AI動画でキャラクターの一貫性を保つのが難しい理由
AI動画生成の現場で最も多く聞かれる悩みは、「同じ人物を描いているはずなのに、カットが変わるたびに別人になる」というものだ。1カット目では黒髪のショートヘアだった人物が、3カット目では髪が肩まで伸び、5カット目では目の色や顎のラインまで変わっている。これは単なるモデルの性能不足ではなく、生成の仕組みに根ざした構造的な問題である。
テキストプロンプトや1枚の開始画像だけを手がかりに動画を生成する場合、モデルは各フレームを確率的に補完していく。フレームが進むほど、プロンプトに書かれていない情報——髪の分け目、ほくろの位置、ジャケットのステッチ、瞳のハイライト——は、学習データの平均値へと静かに引き寄せられていく。この現象は一般に「ドリフト（漂流）」と呼ばれ、数秒の短尺クリップでは気づきにくいが、シリーズ化されたコンテンツでは致命的な欠陥になる。
さらに厄介なのは、一貫性の欠如が視聴者の没入を静かに壊すことだ。視聴者は「この顔は誰だ」と無意識に問い続け、物語ではなく違和感に注意資源を割いてしまう。一貫性は映像の美しさとは別レイヤーの品質指標であり、編集やカラーグレーディングでは取り繕いにくい。実写であればカメラを回し直せば済むが、生成動画ではシーンごとにキャラクターを再構築しているという前提を理解しない限り、根本的な解決にはならない。
一貫性が崩れる場所は、大きく3つに分けられる。
- アイデンティティの崩れ：顔立ち、年齢感、肌のトーン、髪型など、その人物を特定する要素が変わる。
- 衣装と小物の崩れ：服の色、柄、装飾、持ち物の形がカットごとに変わる。
- 世界観の崩れ：ライティング、レンズ感、色温度、背景の密度が変わり、同じ作品に見えなくなる。
多くの制作者は1つ目だけを気にするが、実際に「別の作品みたいだ」と言われる原因は3つ目であることが多い。人物が同じでも、光の当たり方と画角が毎カット変われば、視聴者は同一世界として認識できない。
AI動画制作は彫刻に似ている。ただし、一度盛った粘土を削って仕上げるのではなく、カットごとに新しい粘土から同じ像を掘り起こしている。だからこそ、参照情報を複数与えて「基準」を固定する工程が不可欠になる。
複数参照の統合（マルチ画像フュージョン）の仕組み
1枚の開始画像に頼る方法の限界は明らかだ。1枚には正面の情報しか入っていない。横顔も、後ろ姿も、笑ったときの口元も、逆光での頬の陰も入っていない。モデルは足りない情報を推測で埋めるしかなく、その推測はカットごとに揺れる。
複数参照の統合は、この不足を補う発想である。正面、斜め45度、横顔、全身、表情違い、衣装のディテールなど複数の画像を同時に与え、モデルに「この人物はこういう構造をしている」という共通項を抽出させる。技術的には、参照画像から取り出した特徴量（顔のランドマーク、色分布、テクスチャ、シルエット）を生成過程で重み付けして反映させる仕組みで、単純な平均化ではなく、どの参照をどの程度優先するかを調整できる点が重要だ。
参照画像の役割分担と重み付け
参照画像は、なんとなく何枚か入れるのではなく、役割を分けて渡すと精度が上がる。
- 同一性参照（最優先）：顔の正面と斜め。骨格と目鼻立ちの基準になる。2〜4枚。
- 構造参照：全身像やポーズ違い。身長比、肩幅、手の大きさなど体のバランスを固定する。1〜2枚。
- 衣装参照：衣装だけを切り出した画像や小物のアップ。柄やロゴの再現性が上がる。1〜3枚。
- スタイル参照（別枠で管理）：画風、ライティング、色調。同一性参照と混ぜると人物がぼやけるため、プロンプト側で分離する。
実務では、同一性参照に最も強い重みを置き、衣装参照はシーンごとに差し替える運用が扱いやすい。すべてを1つの塊として渡すと、シーン固有の変更が顔にまで波及してしまう。
もう1つのコツは、参照画像の「質より一貫性」を優先することだ。SNS用に加工された高コントラストの自撮りと、室内で撮った自然光の写真を混ぜると、モデルはどちらの肌色が本当なのか判断できず、平均的な別人を作り出す。参照セットは同じ撮影条件下で揃えたほうがよい。
異なる生成モデル間で同一性を維持する考え方
