キャラクターの一貫性はなぜ最初に崩れるのか
AI動画生成の難しさは、映像の美しさよりも「同じ人物を複数のカットで維持すること」にある。テキストだけのプロンプトでキャラクターを指示すると、モデルは各カットを独立した確率計算として処理する。そのため、顔の骨格、目の間隔、鼻の高さ、髪の分け目、肌の色味といった要素が、生成のたびに数パーセントずつ揺れる。
1カットあたりの揺れが小さくても、10カット、20カットと積み重なれば別人になる。視聴者は顔の細部を言語化できないが、「同一人物かどうか」は無意識に判定している。だからこそ、わずかなズレが物語の没入感を壊し、広告であればブランドの印象を曖昧にする。
崩れは大きく3種類に分けて考えると整理しやすい。第一にアイデンティティドリフト（顔立ちそのものの変化）、第二にコスチュームドリフト（衣装・髪型・小物の変化）、第三にモーションドリフト（歩き方や癖、話し方のテンポの変化）だ。この3つは原因も対策も異なるため、まとめて「一貫性」と呼ぶと対処を誤る。
プロンプトを長く書けば解決するという誤解も根強い。形容詞をいくら並べても、モデルはそれを「平均的な30代女性」として解釈するだけであり、特定個人の固定にはならない。テキストは方向性の指定には強いが、同一性の固定には弱い。ここに参照画像を組み合わせる余地がある。
複数参照画像フュージョンの基本メカニズム
複数の参照画像を入力として渡す手法は、キャラクターの同一性を「文章」ではなく「視覚的な証拠」としてモデルに渡すアプローチだ。1枚の画像では得られない角度や表情の情報を複数枚から統合し、生成のたびに参照できる形にする。ここでは、その処理を3つの層に分けて理解しておきたい。
参照画像から「不変属性」を抽出する
システムは入力された複数の画像を解析し、ポーズや照明が変わっても保持される特徴を抽出する。具体的には、顔の輪郭、目と眉の位置関係、鼻と口の距離、髪の質感と分け目、肌のトーン、そして衣装のディテールだ。
重要なのは「変わるもの」と「変わらないもの」を切り分けることにある。照明の色被り、背景の色、ポーズの角度は可変情報であり、アイデンティティには含めない。逆に、ほくろの位置や眼鏡のフレーム形状のような小さな特徴は、不変属性として優先的に保持される。この取捨選択がうまくいくかどうかで、最終的な再現度が大きく変わる。
潜在空間マッピングとノイズ抑制
抽出された特徴は、モデル内部の潜在空間上の座標として表現される。同じ人物の異なる画像は、理想的な状態では近い座標に集まる。複数画像を使う意味は、この座標を「点」ではなく「分布」として捉えられることにある。
1枚だけだと、その画像特有のノイズ（たまたま写り込んだ影、髪の跳ね、カメラの歪み）までアイデンティティとして学習してしまう。複数枚を統合すると、共通部分が強調され、偶発的な要素が平均化される。結果として、生成時に多少パラメータが揺れても、キャラクターの核心部分が保持されやすくなる。
静止画の一貫性から動きとスタイルの一貫性へ
顔が同じでも、動きが別人では意味がない。参照情報は静止画の特徴だけでなく、服装の質感、歩行のリズム、話すときの手の動きといった動的要素にも拡張できる。既存の動画クリップやモーションの参照を組み合わせれば、「そのキャラクターらしい動き方」を生成側に伝えられる。
実務的には、静止画の参照セットと短い動きの参照クリップを分けて管理するのが扱いやすい。静止画はアイデンティティ、動画はモーションとスタイルの担当と割り切ると、どちらを修正すべきかが明確になる。
参照画像セットの作り方：実践ステップ
ここからは実際の手順に入る。最初に取り組むべきは、生成ではなく「参照画像セットの設計」だ。ここでつまずくと、後工程のすべてが不安定になる。
枚数とバリエーションの目安
最低でも3枚、できれば6〜10枚を用意する。内訳の目安は次のとおりだ。正面のバストアップ2枚（表情違い）、左右45度の斜め2枚、横顔1枚、全身1枚、そして実際の作品で使う衣装を着たカット2〜3枚。
ここでよくある失敗は、同じ撮影セッションの似た写真を並べてしまうことだ。同じ照明・同じレンズ・同じ表情の画像を10枚入れても、情報量は1枚とほとんど変わらない。角度、距離、表情、照明条件を意図的に散らすことで、モデルは「変わらない部分」を正確に特定できる。
条件をそろえる（照明・レンズ・解像度）
バリエーションは必要だが、極端な差は逆効果になる。逆光で顔が潰れた写真、魚眼レンズで歪んだ写真、強いフィルターがかかった写真は、誤った特徴を学習させる原因になる。基本は次の3点を守る。
- 解像度は長辺1024ピクセル以上を確保し、顔が小さすぎないようにする
- 照明は順光か柔らかい拡散光を基本にし、極端な色かぶりを避ける
- 手ぶれやボケのないシャープな画像を選ぶ
