Grok Imagineの動画に音をつけるコツ！BGM・SE・環境音・セリフを思い通りに鳴らす指定方法

監修者_SD以外

監修者プロフィール

森下浩志

日本最大級のAI情報プラットフォーム「romptn ai」編集長。著書に「0からはじめるStable Diffusion」「0からはじめるStable Diffusion モデル・拡張機能集編」など、AmazonベストセラーのAI関連書籍を多数執筆。AIにおける情報の非対称性を解消するための社内研修や出張講義も行う。

ネイティブ完結か後乗せかの判断基準

Grok Imagine の音には、プロンプトだけで完結させた方が早い動画と、外部ツールで後乗せした方が早い動画の二種類があります。最初にその分かれ目を押さえると、後の章でどこから手を入れるかが決まります。

判断軸は次の 3 つです。尺の長さ、セリフの声質をどこまで厳密に揃えたいか、そして BGM に特定の曲を当てたいかどうか。この 3 軸のうち 1 つでも「後乗せ寄り」に振れる動画は、ネイティブで粘らずに外部ツールへ逃がした方が時間を浪費しません。

この判断ができていれば、読み進める順番も決まります。次の章ではまず『音種別マトリクスで全体像を掴む』で俯瞰し、その後に『音種別に効くプロンプト記法』『鳴らない・崩れた時の症状別対処』『後乗せワークフローの役割分担』へと進みます。自分のケースが「後乗せ寄り」に振れていた人は、後ほどの『後乗せワークフローの役割分担』の章から逆引きする読み方もできます。

音種別マトリクスで全体像を掴む

判断基準で「どこから後乗せに逃がすか」の地図を持ったところで、次は音種ごとに何が鳴って何が鳴らないかを 1 枚で見ておきます。

Grok Imagine のネイティブ音声は キャラボイス・ムードに合った音楽・環境音の 3 層構造 で組まれていて、効果音(SE)は独立した層を持ちません。つまり 4 つの音種のうち SE だけが「映像トリガーに引っ張られて鳴る/鳴らない」という不安定さを抱える、という前提でこの表を読みます。

このマトリクスで見えてくるのは、BGM と環境音は native の射程に入り、SE とセリフは「条件次第で後乗せに逃がす」が現実解 ということです。各音種で具体的にどう書けば狙った音に近づくかは、後ほどの『音種別に効くプロンプト記法』の章で 1 行ずつ深掘りします。

音種別に効くプロンプト記法

全体像を掴んだところで、ここからは音種ごとに「どう書けば狙った音に近づくか」を 1 つずつ見ていきます。

Grok Imagine で再現性のあるプロンプトを書く近道は、自然文で雰囲気を伝えるのをやめて、音種ラベル: 値 の形に揃えることです。海外コミュニティで共有されている Cinematic Studio 系の書き方や、Imagine 内部で扱われている JSON ライクな項目構造を踏まえると、sound: SE: ambient: voice: の 4 つのラベルを見出しに使い、その後ろにジャンル・秒数・場所・声質といった値を続ける形が安定しやすい記法です。

自然文で「壮大な BGM が流れて、ガラスが割れて、雨の路地に女性の声が響く」と書くより、項目ごとに分けて並べたほうが、生成側がどの音を独立した層として扱えばいいかを取り違えにくくなります。

この考え方を踏まえて、次の 4 つの観点で順に書き方を整理します。BGM の組み立て方、SE をタイミングよく入れる書式、環境音をレイヤーで重ねる書式、そしてセリフの声質を再現性よく指定する三点セットです。

① BGMを思い通りに鳴らす書き方

BGM行は sound: の後ろに「ジャンル+楽器+テンポ+ムード」の 4 要素を並べると、想像に近い曲調が乗りやすくなります。epic のような抽象語より、cinematic orchestral tempo 90bpm のように具体語に寄せるのがコツです。