動画生成モデルはそれぞれ学習データも内部表現も異なるため、同じ参照セットを渡しても出力は完全には一致しない。フォトリアル寄りのモデルは質感と肌のディテールに強く、アニメ寄りのモデルは線と色面の安定性に強い。得意分野が違うのだから、全カットを1つのモデルで作る必要はない。
重要なのは、「同一性の基準となるモデル」を1つ決めることだ。キャラクターの顔がはっきり見える寄りのカットはその基準モデルで作り、引きのカットやエフェクト重視のカットは別モデルに任せる。別モデルを使う場合も、必ず同じ参照セットを入力し、出力を基準モデルの結果と並べて確認する。3カットに1回は見比べるくらいの頻度でチェックすると、崩れが小さなうちに気づける。
モデルをまたぐときに崩れやすいのは、髪の色味と目の形である。この2点は参照セットの中でも特に重視し、必要なら髪と目のアップを追加の同一性参照として加えるとよい。
キャラクターのマスターシートを作る手順
アニメーション制作には、キャラクター設定資料（キャラクターシート）という文化がある。正面、横、後ろ、表情集、衣装のバリエーションを1枚にまとめ、作画チーム全員が同じ人物を描けるようにするものだ。AI動画でも同じ考え方が効く。ここではそれを「マスターシート」と呼ぶ。
必要なアングルと枚数
最低限そろえたいのは次の6〜10枚である。
- 正面のバストアップ（ニュートラルな表情）
- 斜め45度のバストアップ
- 横顔
- 全身の立ち姿（正面）
- 全身の斜め（歩行中など自然なポーズ）
- 笑顔・驚き・怒りなど表情のバリエーション2〜3枚
- 衣装のディテール（柄、ロゴ、アクセサリー）
- 特徴的な小物のアップ
これ以上増やせばよいというものでもない。15枚を超えると、参照同士の矛盾（髪の長さが違う、瞳の色が違う）が混ざりやすくなり、かえって不安定になる。8〜12枚で「顔・体・衣装・小物」が揃う構成が実用的だ。
ライティング・レンズ・背景の統一ルール
参照セットを作るときに最も見落とされるのが、撮影条件の統一である。
- 光源の方向を揃える：すべて正面からのソフトな光、または斜め45度からの光に統一する。逆光の写真を混ぜると顔の陰の情報が矛盾する。
- 色温度を揃える：昼光色と電球色を混ぜない。屋外と屋内を混ぜる場合も、ホワイトバランスを合わせてからセットに加える。
- レンズ感を揃える：広角で撮った顔は鼻が強調され、中望遠で撮った顔は平面的になる。同じ画角帯で揃えると、生成時の顔の比率が安定する。
- 背景を分離する：参照画像の背景に強い柄や文字があると、それが生成結果に漏れ出すことがある。無地か、被写体が明確に分離できる背景を選ぶ。
- 過度なレタッチを避ける：肌をなめらかにしすぎた画像は、毛穴や産毛の情報を失う。生成側で質感を再現できず、のっぺりした顔になりやすい。
マスターシートは一度作ったら終わりではない。制作を進める中で「この角度の参照が足りない」と気づいたら追加し、バージョン管理する。ファイル名に日付や版番号を入れ、どのカットがどの版を使ったかを記録しておくと、後から崩れの原因を追える。
実践ワークフロー：失敗しない9ステップ
ここからは、実際の制作を9ステップに分解する。短尺の広告でもシリーズ物語でも、流れはほぼ同じだ。
ステップ1：キャラクター定義書をテキストで書く。 年齢、身長、体型、髪型、髪色、瞳の色、肌のトーン、服装、性格、話し方、絶対に変えない要素と変えてよい要素を箇条書きにする。文章化することで、プロンプトの揺れが減る。
ステップ2：マスター参照セットを作る。 前章のルールに沿って8〜12枚を用意する。手持ちの素材で足りなければ、まず静止画生成で各アングルを作り、不要な要素を修正してから参照にする。
ステップ3：同一性テストを行う。 同じプロンプトで3〜5回生成し、顔が保たれるかを確認する。ここで不安定なら、参照の重みやプロンプトの記述順を見直す。テストを省いて本番に入ると、後工程で全部やり直しになる。
ステップ4：ショットリストを作る。 カット番号、尺、画角、カメラの動き、キャラクターの動作、背景、光の方向を表にする。AIは「言われていないこと」を勝手に決めるため、決めておくほど安定する。
