画像手や指の形が崩れる
なぜ起きる？ 手は関節が多く、角度によって見え方が大きく変わります。学習データの中でも手がはっきり写った写真は少ないため、AIは「手らしい形」をあいまいに覚えています。
✕ 失敗しやすい笑顔でピースサインをする少女のアップ
○ 改善例笑顔の少女のバストアップ、両手はコートのポケットに入れている
対策：手を目立たせない構図にするのが一番の近道です。手が必要なら、何枚か生成して自然なものを選ぶか、部分的に描き直せる機能（インペイント）で手だけ修正します。
画像・動画AIの失敗パターン25選と、失敗しないプロンプトの書き方
手が崩れる、文字が化ける、数が合わない。よくある失敗の原因と直し方を、失敗例と改善例で比べながら解説します。
画像・動画生成AIには、どのサービスでも共通して起きやすい「失敗のパターン」があります。原因は大きく2つです。ひとつはAIそのものの弱点、もうひとつはプロンプトの書き方が原因でAIが意図を取り違えることです。後者は、書き方を少し変えるだけで防げます。
このページでは25のパターンを、なぜ起きるのか、失敗しやすい書き方、改善した書き方の順にまとめました。番号はプロンプト診断のチェック項目と対応しています。
画像AIが苦手なこと
画像画像の中の文字が化ける
なぜ起きる？ 多くの画像AIは文字を「形の模様」として描くため、意味のある文字列になりにくい仕組みです。日本語はひらがな・カタカナ・漢字が混ざり、形の種類が多いので特に崩れます。
✕ 失敗しやすいカフェの看板に「本日のおすすめ 季節のフルーツタルトとカフェラテのセット」と書かれている
○ 改善例カフェの看板に「OPEN」とだけ書かれている
対策：入れる文字は短く、「」で囲みます。長い文や日本語が必要なら、文字に強いサービス（Ideogram、ChatGPTなど）を使うか、文字なしで生成して画像編集ソフトで後から入れるのが確実です。
画像3つ以上の数が合わない
なぜ起きる？ AIは「数える」ことが苦手です。「たくさん」「少し」の区別はできても、5と6の違いは画像の上ではっきり意識していません。
✕ 失敗しやすい7匹の子猫がソファに並んでいる
○ 改善例子猫が三匹、ソファに並んでいる（または「数匹の子猫」）
対策：正確な数が大事なら、3以下に抑えるか、何枚か作って数が合ったものを選びます。数がそれほど重要でなければ「数匹」「大勢」とぼかすほうが自然な仕上がりになります。
画像左右や位置関係が入れ替わる
なぜ起きる？ 「左」「右」「手前」「奥」のような位置の言葉は、AIにとって弱い手がかりです。誰に対しての左なのかも、文章だけでは決まりません。
✕ 失敗しやすい左に白い犬、右に黒い猫、その間に赤いボール
○ 改善例白い犬と黒い猫が並んで座っている。二匹の前に赤いボールがある。
対策：位置が大事な場合は1つずつ文を分けて書きます。それでも逆になったら、左右反転の編集で直すほうが早いことも多いです。
画像色や特徴が別の人物に移る
なぜ起きる？ 複数の人物や物を一文で説明すると、どの色がどれに属するのかをAIが取り違えます。「属性の混線」と呼ばれる現象です。
✕ 失敗しやすい赤い服の男性と青い服の女性
○ 改善例男性が赤い服を着ている。その隣で、女性が青い服を着ている。
対策：人物や物ごとに文を分け、色や服装はその文の中だけで書きます。人数が多いほど混線しやすいので、主役は2人までに絞るのがおすすめです。
画像仕組みのある物が崩れる
なぜ起きる？ 自転車のチェーン、ピアノの鍵盤、時計の文字盤など、部品の数や並びに決まりがある物は、少しずれるだけで不自然に見えます。
✕ 失敗しやすい自転車を修理する男性の手元のクローズアップ
○ 改善例自転車の横に立つ男性、少し引いた構図
対策：仕組みのある物は大きく写しすぎないことがコツです。主役にするなら、何枚か作って整ったものを選びましょう。
画像鏡や水面の映り込みが合わない
なぜ起きる？ 映り込みは「本体と同じ形を左右反転して描く」必要があり、AIはこれを正確に守れません。顔や服の模様が本体と違ってしまいます。
✕ 失敗しやすい鏡に映った自分を見つめる女性、鏡の中の顔もはっきり見える
○ 改善例窓際に立つ女性、ガラスにうっすら街の灯りが映る
対策：映り込みは背景程度にとどめると自然です。鏡の中の人物を主役にしたい場合は、何枚か作って選ぶ前提で考えましょう。