具体的なプロンプトはこの形が安定します。

sound: cinematic orchestral, strings + brass, tempo 90bpm, mood tense, swell to peak at 0:07

swell to peak at 0:07 のように 盛り上がりの秒数を尺の中で明示 すると、10 秒動画の最後 3 秒で曲が盛り上がる構成を狙えます。

一方、Bohemian Rhapsody 風 のような特定の楽曲名指定は通りません。同じ雰囲気を狙うなら、その曲の構成要素(楽器・テンポ・調性・年代感)を言葉に分解して sound: 行に書き直してください。

② SEを狙ったタイミングで入れる書き方

SE行は「音名+発生秒+強度」を 1 行で並べると、狙った瞬間に音が立ちやすくなります。複数のSEを鳴らす時は、時系列順に上から積んでください。上の行から順に発火する読み方が安定します。

SE: footsteps on gravel at 0:01, soft
SE: glass breaking at 0:03, sharp
SE: distant siren at 0:06, low

回避策は次の 3 つです。

③ 環境音で空気感を作る書き方

環境音は、BGM や効果音と違って「その場の空気」を作るレイヤーです。プロンプトでは ambient: を入口にして、メインの場所と、その奥で鳴っている遠景音をカンマで重ねていく形が一番安定します。

ambient: rainy alleyway, distant traffic, faint neon hum

このとき効くのは、距離感を表す形容詞を各要素に添えることです。distant traffic や faint neon hum のように distant / faint / quiet を足すと「奥で鳴っている」音として処理されやすく、BGM やセリフを潰しません。

ただし、BGM と環境音の比率を数値で指定する書き方は今のところ通りません。「BGM を 70%、雨音を 30%」のような精密なミックスは、後ほどの『DaVinci Resolve で仕上げる』の章で整える前提に置いてください。

もう一点重要なのが、映像側のロケーション描写と環境音を揃えることです。映像が sunny beach なのに ambient: rainy alleyway を足すと、映像側の文脈に引っ張られて環境音が無視されたり、雨音だけ薄く混ざる不自然な挙動になります。

場所タグと ambient: を同じ風景に合わせること。これが空気感を作る一番の前提です。

④ セリフと声質を指定する書き方

セリフ行は voice: の後に話者の性質・訛り・抑揚の三点を並べ、続けて括弧で実際の発話内容を渡す書式が安定します。三点それぞれが反映されるため、声優を雰囲気だけで指定するよりも再現性が高くなります。

voice: low-pitched male in his 40s + slight Brooklyn accent + flat, weary intonation
("もう一度だけ、確かめさせてくれ。")

注意したいのは delicate cool cute のような気分形容語で trait を埋めない点です。Imagine 側はこうした曖昧語をジャンルの典型像にまとめてしまい、想像と離れた年齢層・職業役柄に寄りがちになります。trait は音域(low/mid/high)・年齢帯・性別・職業ロールのように、口頭で他人に説明できるレベルまで具体化すると安定します。

4.3 Beta 以降は唇同期が改善され、長めのセリフでも口の動きが破綻しにくくなりました。短いつぶやきしか試せなかった頃と違い、三点を細かく作り込んだ trait の差が、そのまま尺いっぱいの演技に反映されやすくなっています。

鳴らない・崩れた時の症状別対処

ここまでは音種別に「効く書き方」を整理してきました。ここからは逆に、狙った音が鳴らない・崩れた時にどう立て直すかを症状別に扱います。

Grok Imagineで音がおかしい時、闇雲に再生成を繰り返しても解決しないことが多いです。原因の方向性を読み違えると、同じ症状が何度も再発します。

まずは次の3つのうち、どれが効きそうかを見極めるのが近道です。

症状ごとに、どの手をどの順で当てるかは次のように整理できます。

どの症状でも、踏む順序は共通です。まず構造化プロンプトに書き直し、同じ条件で表の目安回数だけ粘り、それでも改善しなければ後乗せに退避する。この流れを守ると、どこで諦めるかの判断が早くなります。

