『Veo 3って評判いいのに、なんで全然指示どおりにならないんだろう』
管理人も、最初はプロンプトの書き方が悪いのだと思っていました。ところが原因は、プロンプトを日本語で書いていたことでした。
同じ内容を英語に直しただけで、一発で指示どおりの映像になりました。その際の設定もクレジットも同じです。
合計5本・540クレジット（約1,780円）を実際に使って測った結果を、作例と一緒に置いておきます。
Veo 3.1で実写・アニメ・商品を作った作例はGoogle Veo 3.1を実際に使ってレビューにまとめています。料金だけを知りたい方はVeo 3の料金を実測へどうぞ。
結論：言語を変えただけで結果が変わりました
先に結論です。同じモデル・同じ設定・同じ課金額で、プロンプトの言語だけを変えた結果です。
| 項目 | 日本語プロンプト | 英語プロンプト |
|---|---|---|
| 指示した被写体（ガラスのコップ） | 出ませんでした | 出ました |
| 消費クレジット | 120 | 120 |
| 生成時間 | 81秒 | 101秒 |
| 解像度 | 1920×1080 | 1920×1080 |
| 尺 | 4.01秒 | 4.01秒 |
| ビットレート | 2,185kbps | 12,833kbps |
| ファイルサイズ | 1.10MB | 6.43MB |
変えたのはプロンプトの言語だけです。モデルもVeo 3のまま、尺も解像度も4秒・1080pのまま、支払ったクレジットも同じ120でした。
ビットレートが5.9倍になっているのは、英語版のほうが情報量の多い映像を作ったからです。日本語版は暗い背景にのっぺりした光の玉が映っているだけで、圧縮が効いてしまっています。
作例1：日本語で指示した結果
まず日本語で指示しました。
プロンプト（全文）
割れたガラスのコップの破片が宙に浮かび、時間が逆再生されるように少しずつ集まって元のコップの形に戻る。暗い背景に一本のスポットライト。カメラはゆっくり右へ回り込む。
この文章は、当サイトで複数のモデルを比べるときに使っている共通のものです。物理の再現とカメラの動きを同時に要求します。
実際の出力：1920×1080／4.01秒／2,185kbps／1.10MB
消費120クレジット（ウルトラプラン換算で約396円）／所要81秒
出てきたのは、暗い背景で光る球体でした。ガラスのコップも、破片も、逆再生も、どこにもありません。拾われたのは「暗い背景」と「一本のスポットライト」だけです。
若干音声にガラスの破片っぽい音がのっていますが、動画自体は全く支持された内容になっていないことがわかります。
作例2：同じ内容を英語にした結果
次に、まったく同じ内容を英語に直しました。
プロンプト（全文）
Shards of a shattered drinking glass float in mid-air and slowly come back together, reassembling into the original glass as if time is running in reverse. Dark background lit by a single spotlight. The camera slowly orbits to the right.
実際の出力：1920×1080／4.01秒／12,833kbps／6.43MB
消費120クレジット（約396円）／所要101秒
破片が宙に浮き、少しずつ集まって、最後にコップの形に戻りました。スポットライトも、右へ回り込むカメラも入っています。指示した要素がすべて反映されています。
プロンプトの中身は変えていません。翻訳しただけです。プロンプトとして入力する言語を日本語から英語に変更しただけで、ここまで生成される動画の品質が変化しました。
並べて比較
同じ動画から0.3秒・1.2秒・2.2秒・3.0秒・3.9秒のコマを抜き出して並べたものです。
上が日本語、下が英語です。上の段は最後まで光の玉のまま終わります。下の段は破片が集まっていく過程がはっきり見えます。
繰り返しますが、この2本は同じモデル・同じ設定・同じ120クレジットです。
Veo 3 Fastでも同じでした
上位版だけの問題かを確かめるため、下位版のVeo 3 Fast（100クレジット）でも同じ2本を作りました。
| Veo 3 Fast | 日本語 | 英語 |
|---|---|---|
| 指示した被写体 | 出ませんでした | 出ました |
| 消費クレジット | 100 | 100 |
| 生成時間 | 81秒 | 81秒 |
| ビットレート | 4,680kbps | 13,953kbps |
