Sora 2で3Dワールドを動画のショットに活用する方法

世界は、Nano Banana 2またはFLUX.2→World Labs/Image-to-3D-Worldノード、あるいはMarbleの3Dノードに通したテキストプロンプトから用意します。生成にはおよそ5分かかります。出力はキャンバス内で操作できるシーンプレビューです——オービット、パン、スクリーンショットができます。Astorieから.obj/.fbx/.glb/USDとしてエクスポートすることはできません。この世界が複数ショットのシーケンスの背骨になり、Sora 2はすべてのショットをそこから導き出します。

操作できる世界の中で、シーケンスに合わせて計画した5枚の角度を揃えた静止画を撮影します。遠景のエスタブリッシングショット(1枚目)、中景(2枚目)、タイトなクローズアップ(3枚目)、肩越しの切り返し(4枚目)、締めくくりの遠景(5枚目)です。それぞれが画像ノードとして落ちてきます。必要以上に多めに撮影しておきましょう——世界を再実行すると別のシーンになってしまうため、まずスクリーンショットを撮っておきます。

キャンバス上に、物語の順番で5つのSora 2の画像から動画へのノードを並べましょう——遠景のエスタブリッシングショットを左に、締めくくりを右に配置します。撮影した各静止画を、対応するSora 2のノードに開始フレームとして接続します。どのクリップも静止画から世界を引き継ぎ、変わるのはカメラの動きとショットごとのプロンプトだけです。

Sora 2は、映画的な動詞をそのまま学習分布に直接マッピングします。ショット1(遠景のエスタブリッシング):「slow camera push forward, atmospheric.」ショット2(中景):「gentle orbit clockwise around the central subject.」ショット3(クローズアップ):「static camera, subject moves slightly within frame.」ショット4(切り返し):「dolly forward with parallax.」ショット5(締めくくり):「slow camera pull back revealing the full space.」といった具合です。「move closer」のような一般的な動詞は、Sora 2に推測させることになってしまいます。

5ショットを超えるシーケンスでは、最後のフレームでのチェーンを使いましょう。Sora 2のN番目のクリップの最後のフレームをフレーム抽出のツールノードに通し、それをN+1番目のクリップの開始フレームとして供給します。固定した3D世界の参照と組み合わせることで、空間的な連続性と時間的な連続性の両方が得られます。世界がロケーションを固定し、フレームのチェーンがカットをまたいでモーションの流れを固定するのです。

5つのSora 2の出力を、物語の順番でAstorieのシーケンスビルダーに配置します。5ショットのシーケンスの総尺は25〜50秒(1クリップあたり5〜10秒)です。音声(ElevenLabs Eleven v3の対話+Minimax Musicの環境音)を重ねましょう。Premiere、DaVinci Resolve、Final Cutへネイティブなシーケンスとして書き出します。固定した3D世界こそが、複数ショットを1つのセットとして読ませた要因であり、NLEへの書き出しが最終的な納品物になります。