AI動画広告の制作現場では、ほんの数年前まで「AI生成らしい不自然さ」が暗黙の前提でした。ところが人物生成モデルの精度が上がり、肌の質感、髪の揺れ、視線の動き、口元の形までが自然につながるようになったことで、状況は大きく変わりました。視聴者は、人物が作り物だと感じた瞬間に広告への関心を失います。逆に、数秒間でも「実在の人物」として認識されれば、その後のメッセージは素直に届きます。
ただし、ツールを導入すれば自動的に良い広告ができるわけではありません。リアルな人物を扱うAI動画広告は、企画、キャラクター設計、キーフレーム作成、モーション設計、音声、編集、そして公開前の確認までを一本のパイプラインとして組み立てる必要があります。本稿では、特定のサービスに依存しない中立的な立場から、実務で使えるワークフローと判断基準を整理します。
AI動画広告でリアルな人間生成が重視される理由
視聴者は不自然さを数秒で見抜く
人間の脳は、顔のわずかな非対称、目の光の位置、皮膚の質感のムラといった細部に非常に敏感です。動画の場合、静止画よりも情報量が桁違いに増えるため、わずかな破綻が動きの中で増幅されます。1フレームだけ見れば自然でも、20フレーム連続で見ると「目が笑っていない」「頬の動きが硬い」といった違和感が浮かび上がります。
広告は、視聴者が能動的に見たいと思っているコンテンツではありません。だからこそ、違和感を感じた瞬間にスクロールやスキップが発生します。リアルさの追求は、表現の美しさのためではなく、離脱を防ぐための実務的な投資だと考えたほうが正確です。
信頼性と感情移入が成果を左右する
広告における人間の役割は、商品説明よりも「信頼の橋渡し」にあります。同じ化粧品の説明でも、自然な表情の人物が語る場合と、硬いCGキャラクターが語る場合では、説得力がまったく変わります。特に、健康、美容、金融、教育といった分野では、話者の人物像が購買判断に直結します。
感情移入が起きる条件は、意外にシンプルです。人物の視線がカメラと合っていること、表情の変化が話の内容と一致していること、そして声と口の動きが同期していること。この3点が揃うだけで、視聴者は「誰かが話している」と認識します。逆にこのどれかが崩れると、内容がどれだけ良くても伝わりません。
プラットフォーム側の要求水準も上がっている
縦型ショート広告では、冒頭の数秒で視聴を維持できるかが勝負になります。プラットフォームのアルゴリズムは、視聴維持率や完視聴率を重視するため、冒頭の人物の自然さは配信効率にも影響します。つまりリアルな人物生成は、クリエイティブの質だけでなく、配信コストの効率にも関わる要素です。
リアルな人物動画をつくる技術パイプラインの全体像
四つの工程に分けて考える
リアルな人物動画の制作は、大きく次の4工程に分解できます。
- 設計工程：コンセプト、人物設定、絵コンテ、尺の決定
- 生成工程：キャラクター画像の生成、キーフレームの作成、動画化
- 仕上げ工程：音声合成または収録、リップシンク、編集、カラー調整
- 確認工程：品質チェック、権利確認、プラットフォームポリシー確認
重要なのは、生成工程だけを頑張っても最終品質は上がらないという点です。人物の一貫性は設計工程でほぼ決まり、視聴維持率は仕上げ工程で決まります。
一貫性を決める三要素は顔・服装・照明
複数カットに同じ人物を登場させるとき、破綻が起きる原因は大きく3つに集約されます。第一に顔の造形（骨格、目鼻立ち、髪型）、第二に服装と小物、第三に照明とレンズの印象です。
この3つを固定するために、参照画像をセットで用意します。正面、斜め45度、横顔、全身、表情違いの5枚程度を基準セットにすると、カットをまたいでも人物が「同じ人」に見えやすくなります。照明も、屋外の曇天、室内の窓光、夜の街灯といった条件ごとに参照を分けておくと、シーン追加時の迷いが減ります。
音声は「後から足す」のではなく「先に決める」
初心者がつまずきやすいのが、映像を完成させてから音声を当てる順序です。リアルな人物広告では、音声のテンポが口の動き、まばたき、首の動きに影響します。したがって、ナレーション原稿と話速を先に確定し、それに合わせてカットの長さを決めるほうが、結果的に手戻りが少なくなります。
