なぜAI動画でキャラクターの一貫性は崩れるのか
AI動画生成でいちばん多くの人がつまずくのは、映像の見栄えそのものではなく「同じ人物に見え続けるかどうか」である。1カット目では引き締まった輪郭だった主人公が、3カット目では頬の丸みが変わり、5カット目では髪の分け目が逆になり、衣装の模様が溶けて消える。こうした崩れは、モデルの性能不足という一言で片づけられるものではなく、生成の仕組みに由来する構造的な問題だ。原因を分解して理解しておくと、後述するワークフローのどこで何を固定し、どこに許容幅を持たせるべきかが明確になる。
確率的な生成が生む「揺らぎ」
画像生成も動画生成も、基本的にはノイズから像を立ち上げる確率的なプロセスである。テキストプロンプトは「このあたりの分布」を示すだけで、毎回まったく同じ経路を通る保証はない。顔の輪郭や髪のシルエットのような大きな構造は分布の中心に近いため再現されやすいが、ほくろ、睫毛の密度、衣装の縫い目、ボタンの位置といった高周波のディテールは分布の裾に位置する。つまり、放っておけば毎回わずかに違う結果になるのが自然な挙動であり、一貫性は「自動で得られるもの」ではなく「設計して守るもの」だと考えたほうがよい。
参照条件の弱さが「似ている別人」を生む
参照画像を1枚だけ渡していないだろうか。あるいは解像度が低い、角度が正面に偏っている、背景に余計な要素が写り込んでいる、といった状態で生成していないだろうか。参照が弱いと、モデルはその画像を「雰囲気の手がかり」としてしか扱わない。結果として、似ているけれど別人というキャラクターが量産される。逆に、参照が強すぎると今度はポーズや構図まで固定され、ショットの自由度が失われる。参照の設計は、強さの調整と同じくらい「何を参照させるか」の選定が重要になる。
崩れやすい要素には優先順位がある
経験的に、崩れやすさには順序がある。顔の輪郭と目、髪型、衣装のシルエット、模様やロゴ、小物、背景の順に、壊れたときの印象が強い。上位の要素は厳密に固定し、下位の要素には許容幅を持たせると、作業の手戻りが減る。すべてを完全に固定しようとすると、動きの自然さや演出の幅が犠牲になり、逆にすべてを自由にすると同一性が失われる。優先順位を決めることは、品質と効率のバランスを決めることでもある。
構造化ピクセル表現という発想
一貫性を安定させるための考え方として有効なのが、キャラクターとシーンを「小さな構成単位」に分解して扱うアプローチである。ここでは便宜上、構造化ピクセル表現と呼ぶ。画素そのものを操作するという意味ではなく、色・テクスチャ・輪郭・照明応答といった属性を持つ最小単位を定義し、それを組み合わせて人物や背景を記述するという考え方だ。
連続的な潜在空間と離散的なタイルの違い
一般的な生成モデルは連続的な潜在空間の中で表現を混ぜ合わせる。滑らかで自然な反面、特定の要素だけをピンポイントで保持するのは苦手だ。これに対して、離散的なタイル単位で構造を記述すると、どのタイルがどの特徴を担っているかが明確になる。顔のパーツ、衣装のパターン、小物の形状を別々の単位として扱えるため、変更したい部分だけを差し替え、他はそのまま維持するという運用がしやすくなる。
タイル単位でタグを付ける
実務では、キャラクターを構成する要素に名前を付けて管理する。たとえば「輪郭A」「目B」「髪C」「上着D」「模様E」といった具合だ。それぞれに対して、参照となる画像、色の値、テクスチャの方向性、避けたい表現をメモとして紐づける。この作業は地味だが、後工程での指示が具体的になり、生成結果のばらつきを説明できるようになる。感覚で直すのではなく、どの単位がずれたのかを言語化できることが、再現性の源になる。
編集の粒度が上がると何が変わるのか