次の章から、それぞれの症状について具体的な書き直し方と粘り方を見ていきます。

① 無音動画が出てしまう時

音指定を書いたのに無音動画が返ってくる時は、プロンプトが映像描写に寄りすぎていて、音の指示が映像側に飲み込まれていることがほとんどです。

「a girl walking in the rain, BGM　」のように映像描写の末尾に音を足しただけの書き方では、音の優先度が下がって生成側に拾われません。同じ意味でも、音を別ラベルで独立させると鳴り方が安定します。

書き直しの最小単位はこの 1 セットです。

a girl walking in the rain, BGM　

scene: a girl walking in the rain
sound: gentle piano, slow tempo
ambient: light rainfall, distant traffic

scene: で映像、sound: で BGM、ambient: で環境音、SE: で効果音、とラベルを分けて並べるだけで、音指定が映像トリガーに巻き込まれにくくなります。

ここまで書き直しても無音になる時は、同じプロンプトのまま 2〜3 回振り直して安定する seed を探します。それでも鳴らない場合は、Pro の生成枠を使い切っていないか、有料枠から無料枠に落ちていないかも合わせて確認します。

② 声質が想像と反転する時

「やわらかい女性の声」のつもりで指定したのに、出てきたのが想定より一回り年上の女性風の声だったり、声変わり中の少年のような声だったりして、別人の動画ができあがる症状です。

ここで最初に手を入れるのは、前の章で示した三点(性質・訛り・抑揚)のうち性質(trait)に書いた形容語そのものです。delicate cute のような気分語は、Imagine 側がジャンルの典型像にまとめてしまい、想像とまったく違う年齢層や役柄に寄ってしまいます。

反転が起きたら、性質(trait)を音域+年齢帯の具体語に置き換え、訛り(accent)と抑揚(intonation)はそのまま三点で揃えます。

voice: delicate, soft female
("今夜は静かに過ごしましょう。")

voice: high-pitched female in her 20s + neutral American accent + soft-spoken intonation
("今夜は静かに過ごしましょう。")

語彙を組み直したら、同じプロンプトで 2 回まで振り直します。2 回とも同じ方向に外れる時は、seed の問題ではなく語彙が Imagine 側で別の典型像に結びついている状態です。さらに粘らず、性質側の語を差し替え(high-pitched を mid-range に落とす、年齢帯を一段下げる等)に進みます。

語彙を 1〜2 回変えても同じ方向に反転し続ける時は、セリフだけ後乗せに切り出す判断に移ります。映像はネイティブ生成のまま、セリフは別音声トラックとして重ねる手順は、後ほどの「CapCutで後乗せ編集する」の章で扱います。

③ アップデート後に音が崩れた時

「昨日まで鳴っていた音が、更新後に急にガサついた・歪んだ」原因の多くは、プロンプト側ではなくImagine の音響エンジンが版ごと入れ替わっていることです。1.0 から 4.3 Beta までに音声生成は何度も変わっており、Beta 直後は過去の prompt が同じ音を再現しないと割り切るのが出発点になります。

効くのは古い prompt を直す方向ではなく、現行版で新しいベースラインを取り直す動き方です。指定を最小構成まで削り、sound: SE: ambient: voice: を一つずつ戻すと、どの語彙が暴れているか切り分けられます。動いた組み合わせは「現行版用テンプレ」として残し、次の更新時の比較対象にしてください。

それでもザラつきやノイズが版固有で消えない場合は、ネイティブで粘らないのが現実解です。後ほどの「後乗せワークフローの役割分担」で扱うように SE や BGM だけ外で乗せ替えて納品に逃がし、ネイティブ完結への復帰は次の安定版で再判断する切り分けにします。

後乗せワークフローの役割分担

ネイティブで粘らないと決めた時、足りない音をどのツールに渡すかをここで地図化します。後乗せで扱いたい動線は「BGM 差し替え」「SE 追加」「環境音重ね」の 3 つで、これに CapCut / Suno / DaVinci Resolve の 3 ツールを役割で切り分けるのが基本姿勢です。