ステップ5：「変えてよい要素」と「変えてはいけない要素」を分ける。 衣装はシーンごとに変えてよいが、顔の骨格と髪型は変えない、といったルールを明文化する。
ステップ6：キーフレームを先に固める。 動画をいきなり生成せず、各カットの開始フレームを静止画として作り込み、承認してから動かす。ここで止めることで、手戻りが劇的に減る。
ステップ7：モーションを付ける。 カメラの動きは控えめにする。大きなパンやズームは、フレーム外の情報をモデルが推測する必要を生み、顔が崩れる最大の原因になる。
ステップ8：ショット間の検証。 生成したカットを並べて再生し、顔・衣装・光の連続性を確認する。1カットずつ見るだけでは気づけない崩れが、並べると見える。
ステップ9：修正ループ。 崩れたカットだけを再生成する。可能なら直前の安定したフレームを開始画像として使い、そこから動かすと揺れが収まる。
この9ステップで最も重要なのはステップ3とステップ6である。どちらも「動かす前に止める」工程であり、AI動画制作の成否はここで決まる。
シーンごとにスタイルを変えても同一性を保つ方法
同じキャラクターを、回想シーンでは淡い水彩調、現在のシーンではフォトリアル、SNS用の縦動画ではアニメ調——という使い分けを求められることがある。スタイルが変われば、当然ながら描画のルールも変わる。それでも「同じ人物」に見せる方法はある。
鍵は、同一性の情報とスタイルの情報を分離することだ。参照セットを2系統に分け、人物用の参照は固定し、画風用の参照だけをシーンごとに差し替える。プロンプトでも、人物記述とスタイル記述を別の文に分けて書く。1文に混ぜると、スタイル語が人物の特徴を上書きしてしまう。
スタイルを変えるときは、変える順番にも注意する。一度に画風・色調・ライティング・構図を全部変えると、視聴者は別の人物として認識する。まず画風だけを変えて確認し、次に色調を寄せる、という段階を踏むと、同一性が保たれているかを判断しやすい。
また、スタイルが大きく変わるときは「識別の手がかり」を増やすとよい。具体的には、髪型、シルエット（服装の輪郭）、持ち物、歩き方といった要素を全スタイルで共通にする。顔のディテールが多少変わっても、シルエットと小物が同じなら、視聴者は同一人物として追える。
長尺・シリーズ作品のためのテンポラル制御
数十秒のクリップなら、多少の揺れは編集で隠せる。しかし数分の作品や、複数話にわたるシリーズでは、時間方向の安定性（テンポラル制御）が必須になる。
カット尺を短く設計する。 1カット2〜3秒を基本にすると、モデルが崩れる前にカットが終わる。長回しはAI動画の最も苦手とするところで、5秒を超えると顔のディテールが溶け始めることが多い。
前フレームを継承する。 継続的な動きが必要な場合は、直前の最終フレームを次のカットの開始画像として使う。連鎖させることで、見た目の連続性が保たれる。
中間キーフレームを挟む。 長い動きは、開始と終了だけでなく中間のポーズも指定する。3点を固定すると、モデルの自由度が下がり、結果が安定する。
モーション量を抑える。 走る、振り向く、髪をかき上げるといった大きな動きは、それだけ情報の欠損を生む。どうしても必要なら、動きの途中でカットを割り、複数の短いショットとして組み立てる。
編集前提で考える。 完璧な1本の連続動画を作ろうとするより、短いクリップを多数生成し、使えるものを選んでつなぐほうが現実的である。生成は「選別前提の素材作り」と割り切ると、精神的な負荷も下がる。
一貫性が崩れる原因とトラブルシューティング
| 症状 | 主な原因 | 対処 |
|---|---|---|
| 顔がカットごとに変わる | 同一性参照の不足、参照同士の矛盾 | 正面と斜めの参照を追加し、矛盾する画像を除外する |
| 髪の色や長さが揺れる | 髪の情報が参照に少ない | 髪のアップを参照に加え、プロンプトで色と長さを明記する |
| 衣装の柄が崩れる | 解像度不足、参照が引きすぎ | 衣装だけのアップを参照に加える |
| 途中で急に別人になる | 長尺生成によるドリフト | カットを分割し、前フレーム継承を使う |
| 肌がのっぺりする | 過度なレタッチ、参照の質感不足 | 自然な肌の参照に差し替える |