編集の粒度が細かくなると、修正のコスト構造が変わる。従来は「もう一度最初から生成し直す」しかなかった場面でも、衣装の模様だけを差し替える、照明の方向だけを揃える、といった部分的な対応が可能になる。結果として、1ショットあたりの合格までの試行回数が減り、長尺の作品でもトーンを維持しやすくなる。特にシリーズ化やエピソード分割を前提とする企画では、この差がそのまま制作速度の差になる。
キャラクター定義書とテンプレートの作り方
一貫性を守る最初の工程は、生成を始める前にキャラクターを文章と画像で定義することだ。ここを飛ばして勢いで作り始めると、後半で必ず破綻する。定義書は1ページで十分だが、書くべき項目は決まっている。
固定するアンカーを決める
アンカーとは、どのショットでも変わってはいけない要素のことだ。顔の輪郭の種類、目の形と間隔、眉の角度、髪の長さと分け目、肌のトーン、体型のシルエット、衣装の基本構造、そして象徴的な小物。これらを箇条書きにし、可能なら参照画像と並べて1枚のシートにまとめる。アンカーは多すぎても扱いにくいので、7〜10項目程度に絞るのが現実的だ。
参照画像セットの作り方
参照画像は1枚ではなく、セットで用意する。正面、斜め45度、真横、背面の4方向を基本とし、可能なら表情違いを2〜3枚加える。重要なのは、すべて同じ照明条件、同じレンズ感、同じ背景で揃えることだ。照明がバラバラだと、モデルは「光の違い」と「顔の違い」を区別できず、平均的な別人を作り出してしまう。背景は無地か、ごく単純なものにする。解像度は高めに、顔が小さすぎない構図で用意する。
バージョン管理と命名規則
キャラクターにも版番号を付ける。たとえば「char_a_v1」のように名前を固定し、変更したときは何を変えたのかを1行で記録する。衣装違いや季節違いは別バージョンとして扱い、混在させない。ファイル名、プロンプトの記述、ショットリストの表記をすべて同じ語彙に揃えると、指示の揺れが減る。地味な運用だが、チームで制作する場合は特に効果が大きい。
スタイル転送を精密にコントロールする
スタイル転送は、ある参照の質感・色調・描画の癖を、別の構造に適用する技術である。便利な反面、強くかけすぎると元の構造が壊れる。ここでは、破綻を避けながら狙った質感に寄せるための手順を整理する。
コンテンツ情報とスタイル情報を分離する
まず、対象のどの部分が「構造（コンテンツ）」で、どの部分が「質感（スタイル）」なのかを切り分ける。顔の形や体の比率は構造であり、絵具の粒子感、水彩のにじみ、フィルムの粒子、照明の色温度はスタイルだ。この区別を意識せずに一括で適用すると、質感と一緒に輪郭まで変わってしまう。逆に分離しておけば、構造は固定したまま質感だけを段階的に寄せられる。
参照スタイルの選び方
スタイル参照は多くても3枚程度に絞る。複数の画風を混ぜると、モデルはどれにも寄りきらない平均的な質感を出力し、結果として特徴のない映像になる。選ぶ際は、色調が揃っていること、光源の方向が対象と矛盾しないこと、彩度が極端でないことを確認する。極端に暗い参照や彩度が高すぎる参照は、適用後に人物の肌が不自然になりやすい。
適用強度と段階的な適用手順
強度は一気に最大へ振らず、弱めから始めて段階的に上げる。最初は質感がわずかに乗る程度、次に色調が揃う程度、最後に細部の描画タッチが乗る程度、という順序で確認する。各段階で静止画を書き出し、顔と衣装が崩れていないかをチェックしてから次へ進む。動画の場合、最初の数フレームで崩れが出たら、その設定は最後まで崩れ続けると考えてよい。
過適用のサインを見逃さない
過適用のサインはいくつかある。輪郭が内側に溶けて顔が痩せる、肌の質感がのっぺりする、目のハイライトが消える、衣装の模様が背景と同化する、影の方向が光源と合わなくなる。どれか一つでも出たら、強度を下げるか、適用範囲を背景のみ・衣装のみに限定する。質感を優先して構造を失うと、映像全体の説得力が落ちる。
実践ワークフロー:設計から書き出しまでの7ステップ
ここからは、実際の制作の流れを7つのステップに分けて説明する。前半は準備、後半は生成と検査である。各ステップに「次へ進む条件」を設けておくと、手戻りが減る。
