YouTube上のビジュアライザー動画100本を調べたある分析では、8割以上で、再生開始から45秒ほどで視聴者の離脱が大きくなっていました。音にぴったり合わせて跳ねるバーは、予告どおりにしか動かない、ネタばれ済みの映像だからです。オーディオスペクトラム動画（オーディオビジュアライザー）は、音の周波数の成分を、音に合わせて動く図形で見せる動画です。この記事では、その役割と仕組みを整理し、音に忠実な動きほど早く飽きられること、見続けられる映像は音に従わない要素を意図して混ぜていることを示します。
オーディオスペクトラムは、音声を動画として配信するために生まれました
YouTube、Instagram、Facebookといった主要なSNSは動画が中心で、MP3やWAVのような音声だけのファイルはそのまま載せられません。オーディオスペクトラムは、音声に映像の層を与えて、動画として配信できる形にする役割を担ってきました。
始まりは実用のための工夫でしたが、作り手が色や形を楽曲やブランドに合わせるようになり、表現の一つになりました。用途は主に二つです。音楽の紹介では、静止画のジャケットより目を引き、本格的なミュージックビデオより安く速く作れ、同期した歌詞を重ねればリリックビデオになります。ポッドキャストやラジオ番組のような話し言葉の配信では、いま再生中であることを画面で伝え、ロゴ、話者の写真、字幕と組み合わせるのが一般的です。
見た目は、ジャンルを伝える合図にもなります。ネオン色の鋭い幾何学模様はEDMを、窓辺で勉強する人物のゆるいループ映像はローファイを、ゆっくり変わる柔らかな波形はクラシックやアンビエントを連想させます。
バーを動かしているのは高速フーリエ変換で、細かく見るほど反応は遅れます
スペクトラムを動かしているのは、高速フーリエ変換（FFT）という計算です。どんなに複雑な音の波も、周波数と強さの異なる単純な波の重ね合わせに分けられる、という理論を、コンピュータで速く計算する方法です。
耳で聴くメロディやビートは、時間とともに変わる信号（時間領域）です。一方、ビジュアライザーがある瞬間に見せているのは、その音に低音、中音、高音がどれだけ含まれているか（周波数領域）です。音を短い区間ごとに切り出し、FFTで周波数ごとの強さを求め、それをバーの高さとして描く。これを次々と繰り返すことで、バーが音に合わせて跳ねて見えます。
一度に分析する区間を長くすると、周波数を細かく分けられる代わりに、時間の反応はわずかに鈍くなります。ソフトの周波数バンドの設定の裏には、このトレードオフがあります。仕組みが分かると、バーを大きくする、ではなく、60ヘルツから250ヘルツの低音を強調する、のように意図を持って設定を選べるようになります。
そしてもう一つ、仕組みから分かることがあります。バーの動きは、音が決まれば計算で決まります。どれほど作り込んでも、音を聴いている人にとって、バーは次に何をするかがほぼ分かっている映像です。
音に忠実な動きは、数十秒で予測できる動きになります
冒頭の分析は、離脱が増える理由を、動きのパターンを脳が予測できるようになると新しさが失われるためだと説明しています。一つの分析の結果で、どのジャンルや長さにも同じように当てはまるかは分かりません。ただ、説明の筋は仕組みと合っています。音に忠実であるほど、映像は音から予測でき、見る理由が減ります。
バーの色や形を凝らすほど離脱が減ると考えるのは、議事録を清書し直せば会議の中身が良くなると考えるのと同じ種類の勘違いです。動きの精度や見栄えを上げても、音から予測できるという性質は変わらないからです。
対策は、時間とともに、音からは予測できない情報を足すことです。歌詞や字幕を重ねる、背景の写真や映像を切り替える、ビジュアライザーだけの短いクリップは40〜45秒以内に収める、といった方法が挙げられています。さらに進めると、要素ごとに別のリズムを持たせる設計があります。スペクトラムは音のリズムに、背景のループはゆっくりした自分のリズムに、歌詞は声のリズムに従わせる。音の動きが激しいなら背景は静かに、音が静かなら背景を少しずつ変える。音に従う要素と従わない要素の重なりが、予測しにくく、見続けたくなる映像を生みます。
ただし、見続けてもらうことが目的でない映像もあります。勉強や作業のお供に流すローファイのループは、予測できることがむしろ価値で、新しい情報が次々に入れば集中の邪魔になります。飽きさせない工夫が必要なのは、画面を見てほしい映像の場合です。
道具を選ぶ前に、どの要素を音に従わせないかを決めます
道具は目的と腕前で選びます。細かく作り込むならAfter Effectsの標準エフェクトで、周波数の範囲、バンド数、色の変化、形を沿わせるパスまで調整でき、Blenderなら立体の物体を音に反応させられます。手早く作るならFilmoraのようなデスクトップの編集ソフト、Windowsなら無料のVSDCも選択肢です。ブラウザならRenderforestやSpecterr、スマートフォンならAvee Player（Android）やSTAELLA（iOS）などがあります。
設定で効くのは、周波数の範囲（低音域ならキックやベース、高音域ならシンバルや声に反応）、バンド数と太さ（多く細いと緻密、少なく太いと大胆）、色（対比の強い色は勢い、近い色どうしは穏やかさ）、反応の速さ（短いと打楽器向きの鋭い動き、長いと声やパッド向きの滑らかな動き）です。ただ、どの道具でどう設定しても、ここまでは音に従う要素の調整です。従わない要素は、別に設計しなければ画面に現れません。
AIに頼むときは、音に従うものと従わないものを分けて書きます
音楽に合わせてかっこよく動かして、と頼むのは、合わせる相手もかっこよさの基準も渡していない注文で、AIはそれを平均的なかっこよさで埋めます。動画生成AIや編集の補助AIに頼むなら、次のように分けて書きます。
この曲の低音（キックとベース）にだけ反応する円形のスペクトラムを、画面中央に置いてください。
動きは鋭く、色は紺と水色の2色に絞ります。
背景は音と関係なく、30秒ごとにゆっくり切り替えてください。
サビでは歌詞を大きく表示してください。何に反応させるか（周波数）、どう動かすか（形、速さ、色）、音と関係なく何を変えるか（背景、歌詞）。この三つを分けて書くと、AIの出力も確かめやすくなります。
あなたが作っている、または作りたい映像で、音に従わせない要素はどれですか。その映像は見続けてほしいものですか、それとも聴いている間そっと置いておくものですか。
この記事の背景にある考え方は、拙著『ChatGPT はじめてのプロンプトエンジニアリング』の8章6節「動画生成AI Sora」に書きました。メタプロンプトで詳細な動画生成プロンプトを得ても、題材が平均的なら動画も平均的になる、という話です。そこには「個性的な動画にするためには自分なりのプロンプトのアレンジが必須です。」とあります。この節を読むと、音に合わせるという誰でも思いつく指示の上に、自分の映像だけのずらし方を言葉で足す手順を考えられるようになります。
AIの答えが物足りないとき、疑うべきはAIか、自分の言葉か。
『ChatGPT はじめてのプロンプトエンジニアリング』
AIは言葉でしか動かない。プロンプトを暗記するのをやめ、構成要素に分解して、自分の言葉で意図を込める力を鍛える本です。
読み終えたとき、手元に残るもの
- 必須、任意、形式の三つに分けたプロンプトの構造
- 回答の質を変える、意図を込めた生きたプロンプト
- 発注と検収は人が担う、AIとの役割分担
- 章末の演習プロンプト26題
4刷重版。全国の大学図書館65館が所蔵しています（2026年10月時点）。