下の表は、3 動線 × 3 ツールの交差点に各ツールの役割を置いたものです。同じ動線でも、軽い乗せ替えで済むのか、素材そのものを作り直すのか、最終ミックスまで踏み込むのかで担当が変わります。

ツール単位で言い換えると、CapCut は素材を時間軸に並べ替える編集ハブ、Suno は欲しい BGM をその場で作る素材源、DaVinci Resolve は重い音量・ノイズ調整が必要な時だけ呼ぶ仕上げの出口、という三層です。

具体的な操作と判断軸は、続く「①CapCutで後乗せ編集する」「②SunoでBGMを作って差し替える」「③DaVinci Resolveで仕上げる」の章でそれぞれ扱います。

① CapCutで後乗せ編集する

CapCut は「Imagine から出てきた動画に、後から音だけ足し引きしたい」時に最初に開くツールです。動画ファイルを読み込むと、映像トラックの下にネイティブ音声が 1 本載った状態でタイムラインに並びます。ここに後乗せ用の音声トラックを足していくのが基本構造です。

編集の起点は、ネイティブ音声を残すか・消すかの判断です。残す場合は元の音量を下げて下敷きにし、その上に差し替え用トラックを重ねます。消す場合はネイティブ音声トラックをミュートし、後乗せだけで構成し直します。BGM が気に入らない時は「ネイティブを消して Suno で作った曲を 1 本入れる」、環境音だけ薄い時は「ネイティブを残したまま雨音を 1 本足す」、というように動線ごとに使い分けます。

具体的には、BGM 差し替えは音声トラックを 1 本追加して尺をクリップでカット、SE 追加は秒数を指定して短い音を点で置く、環境音重ねは長尺の音をループさせて全体に薄く敷く、という形でレイヤーを分けます。差し替えた音と元動画のなじみは、各トラックの音量フェーダーで合わせるのが一番速く、細かいノイズ処理や最終ミックスまで踏み込みたい時は後ほどの「DaVinci Resolveで仕上げる」の章に上げる、という線引きにしておくと迷いません。

なお CapCut の UI は更新が速く、メニュー名やアイコン位置が変わることがあります。基本構造は「映像 1 本+音声トラック複数」で変わらないので、文言が違ってもタイムラインの考え方で読み替えてください。

② SunoでBGMを作って差し替える

Suno に逃がすのは、Imagine のネイティブ BGM がジャンルとしては合っているのに、曲調そのものがイメージに届かないときです。シネマティックなオーケストラは鳴っているがもう少し疾走感がほしい、サビの位置を後半に寄せたい、といった微調整はプロンプトでは粘りにくく、外部で曲を作り直したほうが早い領域になります。

Suno 側のプロンプトは、ジャンル・楽器・テンポ(BPM)・ムードの 4 点を短く積み上げる書き方が安定します。曲名や既存アーティストの再現指示は避け、要素を並べる形に振り切ります。

cinematic orchestral, strings and brass, 110 BPM, building tension

Imagine の動画は 10 秒前後と短いため、Suno の曲をそのまま貼ると尺が合いません。イントロや盛り上がり部分を切り出して尺に合わせる前提でプロンプトを組み、欲しい高まりが何秒目に来るかも頭の中で決めてから生成すると後の編集が軽くなります。

編集側では元の BGM を抜き、Suno の音源を載せます。タイムライン操作は『① CapCutで後乗せ編集する』の手順がそのまま使えます。

ネイティブ BGM を残すかは基本的に消す側へ寄せた方が破綻しません。二重に鳴ると音圧と帯域がぶつかり、せっかく作った Suno の曲も濁って聞こえるためです。

③ DaVinci Resolveで仕上げる

DaVinci Resolveは、素材を並べ終えた後の最終仕上げを担当するツールです。ネイティブ音声・差し替えBGM・追加SE・環境音が混ざった状態から、音量バランスを揃え、ノイズを抑え、全体のミックスを整える工程を引き受けます。