準備フェーズ:定義・参照・ショット設計
ステップ1:定義書を作る。 アンカー、色の値、禁止事項を1ページにまとめる。この時点で曖昧な項目は、後の工程で必ず問題になる。
ステップ2:参照画像セットを用意する。 4方向＋表情違いを生成または撮影し、同じ照明条件に揃える。ここで作った画像は、以降のすべての生成で共通の参照として使う。
ステップ3:ショットリストを作る。 各カットについて、ショットサイズ、被写体の向き、視線の先、背景、カメラの動きを表にする。1カットの長さは短めに刻み、長回しを避ける。長いカットは崩れる確率が単純に上がる。
生成フェーズ:キーフレーム・動画化・検査・再生成
ステップ4:キーフレームを静止画で作る。 動画をいきなり生成せず、まず各カットの代表フレームを静止画として作り込む。構図と人物の一致をここで確定させる。
ステップ5:動画化する。 キーフレームを起点に短尺で動かし、必要なら数秒単位に分割して生成する。カメラワークは控えめにし、動きの複雑さを上げすぎない。
ステップ6:検査する。 全カットを並べて再生し、顔、衣装、色調、照明方向、小物の有無を確認する。単体では気づかないずれも、並べると一目でわかる。
ステップ7:部分再生成する。 崩れたカットだけを、同じ参照と定義書を使って作り直す。全体をやり直すのではなく、問題のある要素だけを差し替えるのが原則だ。
ショット設計と継続性チェック
一貫性は生成の技術だけで守れるものではない。撮影設計に相当するショット設計の段階で、崩れにくい構成を選んでおくことが効果的である。
ショットサイズと視線の設計
同じ人物を連続して見せるときは、ショットサイズを極端に飛ばさない。ロングからいきなり顔のアップへ切り替えると、視聴者は同一性の判断材料を失い、違和感を覚えやすい。ミディアムを挟むと自然につながる。また、視線の方向を揃えることで、別々に生成したカットでも会話が成立しているように見える。正面のカットばかりを並べるより、斜めの角度を混ぜたほうが同一性の印象が強くなる。
照明・背景・カメラワークの固定
光源の方向と色温度は、シーン単位で固定する。カットごとに変えると、同じ人物でも顔の彫りが変わって見える。背景も同様で、同じ場所のカットは同じ要素配置を保つ。カメラワークは、パン、わずかなズーム、ゆっくりしたドリー程度に留めると崩れにくい。速い動きや回転は、フレーム間の情報が不足しやすく、同一性が壊れる主要な原因になる。
継続性チェックリスト
確認項目を表にしておくと、検査が属人的にならない。
| 項目 | 確認内容 | 許容できない状態 |
|---|---|---|
| 顔 | 輪郭、目、眉、髪の分け目 | 骨格が変わる、目の間隔が変わる |
| 衣装 | シルエット、模様、色 | 模様が消える、色が別物になる |
| 小物 | 有無、位置、形 | 消える、左右が入れ替わる |
| 色調 | 肌、背景、全体のトーン | カット間で色温度が跳ぶ |
| 照明 | 光源の方向と硬さ | 影の向きが逆になる |
| 動き | 速度、滑らかさ、重心 | 手足が破綻する、滑る |
よくある失敗と修正手順
失敗の多くはパターン化できる。症状から原因を推定し、対処を決めておけば、作業が止まらない。
顔がカットごとに変わる
原因は参照の不足か、ショットごとにプロンプトを書き換えていること。対処は、共通の参照セットを使い回し、プロンプトの人物記述部分をコピーして固定すること。表情や角度の指定だけを変えるのが原則だ。
衣装の模様が溶ける、色が変わる
原因はスタイル適用の強さ過多、または解像度不足。対処は、模様を最も単純な幾何形状として定義し直し、適用強度を下げ、必要なら模様の再現を優先する設定で部分生成する。細かい柄は、そもそも動画では潰れやすいため、デザイン段階で簡略化するのも有効だ。
手や足が破綻する
原因は動きの複雑さと、手が画面内で小さいこと。対処は、手を画面の主要素に置くか、逆にフレーム外へ出すか、はっきり決めること。曖昧に写り込むのが最も危険である。