結果は同じでした。日本語では提灯のような光る球体が出てきて、英語では破片が集まってコップに戻りました。
Veo 3の系列は上位版でも下位版でも、日本語プロンプトの再現度が落ちます。
英語版のVeo 3 Fastも置いておきます
参考までに、Veo 3 Fastの英語版です。100クレジット（約330円）で、上位のVeo 3（120クレジット）とほとんど区別がつきません。ビットレートはむしろFastのほうが高く出ました（13,953kbps対12,833kbps）。
安いほうで足りる場面は多そうです。
ちなみに、今回のプロンプトでは若干どれも生成される動画の品質が微妙です。これはモデルの性能が悪いわけではなく、実は今回利用したプロンプトがかなり難しいことに起因しています。
プロンプトが悪いわけではありませんでした
「その日本語プロンプトが難しすぎるだけでは？」と思われるかもしれません。同じ日本語プロンプトを他のモデルにも入れて確かめました。
| モデル | 同じ日本語プロンプトの結果 |
|---|---|
| Kling 2.6 | ○：破片が集まってコップに戻りました |
| Gemini Omni Flash | ○：同じく正しく描けています |
| Seedance | ○：破片が集まっていきます |
| Vidu Q2 | ○：破片が球状に集まりました |
| Veo 3 | ❌：光る球体だけで終わりました |
| Pika 2.2 | ○：スポットライトの下にグラスが描かれました |
6つのうち5つは、同じ日本語で正しく描けています。指示内容が完全に落ちたのはVeo 3だけです。プロンプトの難易度ではなく、モデルごとの日本語の扱いの差だと考えるのが自然です。
日本語がすべて駄目というわけでもありません
公平のために、日本語でもうまくいった例を書いておきます。
プロンプト（全文）
夜の屋台。年配の店主が鉄鍋を大きく振ると油が跳ねて炎が立ちのぼる。店主はカメラに向かって笑い、湯気の立つ丼を差し出しながら「おまちどおさま」と言う。屋根を叩く雨音と、鉄鍋が鳴る音。カメラは手前へゆっくり寄る。
実際の出力：1920×1080／8.00秒／17,290kbps／17.29MB
消費100クレジット（約330円）／所要131秒
鉄鍋・油・炎・湯気は、日本語のままでもきちんと出ています。一方で店主も、丼も、セリフも出ませんでした。
ここまでの5本から見えた傾向を以下にまとめておきます。
- 具体的な物の名前（鉄鍋・油・炎）は日本語でも通りやすい
- 抽象的な指示（時間が逆再生される、〜のように集まる）は落ちやすい
- 人物・セリフのような、文の意味を汲む必要があるものも落ちやすい
確実にやるなら英語をプロンプトとして利用することをおすすめします。
音声は正しく載っているか？
Veo 3の売りは映像と一緒に音が出ることです。本当に音が入っているのかを測りました。
生成された5本をブラウザのWeb Audio APIで復号して、音声トラックの実効値（RMS）とピークを計算しています。無音のトラックだけ付いている、ということがないかの確認です。
| 動画 | チャンネル | サンプルレート | 実効値(RMS) | ピーク |
|---|---|---|---|---|
| Veo 3・日本語 | 2（ステレオ） | 48kHz | 0.0397 | 0.618 |
| Veo 3・英語 | 2（ステレオ） | 48kHz | 0.0566 | 1.021 |
| Veo 3 Fast・日本語 | 2（ステレオ） | 48kHz | 0.0382 | 0.873 |
| Veo 3 Fast・英語 | 2（ステレオ） | 48kHz | 0.0682 | 1.089 |
| Veo 3 Fast・8秒（屋台） | 2（ステレオ） | 48kHz | 0.1026 | 0.990 |
5本すべてに実際の音が入っていました。無音のダミートラックではありません。とくに屋台の8秒はRMSが0.1026と大きく、鉄鍋と油の音がしっかり鳴っています。
音つきで出るモデルは多くありません。ここはVeo 3を選ぶ理由になります。
Veo 3で動画を作る手順
Pollo AI経由で作るときの手順です。画面は日本語表示にしてあります。
- 「テキストから動画へ」の入力欄の左下にあるモデル名のボタンを押します
- 一覧から「Veo 3」を選びます（Google系はVeo 3.1／Veo 3 Fast／Veo 3／Veo 2が並んでいます）
- モデル名の右にあるつまみのアイコンを押すと、設定パネルが開きます
- 「動画の長さ」で4s／6s／8s、「アスペクト比」で16:9／9:16、「解像度」で720p／1080pを選びます