画像遠くの小さな顔や群衆が崩れる
なぜ起きる？ 画像の中で小さく写る顔は、描くための画素が足りず、目や口の位置が乱れやすくなります。
✕ 失敗しやすい満員のスタジアムの観客、一人一人の表情まで見える
○ 改善例満員のスタジアム、観客はシルエットで、手前の主人公にピントが合っている
対策：主役以外の人は、ぼかす・後ろ姿にする・シルエットにすると違和感が出にくくなります。
画像実在の名所の形が微妙に違う
なぜ起きる？ AIは名所を「それらしく」描きますが、塔の段数や窓の数まで正確には再現しません。見慣れた人ほど違和感に気づきます。
✕ 失敗しやすい東京タワーの細部まで正確な写真
○ 改善例夕暮れの街並みの奥に、赤い電波塔が小さく見える
対策：観光案内など正確さが必要な用途には、実際の写真を使いましょう。雰囲気づくりが目的なら、名所の名前を出さずに特徴だけを書くほうが自然です。
共通同じキャラクターを何枚も描けない
なぜ起きる？ AIは毎回ゼロから絵を作るため、同じ説明文でも顔立ちや服が少しずつ変わります。
✕ 失敗しやすい（1枚目と同じ文章で）同じ少女が公園で遊んでいる
○ 改善例1枚目の画像を参照画像として読み込ませ、「この人物が公園で遊んでいる」と指示する
対策：キャラクターの参照画像を使える機能（キャラクター参照、イメージプロンプト）を使います。動画なら、先に画像で人物を作ってから画像→動画にすると一貫性が保てます。
動画AIが苦手なこと
動画長い動画の後半が崩れる
なぜ起きる？ 動画AIは時間が長くなるほど、最初のコマとの整合性を保つのが難しくなります。後半で物が消えたり増えたりするのはこのためです。
✕ 失敗しやすい少女が街を歩き、カフェに入り、コーヒーを飲む様子を30秒で
○ 改善例少女が雨の街を歩く、5秒
対策：5〜8秒の短い動画を複数作り、編集でつなげるほうがきれいに仕上がります。1本の動画には場面を1つだけ入れましょう。
動画手と物のやり取りが不自然
なぜ起きる？ 食べる、飲む、注ぐといった動作では、手と物と口の位置関係が毎コマ変わります。AIはこの関係を保つのが苦手です。
✕ 失敗しやすいラーメンを箸ですくって食べる男性
○ 改善例ラーメンの湯気がゆっくり立ちのぼる、テーブルの上のクローズアップ
対策：動作そのものではなく、動作の前後や雰囲気を映すと失敗が減ります。どうしても必要なら、手元が大きく写らない引きの構図にします。
動画速い動きで手足が溶ける
なぜ起きる？ ダンスや格闘のように1コマごとの変化が大きい動きでは、AIが前後のコマをつなぎきれず、手足が増えたり溶けたりします。
✕ 失敗しやすい激しくブレイクダンスを踊る少年
○ 改善例少年がゆっくり体を揺らしてリズムをとる、引きの構図
対策：動きはゆっくり、小さくするのが基本です。カメラを引きにすると、細部の崩れが目立ちにくくなります。
動画セリフと口の動きが合わない
なぜ起きる？ 音声と口の形を合わせるには専用の技術（リップシンク）が必要で、一般的な動画AIは得意ではありません。
✕ 失敗しやすいカメラに向かって自己紹介をする女性
○ 改善例（話す動画は）アバター専門のサービスで作る／動画AIでは話していない場面にする
対策：話す動画はHeyGenなどのアバター専門サービスを使うか、後から口の動きを合わせる機能を使います。
プロンプトの書き方が原因で起きる失敗
共通否定の言葉が逆効果になる
なぜ起きる？ AIは「〜ない」という言葉より、その前の名詞に強く反応します。「帽子をかぶっていない」と書くと、「帽子」という言葉に引っぱられて帽子が描かれることがあります。
✕ 失敗しやすい帽子をかぶっていない、眼鏡もかけていない少女
○ 改善例黒髪をおろした少女
対策：無いものは書かずに、あるものだけを書きます。除外したい要素は、サービスにネガティブプロンプト（除外する言葉）の欄があればそちらに書きます。
共通同じ音の言葉を取り違える
なぜ起きる？ ひらがなで書くと、AIは意味を推測するしかありません。「はし」は箸にも橋にも端にもなります。
✕ 失敗しやすいはしの上で、くもを見上げる子ども
○ 改善例橋の上で、雲を見上げる子ども
対策：同じ音の言葉は必ず漢字で書きます。かみ（紙・髪・神）、あめ（雨・飴）、はな（花・鼻）などは特に注意が必要です。
共通比喩や慣用句がそのまま絵になる
