AI ホラー 7 本を測りました。うち 6 本は一度も静かになりません。

AI ホラーが怖いというより間抜けに出てくるなら、悪いのはたぶん怪物ではありません。当てずっぽうに飽きたので、議論するかわりに測りました。

公式の MiniMax H3 ショーケース 7 本——合法的に入手できたものすべて——を落として ffmpeg にかけ、0.5 秒窓で RMS レベルを取りました。合計 2,340 窓です。各本の底はこうなりました。

7 本のうち 6 本は一度も静かになりません。 一度も、1 窓たりとも。プロンプトで VHS グリッチと CCTV の放送中断を明示的に求めているファッション作品は、15 秒すべてを 16.8 dB の帯の中で過ごし、底は −25.5 dB。それはダイナミクスのあるサウンドトラックではなく、壁です。

1 本だけがこのパターンを破っていて、それがこのセットで唯一ホラー調のものでした。

その例外と、そのプロンプトが書いていないこと

吸血鬼ティーザーは冒頭のおよそ 1.6 秒が −40 dB を下回り、そのあと 8.5 秒・10.0 秒・13.9 秒でもう一度沈みます。それは頭が静かなだけの平坦なトラックではなく、間の取り方です——「不穏」を図に描いてくれと言われたら描く形そのものです。

これは音を出して見てください。肝心なところは、目に見えないほうの半分にあります。

そこで、この結果を生んだ音声の指示を探してプロンプトを読み返しました——そんな指示はありません。 1,366 文字のなかに sound も music も score も ambience も silence も quiet も出てきません。ひとつもです。

プロンプトが持っているのは、四通りの言い方で述べられた情緒のレジスター——dark romance、gloomy oppression、high-end, restrained and compact、ヒット短編ドラマの最初の 15 秒のフック——そして、そうはならないと拒んでいるものの一覧です。

No blood, no cheap horror, no Halloween feel, no modern street feel.

対照例は同じ資料のなかにあります。公式の犯罪もののタイトルシーケンスもホラーを拒みますが、拒み方が違います。書いてあるのは not horror, not heavy——衣装と一緒に温度まで打ち消しています。 その底は −27.9 dB で、一瞬も止まりません。

衣装は拒み、温度は残す。 これが私の読みですが、強さについては正直に書きます。6 本が「既定は隙間なく鳴り続けること」だと教えてくれる、これは堅い。ホラー調がその既定に何をするかを教えてくれるのは 1 本、つまり 1 サンプルです。 決着とみなす前に、対照版——同じ場面で、レジスターを名指しするテイクとしないテイク——を回すつもりです。

ここから二つ導けて、役に立つのは二つ目です

劣化のキットは無料です。 VHS グリッチ、走査線、色収差、光漏れ、テープの粒子、放送中断——これらはプロンプトの一行で、公式のファッション作品がオンデマンドで出ることを証明しています。みんなが取り合う半分であり、簡単なほうの半分です。

そしてここは、このモデルの弱点が弱点でなくなる半分でもあります。どの拡散動画モデルも VAE で肌の細部を失い、遠景で崩れ、速い動きを滲ませます。プロダクト系はその三つと戦い、アナログホラーはその三つを偽装するためにプラグインを買います。モデルの苦手な方向へ狙って撃つべき、数少ないジャンルのひとつです。

静けさは無料ではなく、しかも探しにいく場所からは出てきません。 non_diegetic_music: N/A は今も私が最初に書く行で、あなたも書くべきです——空欄のままにするのと N/A と書き込むのは、同じ指示ではありません。 ただし上の証拠に照らすと、あのセットで唯一静かな 1 本を生んだのはこのフィールド単体ではありません。レジスターを名指ししたことです。

だから私はいま、情緒のレジスターを視覚と同じくらい明示的に書き、間違ったジャンルを名指しで否定します。 見た目は書き割りですが、実際に働いているようです。

なぜ 8.000 秒なのか

H3 は 24 fps で 17n + 5 フレームの塊を描くので、指定したいほとんどの長さは端数に落ちます。192 フレームがちょうど 8.000 秒で、使える範囲ではそれが唯一の整数秒です。

測った 7 本はすべてこのグリッド上にあり——うち 5 本は 362 フレーム、つまり 15.083 秒——MiniMax 自身の画像から動画のショーケースは 192 フレームです。つまりこれは私たちが導いた小ネタではなく、モデルの挙動そのものであり、参照素材を作っている人たちはすでにこのなかで作業しています。グリッドは別途、完全に計算しました。

15 秒でなく 8 秒を選ぶ理由はもうひとつあります。15 秒でスロー・バーンはできません。 スロー・バーンには「置く・保つ・破る」が要り、15 秒で買えるのは「保つ」と「破る」だけです。だからこの形は不穏を築くのではなく引き継ぎます——1 フレーム目からすでにおかしくなければならず、そのあとはすべて支払いです。