実践ワークフロー：企画から納品までの10ステップ
ステップ1〜3：目的の定義、人物設計、絵コンテ
ステップ1は、広告の目的を一文で書くことです。「認知を広げる」「資料請求を増やす」「再購入を促す」のどれかによって、人物の話し方も尺も変わります。目的が曖昧なまま生成を始めると、後から全部作り直すことになります。
ステップ2は人物設計です。年齢層、話し方の印象、服装のトーン、背景の生活感を言語化します。「30代前半、落ち着いた声、白いシャツ、朝のキッチン」程度の具体性で十分機能します。属性を細かくしすぎると、かえって生成が不安定になります。
ステップ3は絵コンテです。縦型なら6〜8カット、30秒なら10〜14カットが目安です。各カットに「誰が」「どこで」「何を言うか」を一行で書き、話すカットと商品カットを交互に配置すると、視聴が飽きにくくなります。
ステップ4〜6：キーフレーム、モーション、カメラ設計
ステップ4では、各カットの開始フレームを静止画として用意します。いきなり動画を生成するより、まず1枚ずつ絵を確定させるほうが、修正コストを大幅に下げられます。顔の向き、手の位置、背景の要素をこの段階で固めます。
ステップ5でモーションを設計します。人物の動きは「大きく動かす」より「小さく自然に動かす」ほうが成功しやすいという原則があります。歩行や手振りを大きく動かすと、関節や指の破綻が目立ちます。上半身のわずかな重心移動、まばたき、視線の移動、呼吸による肩の上下だけで、驚くほど自然に見えます。
ステップ6はカメラワークです。人物生成が苦手とするのは、被写体が動きながらカメラも動く複合的な動きです。基本は「人物が動くときはカメラを固定」「カメラが動くときは人物を静止」に分け、編集でつなぐほうが破綻が少なくなります。
ステップ7〜10：音声、編集、書き出し、確認
ステップ7で音声を用意します。合成音声を使う場合も、実収録を使う場合も、話速は毎分300〜340文字程度を基準にすると、聞き取りやすく口の動きも追従しやすくなります。
ステップ8はリップシンクです。日本語は口の開きが小さく、母音の数も限られるため、英語圏向けの設定をそのまま使うと不自然になりがちです。口の動きの振幅を抑え、あごの動きを中心に合わせると自然になります。
ステップ9は編集です。冒頭2秒で人物の顔と結論を出し、中盤で理由、終盤で行動喚起という構成が基本です。字幕は必須と考え、音を消して見られる前提で設計します。
ステップ10は確認です。後述するチェックリストを使って、公開前に必ず第三者の目を通します。制作した本人は破綻に慣れてしまうため、客観的な確認が欠かせません。
キャラクターの一貫性を守る実践テクニック
参照画像セットの作り方
一貫性の鍵は、参照画像の質と一貫性です。解像度が低い参照、逆光で顔が暗い参照、表情が強すぎる参照は、かえって不安定さを招きます。均一な光、無表情に近いニュートラルな表情、シンプルな背景の画像を基準にします。
参照セットは被写体ごとにフォルダを分け、命名規則を統一します。「人物A_正面_昼」「人物A_斜め_室内」のように、条件が一目で分かる名前にしておくと、数週間後の再制作でも迷いません。
シード値とパラメータの記録
生成パラメータは必ず記録します。シード値、プロンプト、参照画像の組み合わせ、動きの強さ、解像度、フレームレート。この記録があるかないかで、修正のしやすさが数倍変わります。表計算ソフトでも構わないので、カット番号と紐づけて残します。
特に重要なのは、成功したカットのパラメータを「基準値」として固定し、そこから1要素ずつ変えて検証する進め方です。複数要素を同時に変えると、何が効いたのか分からなくなります。
ショット間の照明とレンズの合わせ方
カットごとに照明が変わると、同じ人物でも別人に見えます。屋外のカットと室内のカットを混ぜるときは、色温度を揃える編集処理を入れるだけで印象が安定します。また、背景のぼけ量（被写界深度）も統一します。浅いぼけのカットと深いぼけのカットが交互に並ぶと、視聴者は無意識に違和感を覚えます。