どの作業をどちらに任せるかは、次の目安で切り分けます。

判断軸はシンプルで、CapCutで合わせたバランスを通し再生して引っかかりが残るかどうかです。セリフが聞き取りにくい、BGMが急に大きくなる、ノイズが目立つといった違和感が1つでも残るならDaVinciに上げる価値があります。逆に、ネイティブ音声がそのまま聞きやすく、差し替え素材も少ない短尺動画はCapCutで完結させて構いません。

重い編集が必要な時だけ呼び出すツール、と割り切るのが現実的です。SNS向けの数秒〜十数秒であればCapCutで十分なことが多く、商用ナレーション動画やBGM主体のショート作品など「音の聞こえ方そのものが価値を決める」案件で初めてDaVinciに持ち込む運用にしておくと、工数が無駄になりません。

他モデルとの音声機能の現在地

音まわりは Imagine 単独の話ではなくなってきました。映像と音声を同時に生成する競合モデル群が出揃ってきたので、いったん俯瞰して Imagine の現在地を確認しておきます。

細かなスペックを並べるとすぐ陳腐化するため、ここでは押さえるべき差分だけを 1 枚の表に集約します。読者の用途は「動画に音をどう乗せるか」なので、見るべきは 音声がネイティブで一緒に出るか、どんな音層が組まれているか、どこで詰まりやすいか の 3 点に絞ります。

表で見るとおり、ネイティブ音声を「映像生成と同じ呼吸」で出すこと自体は競合群も同じ方向に動いています。一方で、セリフ/BGM/環境音を 3 層で同時に組み立てる設計を全面に出している点は、Imagine の現在地としてはっきり強みが出ます。

ただし、声質の安定や楽曲の特定指定など、本記事の前半で扱った詰まりどころは「他モデルなら解決する」種類のものではありません。どのモデルでも、鳴らない音種だけを切り出して後乗せに逃がす設計の方が再現性は高い、という結論はそのまま当てはまります。

商用利用とライセンスの注意点

他モデルとの立ち位置が見えたところで、最後に動画を世に出す前のライセンス確認を整理しておきます。Imagine のネイティブ音声と、後乗せで足すフリー素材で、見るべき観点は同じです。

まず Imagine 側です。生成された動画と音声を商用案件で使ってよいか、クレジット表記が必要か、二次配布や AI 学習への再利用は許されるか、といった条件は xAI の公式利用規約と Grok / Imagine のヘルプに書かれています。プラン (Pro / Heavy など) によって商用範囲が変わる場合があるため、自分の契約プランの記述を必ず一次情報で確認します。

後乗せで使う BGM / SE / 環境音のフリー素材も、サイトごとに条件がかなり違うため、同じ観点で 1 つずつ確認します。

これらは「全部 OK」「全部 NG」のような単純な分かれ方をしません。1 サイト = 1 ライセンスとして、ダウンロード前に利用規約ページを通読し、案件で使う前にもう一度見直す習慣を持つと事故が減ります。

クライアント案件で扱う場合は、確認した規約ページの URL と確認日を記録に残しておくと、後から「どの版の規約に基づいて納品したか」を説明できるため安心です。

Grok Imagineの音まわりでよくある質問

Grok Imagineで音をつけるコツのまとめ

ここまでで、Grok Imagineで音を思い通りに鳴らすための地図は揃いました。最後に流れを短く振り返り、明日から手を動かす順番を1行で渡します。

本記事で扱った7つの論点は次の通りです。

最初の一歩はシンプルです。まずネイティブで一度鳴らしてみて、鳴らない音種だけを後乗せに切る — これだけで判断のループが短くなり、毎回ゼロから悩まずに済みます。

Grok Imagineは更新ごとに音まわりの挙動が動くため、一発で正解を引き当てようとせず、構造化したプロンプトを1本持ったうえで、足りない音種だけ別ツールに逃がすという二段構えが結局いちばん速いです。今日試した結果を構造化プロンプトとして手元に残しておけば、次のアップデートで挙動が変わっても、書式を微調整するだけで再現性を取り戻せます。