解像度が低い画像は、モデルが細部を「推測」するしかなくなり、結果として顔つきが平均化される。スマートフォンでも十分だが、ピントが合っていることが絶対条件だ。
避けたいNGパターン
参照セットに入れるべきでない画像も明確だ。サングラスやマスクで顔が隠れた写真、帽子で髪型が見えない写真、複数人が写り込んだ集合写真、そして強い加工が施された写真。これらは抽出処理を混乱させ、生成結果に不要な要素が混入する。
もうひとつ見落とされがちなのが、衣装の扱いだ。物語の中で衣装が変わる場合、衣装違いの参照を混ぜると「どの衣装が正解か」が曖昧になる。解決策は、キャラクターの顔の参照セットと、衣装の参照セットを分けて管理し、シーンごとに適用する衣装を切り替える運用だ。
プロンプト設計：キャラクター記述を固定する
参照画像を渡したうえでも、プロンプトは重要だ。役割は「アイデンティティの指定」から「シーンと演技の指定」に変わる。ここを理解せずに参照画像と同じ情報を文章で繰り返すと、かえって矛盾が生まれる。
推奨する構成は4層だ。第一層に画角とカメラ（例：ミディアムショット、35mm相当、浅い被写界深度）。第二層にキャラクターの短い固定記述（例：黒髪を後ろで束ねた女性、赤いトレンチコート）。第三層に動作と感情（例：窓辺で振り返り、戸惑いの表情）。第四層に環境と光（例：午後の逆光、埃の浮かぶ室内）。
キャラクター記述は短く、そして毎回同じ文言を使う。ここで表現を変えると、モデルは別の人物として解釈しかねない。「赤いコート」と「深紅のジャケット」は人間には同じでも、モデルには別物だ。テンプレートとして保存し、コピーして使うのが安全である。
また、ネガティブ指定は盛りすぎない。否定的な語を大量に並べると、生成の自由度が落ちて動きが硬くなる。まずは参照画像と短いプロンプトで試し、問題が出た箇所にだけ対策を足す順序が効率的だ。
モデル選定の判断基準
動画生成モデルは種類が多く、すべてが参照画像の複数入力に対応しているわけではない。選定では「表現力」より先に「制御のしやすさ」を確認する。
参照画像入力に対応しているか
最初に確認すべきは、複数の参照画像を受け付けるか、1枚のみかという点だ。1枚のみのモデルは、参照画像の選定がシビアになる代わりに動作が軽い。複数対応のモデルは安定性が高いが、入力枚数が増えるほど処理時間と負荷が増える。
中間的な選択肢として、画像から動画を生成する機能と、テキストから動画を生成する機能を使い分ける方法がある。キャラクターが大きく映るカットは画像起点で生成し、風景カットや群衆カットはテキスト起点で生成する。この分業は、品質と制作速度のバランスを取るうえで実用的だ。
ショットの性質でモデルを分ける
同じ作品でも、顔のアップと遠景では求められる性能が違う。顔のアップは参照機能の精度が重要で、遠景はモーションの自然さとカメラワークの表現力が重要になる。すべてを1つのモデルで賄おうとすると、どちらかが犠牲になる。
判断基準を整理すると次のようになる。会話シーンや感情の見せ場は参照機能重視のモデル、アクションや群衆は動き重視のモデル、商品や背景の提示は質感再現に強いモデル。モデル名を覚えるより、「どのショットに何を求めるか」を先に決めておくほうが、選定は速く正確になる。
ショットリストと生成順序の設計
一貫性は、生成の順番を設計することでも大きく改善する。闇雲にカットを生成すると、後半で崩れに気づいて全部やり直すことになる。
最初に作るべきは「基準カット」だ。キャラクターが正面から最もよく見える1カットを決め、これを全カットの基準にする。基準カットで参照セットの精度を検証し、納得できるまで調整する。ここに時間をかけるほど、後の工程が安定する。
次に、生成順序は「近いショットから遠いショットへ」進める。同じ衣装・同じ照明のカットを連続して作り、そこから少しずつ条件を変えていく。こうすると、崩れが発生した時点で原因（衣装の変更か、照明の変更か、モーションの追加か）を特定しやすい。
さらに有効なのが、前のカットの最終フレームを次のカットの起点として使う連鎖方式だ。カット間のつながりが自然になり、アイデンティティの連続性も保たれる。ただし連鎖を長く続けると誤差が蓄積するため、5〜6カットごとに基準カットの参照セットへ戻して再アンカーするのが安全である。
検証チェックリスト：崩れを早期に見つける
生成した動画を確認する際、なんとなく見るのではなく観点を決めて確認する。次の項目を順にチェックすると、崩れの種類を特定しやすい。
- 顔の比率：目の間隔、眉と目の距離、顎のラインが基準カットと一致しているか
- 髪：分け目、長さ、毛先の処理が同じか
- 肌：色味と質感が照明の変化に対して自然に変化しているか（不自然に別人化していないか）
- 衣装：素材の光沢、ボタンやステッチの位置が一致しているか
- 手と指：指の本数や関節の崩れがないか
- モーション：歩幅、重心の移動、話すときの頭の動きが同じ人物らしいか