- プロンプトを英語で入力します
- 右下の「生成」ボタンを押します。ボタンには消費クレジットが表示されていますので、押す前に必ず確認してください
解像度は必ず1080pにしてください。Veo 3は720pでも1080pでも値段が同じです（どちらも4秒で120クレジット）。720pを選ぶ理由がひとつもありません。
本検証の制約事項
今回の検証において検証しきれていない項目を以下にまとめておきます。
- 各条件1本ずつしか生成していません：AI動画は同じプロンプトでも毎回結果が変わりますので、「日本語だと必ず失敗する」とまでは言えません。ただし日本語で失敗した2本はモデルが違い、英語で成功した2本もモデルが違いますので、偶然としては説明しにくい結果です
- Veo 3.1とVeo 2では試していません：今回はVeo 3とVeo 3 Fastの2つだけです。Veo 3.1 と Veo 2については検証を実施していません。
- Google公式（Geminiアプリなど）経由では確認していません：この記事はすべてPollo AI経由の結果です。公式経由でも同じかは分かりません
- ビットレートは映像の複雑さでも変わります：日本語版と英語版の差が5.9倍あるのは、そもそも映っているものが違うためです。画質そのものの指標としては読まないでください
追加で分かったことがあれば追記します。もし追加で検証して欲しい内容などがありましたら、お気軽にコメントをいただけますと幸いです。
よくある質問（FAQ）
最後に、Veo 3を用いた動画生成時の日本語プロンプトの有効性に関連してよくある質問を以下にまとめておきます。
Veo 3は日本語のプロンプトでは使えないのですか？
使えますが、再現度が落ちます。2026年7月31日に管理人が試したところ、Veo 3もVeo 3 Fastも、日本語で指示した被写体を出せませんでした。同じ内容を英語に直したら、どちらも一発で指示どおりになりました。具体的な物の名前（鉄鍋・炎など）は日本語でも通りましたので、まったく効かないわけではありません。
英語にするとクレジットは増えますか？
増えません。今回は日本語でも英語でも、Veo 3が120クレジット、Veo 3 Fastが100クレジットで同じでした。消費クレジットは尺と解像度とモデルで決まっていて、プロンプトの言語や長さでは変わりませんでした。
Veo 3とVeo 3 Fastはどちらを選べばいいですか？
今回の結果ではFastで十分でした。同じ英語プロンプトで、Veo 3が120クレジット・12,833kbps、Veo 3 Fastが100クレジット・13,953kbpsです。安いFastのほうがビットレートが高く出ました。なお名前に反して、Fastが速いわけではありませんでした。4秒ではどちらも81秒かかっています。
音は本当に出ますか？
出ます。生成された5本すべてにステレオ48kHzの音声トラックが入っていて、実効値（RMS）は0.0382〜0.1026でした。無音のダミーではなく、実際に鳴っています。とくに屋台のシーンでは鉄鍋と油の音が入っていました。
解像度は720pと1080pのどちらにすべきですか？
1080pにしてください。Veo 3は解像度を上げても値段が変わりません。4秒なら720pでも1080pでも120クレジットでした。720pを選ぶと、同じ額を払って解像度だけ下がることになります。
まとめ
Veo 3を5本生成して分かったのは、日本語プロンプトで主題が落ちるということでした。同じモデル・同じ設定・同じ120クレジットで、言語だけを英語にしたら一発で指示どおりになりました。しかも同じ日本語プロンプトを入れたKling 2.6・Gemini Omni Flash・Seedance・Vidu Q2は、いずれもきちんと描けています。
つまりプロンプトが難しいのではなく、Veo 3側の日本語の扱いの問題です。日本語で書きたい方は、Klingのように日本語で通るモデルを選ぶほうが早いと思います。それでもVeo 3を使う理由があるとすれば、音が一緒に出てくることです。実測でもステレオ48kHzの音がきちんと鳴っていました。
使うなら、プロンプトは英語で、解像度は1080pで（720pと同じ値段です）、そして上位版ではなくVeo 3 Fastで。今回の5本では、この組み合わせが一番無駄がありませんでした。
30以上のモデルを1つのアカウントで
Kling・Veo・Soraを個別に契約しなくても、Pollo AIならまとめて試せます。管理人もプロプラン（月額$29）で検証しています。
※広告リンクです。ここから登録いただくと管理人のお財布が少しあたたまり、次の検証の課金代になります。もちろんみなさんの料金は変わりません。
コメント