動きが硬い、滑っているように見える
原因はフレーム間の一貫性を優先しすぎて、動きの記述が弱くなっていること。対処は、重心の移動と体重のかかり方を短い文章で指定し、カットをさらに細かく分割する。動きの質は、尺よりも分割の設計で改善することが多い。
全体の色が合わない
原因はカットごとに生成条件が微妙に違うこと。対処は、書き出し後にカラー調整で統一するのではなく、生成段階で色温度と彩度の基準値を決めておくこと。後処理での統一は、質感まで均してしまうリスクがある。
ツール選定と品質評価の判断基準
生成ツールは増え続けている。どれが優れているかではなく、自分の工程に合うかで選ぶべきである。
選定時に見る7つの軸
1つ目は参照画像の扱いやすさ。何枚まで参照できるか、キャラクター固定のための機能があるか。2つ目は制御の粒度。構図、ポーズ、カメラワークをどこまで指定できるか。3つ目は解像度と尺の上限。4つ目は編集のしやすさ。部分的な再生成や差し替えができるか。5つ目は書き出し形式と連携。既存の編集環境へ持ち込めるか。6つ目は再現性。同じ設定で同じ結果が得られるか。7つ目は学習コストとチーム運用のしやすさ。この7軸を、自分の企画の優先順位に照らして採点すると判断がぶれない。
一貫性を測る評価指標
感覚だけで判断せず、簡単な指標を持つと改善が速い。たとえば、カットごとの同一性を複数のレビュアーが5段階で評価し、平均が一定を下回ったら再生成する。衣装の一致率、カット間の色差、修正にかかった時間、1ショットあたりの合格率も有効だ。数値そのものより、指標を決めて記録する行為が、チーム内の認識を揃える。
よくある質問(FAQ)
Q. 参照画像は何枚あれば十分ですか。
正面、斜め、横、背面の4枚に、表情違いを2〜3枚加えた6〜7枚が実用的な目安です。量より、照明条件と解像度の揃い方が重要です。
Q. スタイル転送は最初から強くかけたほうが早いですか。
いいえ。弱めから始めて段階的に上げるほうが、結果的に速く仕上がります。強くかけて崩れた状態から戻す作業は、多くの場合やり直しになります。
Q. 長いカットは避けるべきですか。
避けるというより、分割してから丁寧につなぐほうが安全です。同じ人物を長く見せるほど、わずかなずれが目立ちます。
Q. 実写素材と組み合わせてもよいですか。
問題ありません。ただし、照明の方向と色温度を合わせないと、生成カットだけ浮いて見えます。合成前に基準となる光源を決めておきましょう。
Q. キャラクターを途中で変更したくなったら。
新しい版として定義書を作り直し、変更した要素と理由を記録します。旧版のカットと混在させると、視聴者は違和感を覚えます。変更は話の区切りで行うのが原則です。
Q. チームで作る場合、最初に揃えるべきものは何ですか。
用語です。顔のパーツ名、衣装の呼び方、色の名称、アンカーの名前を統一するだけで、指示のずれが大幅に減ります。
Q. 品質が安定しないときの最初の見直し先は。
参照画像の照明条件です。ここが揃っていないと、他の設定をどう調整しても安定しません。
まとめ
AI動画でキャラクターの一貫性を保つには、特別な魔法のような設定は必要ない。効いているのは、地味な設計と運用である。崩れる原因を確率的な性質として理解し、固定すべきアンカーを決め、照明条件を揃えた参照画像セットを用意し、スタイルは弱めから段階的に適用する。そして、ショット設計の段階で崩れにくい構成を選び、検査項目を表にして全カットを並べて確認する。
構造化ピクセル表現の考え方は、この運用を支えるための枠組みだ。要素を分解して名前を付け、変更した単位だけを差し替える。派手な成果は出ないが、作品の途中で人物が別人にならないという安心感は、長尺の制作では決定的な差になる。まずは定義書1枚と参照画像4枚から始めてみてほしい。次のカットを生成したとき、驚くほど結果が安定しているはずだ。