| 背景の柄が人物に漏れる | 参照背景が複雑 | 背景を単純化した参照に差し替える |
| 光の方向がカットごとに違う | ライティング指示の欠落 | ショットリストに光源方向を明記する |
トラブルシューティングの原則は「一度に1つだけ変える」ことだ。参照、プロンプト、重み、シードを同時に変更すると、何が効いたのか分からなくなる。変更ログを残し、効いた設定を再利用できる形にしておく。
用途別の判断基準：どこまで投資すべきか
一貫性の作り込みには時間がかかる。どこまでやるべきかは、用途によって変わる。
- SNSの短尺広告（15〜30秒）：同一性の要求は中程度。1〜2カットに人物が登場するだけなら、参照3〜4枚と簡易なプロンプトで十分なことが多い。
- シリーズ化されたブランドコンテンツ：要求は高い。マスターシートを整備し、カットごとの検証工程を必ず入れる。視聴者の記憶に残ることが目的なので、顔の揺れは直接的な損失になる。
- 教育・解説コンテンツ：話者が毎回同じに見えることが信頼につながる。顔のアップが多いため、同一性参照の質が重要になる。
- 長編の物語・広告映画：最も要求が高い。ショットリスト、キーフレーム承認、ショット間検証の3点を仕組みとして運用する。
- 個人の創作・実験：まずは小さく試すのがよい。参照3枚でテストし、崩れが許容できる範囲を見極めてから投資を増やす。
判断の目安として、「視聴者が人物を名前で呼ぶか」を基準にすると分かりやすい。名前で呼ばれるキャラクターは、わずかな揺れも違和感になる。逆に、その場限りのモブや背景の人物なら、厳密な一貫性は不要である。
よくある質問
Q. 参照画像は多いほうが安定しますか。
A. いいえ。枚数より「矛盾がないこと」が重要です。15枚を超えると参照同士の食い違いが増え、かえって不安定になります。8〜12枚で顔・体・衣装・小物が揃う構成を目安にしてください。
Q. 1枚の画像からでも一貫性は保てますか。
A. 短いカットや引きの構図なら可能です。ただし顔のアップが続く場合や、横顔・後ろ姿が必要な場合は、追加の参照を用意したほうが結果が安定します。1枚で始めて、崩れた角度を後から足していく進め方も有効です。
Q. 実写風とアニメ風を同じ作品で混ぜても大丈夫ですか。
A. 可能ですが、切り替えの設計が必要です。シーン単位で画風を変え、同一性参照は共通のまま使います。カットごとに交互に切り替えると、視聴者は混乱します。
Q. 生成した動画の顔だけを後から修正できますか。
A. 部分的な修正は可能ですが、動きのある映像では不自然になりやすいです。修正よりも、安定したフレームを開始画像に使って該当カットを再生成するほうが、結果が良くなることが多いです。
Q. どの程度の頻度で検証すればよいですか。
A. 新しいシーンに入るとき、衣装やライティングを変えるとき、モデルや設定を変えたときは必ず検証します。慣れてきたら3〜5カットに1回でも構いませんが、省略すると終盤で大きな手戻りが発生します。
Q. 参照画像に権利のある写真を使ってもよいですか。
A. 権利のある素材を参照にすることは避けてください。自分で撮影した写真、自分で生成した画像、商用利用が明示的に許可された素材を使うのが安全です。実在の人物に似せる用途も、肖像権やパブリシティ権の問題が生じます。
まとめ：一貫性は「資産管理」である
キャラクターの一貫性は、技術的な小技の集積ではなく、制作プロセスの設計問題である。参照セットを整え、変えてよい要素と変えてはいけない要素を決め、動かす前に止めて確認する。この3つを仕組みにすれば、モデルが変わっても、スタイルが変わっても、同じ人物を描き続けられる。
そして一貫性は、長い目で見れば資産になる。視聴者が顔を覚え、名前を呼び、次の作品を待つようになる。逆に、毎回違う顔が出てくる作品は、どれだけ映像が美しくても記憶に残らない。マスターシートは作って終わりの資料ではなく、作品を重ねるほど価値が増していく資産として扱うとよい。
まずは1人のキャラクターで、参照8枚のマスターシートを作るところから始めてみてほしい。最初の1時間の投資が、その後のすべてのカットの品質を決める。