「動かしすぎない」という発想
一貫性を保つ最も効果的な方法は、動きの量を減らすことです。顔のアップでは、まばたきと視線の移動だけで十分に生命感が出ます。手を大きく使うカットは、商品を持つ、資料をめくるといった目的がある場合に限定すると、破綻のリスクを抑えられます。
広告フォーマット別の作り分け
縦型ショート（10〜15秒）
冒頭1〜2秒で人物の顔を出し、結論を先に言い切ります。カット数は4〜6、うち人物が話すカットを3つ以上入れると、視聴維持率が安定しやすくなります。テロップは画面の上部3分の1に収め、下部のUIと重ならないようにします。
ストーリー型（30秒）
課題提示、共感、解決策、行動喚起の4幕構成が基本です。人物は1人に絞り、途中で別の人物を出す場合でも、最初の人物との関係性を明示します。複数の人物を一貫させるのは難易度が高いため、初回は1人で作ることを推奨します。
商品デモと口元のリップシンク
商品を持つ手元のカットは、人物生成ではなく実写や静物撮影のほうが早く正確な場合があります。人物の顔と手元の実写を編集でつなぐハイブリッド構成は、リアルさと制作速度のバランスが良い選択です。
多言語・多文化展開
同じ人物を使って言語だけを差し替える場合、口の動きの再生成が必要になります。言語ごとに話速と口の開き方が異なるため、字幕だけの差し替えでは違和感が残ります。まず1言語で完成させ、その設定を基準に他言語へ展開する順序が安全です。
公開前の品質チェックと法務・倫理の実務
品質チェックリスト
公開前に、少なくとも次の項目を確認します。
- 顔が全カットで同一人物に見えるか
- 手、指、耳、歯に破綻がないか
- 背景の文字やロゴが不自然に歪んでいないか
- 音声と口の動きがずれていないか
- 冒頭2秒で内容が伝わるか
- 字幕が音声と一致しているか
- スマートフォンの小さな画面で視認できるか
肖像権・AI開示・プラットフォームポリシー
実在の人物に似せた生成は、たとえ偶然の一致でも重大なリスクを伴います。著名人、一般人の写真を参照として使うことは避け、生成した人物が既存の人物と酷似していないかを確認します。
AI生成であることの開示は、媒体や地域によって求められる範囲が異なります。広告主、媒体社、代理店の三方で方針を確認し、必要に応じて説明文や注記を用意します。また、生成物の権利条件や商用利用の可否は、利用するツールごとに異なるため、契約時に必ず確認します。
記録を残すことの重要性
どのプロンプトで、どの参照画像から、どのカットを生成したのか。この記録は、修正対応だけでなく、説明責任の面でも役立ちます。公開後に問い合わせがあった場合、制作過程を説明できる状態にしておくことが、結果的にブランドを守ります。
よくある失敗とトラブルシューティング
顔が崩れる、カットごとに別人になる
原因の多くは、参照画像の不足か、照明条件の不一致です。対策として、参照セットを5枚以上に増やし、プロンプトの人物記述を毎回同じ文言に固定します。また、顔のアップと全身を交互に並べると、解像感の差で別人に見えることがあるため、中間のサイズを挟むと自然につながります。
手や指が不自然になる
手は現在もっとも破綻しやすい部位です。最も実務的な対策は、手を画面に入れない構図を選ぶことです。どうしても必要な場合は、手のクローズアップを短いカットにし、動きを最小限にします。商品を持つ動作は、編集で手元の実写カットを差し込む方法が確実です。
動きが滑らかでない、カメラが破綻する
生成された動画の動きが唐突な場合は、フレームレートと動きの強さの設定を見直します。動きの強さを下げ、カットの長さを短くし、つなぎ目で編集的に処理するほうが結果が良くなります。また、被写体とカメラの同時移動を避けるだけでも、破綻の多くは解消します。
リップシンクと音声がずれる
ずれの原因は、音声の冒頭にある無音区間、話速の変動、BGMとのミックスのタイミングです。音声の先頭を整え、話速を一定にし、リップシンク処理の後にBGMを重ねる順序にすると改善します。