なぜ起きる？ AIは言葉を文字どおりに受け取ることがあります。「目が点になる」と書くと、本当に目が点になった絵が出てきます。
✕ 失敗しやすい驚いて目が点になった少年
○ 改善例驚いて目を丸くし、口を少し開けた少年
対策：気持ちを表す慣用句は、実際の見た目（表情、しぐさ）に言い換えます。「雪のように白い」なども「真っ白な」のほうが確実です。
共通修飾のかかり先があいまい
なぜ起きる？ 「の」が続くと、どの言葉がどの言葉を説明しているのか分からなくなります。人間でも迷う文は、AIも迷います。
✕ 失敗しやすい赤い帽子の少女の猫
○ 改善例少女が赤い帽子をかぶり、猫を抱いている
対策：「〜の〜の〜の」と3つ以上続いたら、文を分けます。主語と動詞のある文にすると、意味が1つに決まります。
共通要素を詰め込みすぎる
なぜ起きる？ AIが一度に注意を向けられる要素には限りがあります。要素が多いと、いくつかが消えたり、別の要素と混ざったりします。
✕ 失敗しやすい海辺、灯台、カモメ、ヨット、夕日、少女、犬、麦わら帽子、ピクニック、虹、花火
○ 改善例夕日の海辺で、麦わら帽子の少女が犬と歩いている。遠くに灯台が見える。
対策：主役と大事な要素を3〜5つに絞ります。どうしても入れたい要素が多いなら、画像を分けることも考えましょう。
共通長いプロンプトの後半が無視される
なぜ起きる？ 多くのAIは、プロンプトの前のほうの言葉を重視します。長い文章では、後ろの指定ほど反映されにくくなります。
✕ 失敗しやすい（200文字以上の説明の最後に）なお、背景は夜にしてください
○ 改善例夜の商店街を歩く少女、（以下、細かい指定）
対策：被写体と場所という一番大事なことを最初に書き、画風や細かい指定は後ろに回します。
共通画風の言葉が絵の中に写り込む
なぜ起きる？ 「映画風」「ポスター」「雑誌の表紙」のような言葉は、雰囲気だけでなく、映画の黒い帯やポスターの文字までまとめて連想させます。
✕ 失敗しやすい映画のポスター風の、雨の街の少女
○ 改善例雨の街の少女、映画のような色合いと光、文字なし
対策：雰囲気だけがほしいときは「映画のような光と色」のように、ほしい要素だけを書きます。
画像看板や画面に謎の文字が入る
なぜ起きる？ 看板、本、スマホの画面、ネオンなど「文字があるはずの物」を描くと、AIはそれらしい模様の文字を勝手に入れます。
✕ 失敗しやすいネオン街の看板が並ぶ路地
○ 改善例ネオンの光がにじむ路地、看板は遠くでぼけている
対策：文字が読めない距離や角度にするか、ぼかしの指定をします。どうしても気になる場合は、生成後に修正します。
共通社名や作品名が別の意味になる
なぜ起きる？ 社名や作品名は、一般名詞として解釈されたり（アップル→リンゴ）、権利の問題で生成を断られたりします。
✕ 失敗しやすいアップルのノートパソコンを持つ男性
○ 改善例薄い銀色のノートパソコンを持つ男性
対策：特定の商品や作品名ではなく、色・形・素材などの見た目で書きます。実在のキャラクターは生成しないのが原則です。
共通ありがちなイメージに偏る
なぜ起きる？ AIは学習データに多いイメージを選びがちです。「医者」と書くと中年の男性、「日本」と書くと富士山と桜、のように偏ります。
✕ 失敗しやすい日本の医者
○ 改善例30代の女性医師、白衣を着て、明るい診察室でほほえむ
対策：性別、年齢、場所、服装など、意図している要素をはっきり書きます。書かなかった部分は、AIの「ありがち」で埋められると考えましょう。
共通数字が文字として描かれる
なぜ起きる？ 「3匹」の「3」を、数ではなく「描くべき文字」と解釈して、絵の中に数字が入ることがあります。
✕ 失敗しやすい3匹の猫
○ 改善例三匹の猫
対策：数は漢字で書くと起きにくくなります。この診断ツールの自動改善案でも、数字を漢字に置き換えています。
まとめて確認する方法
25項目を毎回思い出すのは大変です。プロンプト診断にプロンプトを貼り付けると、このページの項目に当てはまる言葉を自動で見つけて、対策を表示します。たとえば「帽子をかぶっていない少女がピースしている」と入れると、No.21（手・指）とNo.35（否定の書き方）が表示されます。
ただし、診断は言葉の一覧をもとにした目安です。当てはまっても必ず失敗するわけではなく、当てはまらなくても失敗することはあります。最終的には、何枚か生成して確かめるのが確実です。