要な変換はせず、元のフレームレートを保ってください。

エンコーダーに「Fast Start」や「Web Optimized」の設定がある場合は、メタデータがファイル先頭に配置されたストリーミング最適化済みの MP4 になっているか確認しましょう。

YouTube ショートのプロンプトでよくある失敗

9:16 を指定し忘れる

モバイル向け動画を描写しているのに、縦型のアスペクト比を明示していないプロンプトがあります。インターフェースで 9:16 を選び、プロンプト内でも繰り返し指定してください。

立ち上がりが遅い

8 秒のクリップの半分を場所の説明に費やしてはいけません。いちばん面白いアクションのすぐそばから始めます。

重要な要素を端に置く

インターフェースの重なりが、文字・商品・小さな物体を覆うことがあります。重要な要素は中央寄りに置きましょう。

シーンを詰め込みすぎる

短いクリップで、5 つの場所、複数の登場人物、いくつものカメラワーク、セリフ、商品の変化を同時に確実に伝えることはできません。

アイデアを分割し、別々に生成してください。

セリフが長すぎる

セリフが多すぎると早口になり、リップシンクも崩れます。生成前に声に出して読み、尺に無理なく収まるか確認しましょう。

モデルに文字をでっち上げさせる

生成された看板・ラベル・字幕は誤っていることがあります。画面内の文字がコンセプトに不可欠でない限り、重要なコピーは編集時に追加してください。

音を軽視する

想定外の音楽やセリフは、本来使えるはずの動画の印象を変えてしまいます。セリフ・音楽・環境音・効果音・無音のどれを求めるのかを明示しましょう。

黒帯付きの横長クリップをアップロードする

横長の動画を縦のキャンバスに置いて大きな余白を作らないでください。9:16 で意図して生成するか、トリミングします。

よくある質問

YouTube ショートのアスペクト比は何にすべきですか

全画面の縦型体験のために 9:16 を使ってください。最終書き出しは 1080 × 1920 が実用的な標準です。

YouTube ショートはどのくらいの長さにできますか

現在、正方形または縦型の YouTube ショートは最大 3 分までです。ただし最適な尺はアイデア次第で、プラットフォームが許すからという理由だけで長くすべきではありません。

Gemini Omni の動画クリップはどのくらいの長さですか

利用できる尺は製品や実装によって異なります。Gemini Omni は一般に最大 10 秒程度の短いクリップを生成し、それらをつないでより長いショートにできます。

Gemini Omni は音声を生成できますか

Gemini Omni は適切な音声トラック付きの動画を生成でき、セリフ・環境音・音楽・効果音をプロンプトで指定できます。公開前に生成された音声をすべて確認してください。

複数のショートで同じプレゼンターを使えますか

はい。きれいなキャラクター参照画像を用意し、同じアイデンティティ記述を繰り返し、同じ服装と声の方向性を保ち、環境を変える前に制御されたベースクリップを 1 本作ってください。

字幕は動画内で生成すべきですか

重要な字幕は、編集時に追加するほうが一般に確実です。スペル、タイミング、書体、配置、セーフエリアを直接コントロールできます。

3 分のショートを一度の生成で作れますか

複数クリップのワークフローのほうが現実的です。シーンごとに生成し、最良のバージョンを選び、縦型の編集ソフトで組み立ててください。

まとめ

Gemini Omni で YouTube ショートを作ることは、アスペクト比を 9:16 に切り替えるだけの話ではありません。最も強い結果は、焦点の定まったアイデア、即座に効くフック、モバイル向けの構図、制御されたカメラワーク、意図された音、そして節度ある編集の組み合わせから生まれます。

短いビジュアルコンセプトをひとつ決めることから始めましょう。最初の 2 秒で何が起こるかを記述し、主題を中央のセーフエリア内に保ち、複雑な物語は別々のクリップに分けます。複数の出来事が必要なときは時間指定の指示を使い、うまくいった生成を書き直すのではなく、焦点を絞って手を入れてください。

クリップがそろったら 1080 × 1920 のタイムラインで組み立て、読みやすい字幕を加え、音声を確認し、黒帯のないきれいな縦型 MP4 を書き出します。

Gemini Omni で次の縦型動画づくりを始めましょう。生成したクリップ 1 本 1 本を、完成する YouTube ショートの綿密に計画された部品として扱ってください。