「なんとなくAIっぽい」と言われる
この指摘の正体は、多くの場合、肌の過剰な平滑化、不自然に整いすぎた歯、動きのない髪、そして照明の非現実的な均一さです。解決策は、質感をわずかに粗くする、髪に小さな揺れを入れる、背景に軽いボケと生活感のある要素を足すことです。完璧さを少し崩すことが、リアルさへの近道になります。
制作体制とコスト最適化の考え方
内製・外注・ハイブリッドの判断基準
内製が向くのは、短尺の縦型広告を継続的に量産する場合です。外注が向くのは、物語性の高い30秒以上の映像や、法務確認が複雑な案件です。ハイブリッドは、人物生成と編集を内製し、音声収録と最終グレーディングのみ外注する形が現実的です。
判断基準は、反復回数にあります。同じ人物設定を何度も使う案件は内製のほうが長期的に有利です。単発で、しかも高い完成度が求められる案件は外注のほうが結果が安定します。
テスト量産と勝ちパターンの横展開
同じ台本で、冒頭の人物カットだけを5パターン用意し、配信テストを回す方法は効果的です。人物の表情、服装、背景を1つずつ変え、どの組み合わせが最も視聴を維持するかを確認します。勝ちパターンが見つかったら、その設定をテンプレート化して横展開します。
計算資源と時間の見積もり
生成処理には時間がかかります。1本の15秒広告でも、テスト生成を含めると数十回の試行が必要になることが普通です。工程ごとに「テスト用の低解像度で確認し、採用カットのみ高解像度で再生成する」という二段階の進め方をすると、待ち時間と計算負荷を抑えられます。
スケジュール設計の目安
15秒の縦型広告1本であれば、企画と人物設計に1日、キーフレーム作成に1〜2日、動画生成と選定に1〜2日、音声とリップシンクに1日、編集と確認に1日。合計5〜7日を目安にすると、無理のない進行になります。初回はこの倍を見込んでおくと安全です。
よくある質問
どの生成モデルを選べばよいですか
用途で選びます。写実的な人物の静止画を作る工程、動画化する工程、口の動きを合わせる工程、音声を作る工程で、それぞれ得意なツールが異なります。重要なのは単一のツールで完結させようとしないことです。工程ごとに最適なものを組み合わせ、受け渡しの形式（解像度、フレームレート、命名規則）を統一します。
実在の人物に似せてもよいですか
推奨しません。実在の人物、特に著名人や一般の個人に似た生成物は、権利侵害や誤解を招くリスクがあります。架空の人物を一から設計し、既存の人物と酷似していないかを確認する運用にします。
尺はどのくらいが適切ですか
媒体によって異なります。縦型のショート広告は10〜15秒、ストーリーを伝える場合は30秒前後が目安です。尺を伸ばすより、冒頭の数秒で人物と結論を見せることを優先したほうが、成果につながりやすくなります。
スマートフォンだけで制作できますか
短尺のテスト制作であれば可能です。ただし、複数カットの一貫性管理や音声の調整を行うと、画面の狭さと処理能力の制約が負担になります。最終的な編集と確認は、デスクトップ環境で行うことを推奨します。
効果測定はどう行いますか
クリエイティブ単位で識別子を付け、冒頭維持率、完視聴率、クリック率を比較します。人物の属性や表情、冒頭のセリフを変えた複数パターンを同時に配信し、差分を確認するのが基本です。数値の良し悪しだけでなく、どの要素が効いたのかを記録しておくと、次の制作に活かせます。
まとめ：リアルさは設計でつくる
AI動画広告におけるリアルな人物生成は、魔法のような自動化ではなく、設計と反復の積み重ねです。人物設定を言語化し、参照画像を整え、動きを抑え、音声を先に決め、公開前に第三者で確認する。この基本を守るだけで、生成物の説得力は大きく変わります。
まずは15秒の縦型広告1本を、人物1人、カット数5つで作ってみてください。完成したら、顔の一貫性、手の破綻、リップシンク、冒頭2秒の伝達力をチェックします。改善点を記録し、2本目で1要素だけ変える。この反復が、結果的に最も速い上達の道です。ツールの進化は速いですが、ワークフローの考え方は長く使える資産になります。