- 背景：同じ場所のカットで建物や家具の配置が変わっていないか
チェックは等倍だけでなく、サムネイル表示でも行う。縮小したときに別人に見えるなら、視聴者にもそう見えている。逆に等倍で多少粗くても、縮小で同一性が保たれていれば実用上は問題ないことが多い。
よくある失敗とトラブルシューティング
顔は近いのに別人に見える
最も多いのがこれだ。原因は多くの場合、参照画像のバリエーション不足か、プロンプトの記述が毎回変わっていることにある。まず参照セットに角度違いを追加し、次にキャラクター記述のテンプレートを固定する。それでも改善しない場合は、基準カットを再生成して参照の基準そのものを更新する。
衣装だけが変わる
顔は保たれているのに服の色や形が揺れる場合、参照画像に衣装違いが混在している可能性が高い。顔用の参照セットと衣装用の参照セットを分離し、シーン単位で適用を切り替える。衣装は文章で細かく指定するより、衣装単体の参照画像を1枚渡すほうが安定する。
動きが不自然になる
モーションの参照を強く効かせすぎると、関節の動きが硬くなったり、不自然な反復が生じたりする。対策は、モーションの重みを下げ、動きの開始と終了だけを指定する方法に切り替えることだ。長回しで1つの動きを続けるより、短いカットに分けて編集でつなぐほうが結果は良くなる。
背景が毎回変わる
キャラクターではなく背景の一貫性が崩れるケースも多い。背景用の参照画像を別に用意し、キャラクターとは独立して管理する。同じ部屋のシーンであれば、家具の配置がはっきり見えるワイドショットを背景参照として固定しておくと、カット間の連続性が保たれる。
量産とチーム制作のための運用設計
1本の動画なら個人の工夫で乗り切れるが、シリーズ化やチーム制作では仕組みが必要になる。属人的な調整は、担当者が変わった瞬間に再現できなくなるからだ。
まず整備すべきは、参照セットの命名規則と保管場所だ。キャラクターID、衣装ID、シーンIDを組み合わせた命名にし、どのカットでどの組み合わせを使ったかを記録する。地味な作業だが、この記録が後から効く。
次に、プロンプトのテンプレート化。キャラクター記述、カメラ記述、環境記述をブロック化し、組み合わせて使う。新人が参加しても、テンプレートに沿えば一定の品質が出る。
さらに、生成パラメータの設定値をプリセットとして保存する。解像度、フレームレート、参照の強度、モーション量。これらを毎回手探りで決めると、品質がばらつくだけでなく、処理時間も無駄に増える。
最後に、検証工程を独立させること。生成者が自分の成果物を確認すると、どうしても甘くなる。チェックリストに沿って第三者が確認する工程を挟むと、崩れの見逃しが大幅に減る。制作本数が増えるほど、この工程の投資対効果は高くなる。
FAQ
参照画像は何枚あれば安定しますか。
最低3枚、推奨は6〜10枚です。枚数より重要なのは角度と表情の分散で、似た画像を増やしても効果は限定的です。
実写の写真とイラストの参照を混ぜてもよいですか。
混在は避けたほうが無難です。モデルは描写スタイルの違いをアイデンティティの違いとして解釈することがあります。どうしても必要な場合は、スタイル参照を別枠で管理し、強度を弱めに設定します。
同じ人物を別の衣装で何度も登場させるには。
顔の参照セットを固定し、衣装はシーンごとに差し替える運用にします。衣装の参照画像を1枚用意し、テキストでの説明は最小限にとどめるのが安定します。
生成の順番に決まりはありますか。
基準カットを最初に作り、同じ条件のカットから順に広げるのが基本です。条件を一度に複数変えると、崩れの原因が特定できなくなります。
崩れに気づいたとき、全部作り直すべきですか。
崩れの種類によります。顔のドリフトなら基準カットと参照セットの更新で済むことが多く、衣装のドリフトは該当シーンだけの再生成で対応できます。まず崩れを3種類に分類し、影響範囲を確認してから再生成の範囲を決めます。
処理時間を短縮しつつ品質を保つには。
解像度を下げた検証用の生成で構図と動きを確認し、確定したカットだけ高解像度で作り直す二段階方式が有効です。参照画像の枚数も、効果が頭打ちになる枚数を見極めて絞り込みます。
長尺の作品でも同じ手法が使えますか。
使えますが、シーン単位で参照をリセットする運用が現実的です。シーンごとに基準カットを再設定し、その中で連鎖生成を行うと、誤差の蓄積を抑えられます。
一貫性のあるキャラクター表現は、特別な機能ひとつで解決するものではない。参照画像の設計、プロンプトの固定、生成順序の設計、検証工程という4つの工程がかみ合って初めて安定する。逆に言えば、この4つを仕組みとして整えれば、誰が作っても同じ人物が同じ顔で画面に立ち続ける。まずは短い1シーンで全工程を一通り回し、自分たちの制作に合うテンプレートを作るところから始めるとよい。