ここでは他のどこよりも効く細部がひとつあります。拍は実在するフレームに置いてください。 24 fps では 00:07.400 は 177.6 フレーム目で、それは存在しません。 タイミングを丸め処理に手渡したことになります。00:07.000 は 168 フレーム目で、きっかり 1 秒の余韻が残ります。

プロンプト

integrated_multimodal_description:
[Shot 1] Live-action, handheld VHS camcorder footage, 1994, heavy tape grain,
chroma bleed and a faint horizontal tracking line. A wide static shot down an
empty primary-school corridor at night. Lockers line both walls. One fluorescent
tube halfway down flickers on a slow irregular cycle; everything beyond it is
dark. Nothing moves. The camera does not move.
[Shot 2] At 00:05.000, hard cut to the identical framing. A tall thin figure now
stands at the far end of the corridor, out of focus, facing away. It is not
walking and never moves. The camera does not move. The fluorescent tube keeps
flickering on the same cycle.
Restrained, patient, oppressive. No blood, no gore, no jump-scare monster,
no Halloween styling.

overall_soundscape:
Room tone only. The low electrical hum of a fluorescent ballast, the constant
hiss of magnetic tape, and the distant settling of an empty building at night.
No footsteps, no breathing, no voices, no doors. At 00:07.000 the fluorescent
hum cuts out completely and the tape hiss is left alone.

non_diegetic_music:
N/A

説明する価値のある選択が四つあります。

人影はピントが外れていて、決して動きません。 ピントを合わせ、光を当て、動かした瞬間にどこか滑稽になります——顔にコミットせざるを得なくなると、モデルの趣味が出てしまうからです。 ピントを外して静止させることは、画面でいちばん描くのが難しいものを隠し、しかも怖い。はっきり見えないものからは目を離せません。

Shot 2 は音が変わらないと明記しています。 画は変わり、音は変わらない。見る側の最初の反応は「いま見たものを疑う」ことで、その疑いこそが効果です。

「ない」ものを個別に名指ししています。 「静か」ではなく——no footsteps, no breathing, no voices, no doors。経験上「静か」は「静かな音楽」と読まれます。求めたことの正反対です。

最後の行が間違ったジャンルを否定します。 測ったあとに足した行であり、いちばん外したくない行です。

どこを変えるか

レジスターの語。 このページでいちばんレバーの効く一行です。restrained を frantic に替えれば、音声フィールドに触れていなくてもミックスは編集と同じくらい変わります。

人影を最後に解像させるかどうか。 終わり際に一歩だけピントへ寄せるのは、選べるなかで最大の変更で、たいてい作品を悪くします。 一度だけ試して、理由を知ってください。

ルームトーンをどこから取るか。 ここで蛍光灯の安定器がよく働いているのは、それに音程があり、音程は止められるからです。 風や車の音に替えると、切るものがなくなります——この驚きには、縁のある音が要ります。

うまくいかないとき

いくらかかるか

当サイトのレートでは 768P は 1 秒 8 クレジット、どのクリップにも解析ぶんの 5 クレジットが付くので、8 秒のテイクは 69 クレジットです。

効いてくる数字は 1 本ではなく本数です。残せる 1 本の前に 3〜4 本は見込んでください——この種のツール全体で正直な数字であり、ホラーも例外ではありません。チェックリストではなく感触を追っているからです。残る 1 本あたり、およそ 276 クレジットと考えてください。

768P で撮ってください。節約のためではありません。 このジャンルが欲しがるのは劣化で、2K は逆に働きます。「安いほうの段が正しい段」である珍しいケースであり、その差額がそのまま、実際に残る 1 本を生む追加のテイクに変わります。レートはこちら。

公開してよいのか

検索結果の 1 ページ目では誰も答えていないのに、ホラーを作る人が実際に抱えている問いです。

アナログホラーは流血ではなく劣化と不在で効かせるもので、それがほとんどのプラットフォームのポリシー内——そして当サイトのポリシー内——に収まる理由です。no blood, no gore をプロンプトに書くのは趣味の問題だけではありません。フィルターを通します。

どんな場合でも守る価値のある規則がひとつ。他社の固有キャラクターは使わないこと。 Backrooms、リミナルスペース、ブランドのない不穏はあなたのものです。他人の怪物は違います——そしてそれはコンテンツポリシーではなく法務部との争いになります。

やってみる

一字一句そのままの公式プロンプト、動かせるレバー、失敗の全リストはゴシック ティーザーのテンプレートにあり、この記事が拠って立つ測定も含まれています。上の廊下から始めたい場合は、テキストから動画の Horror プリセットがサウンドスケープを埋めた状態で読み込みます。

H3 が音声を付け合わせではなく内容として扱う、というその下の議論は別途書いています。

元のクリップは MiniMax の公式サンプルで、awesome-minimax-h3-prompts コレクション（CC BY 4.0）と MiniMax H3 のモデルカードで公開されています。測定は当サイトによるもの：ffmpeg -af astats=metadata=1:reset=24、2026-09-03。