なぜAI動画で一貫性が崩れるのか
短尺動画の視聴者は、物語を理解する前に画面の整合性を無意識に評価している。主人公の顔立ちが前のショットと違う、衣装の色が急に濃くなる、背景の質感だけが別作品のように浮く。こうした小さなズレが積み重なると、視聴者は「作り物の寄せ集め」として認識し、数秒で離脱してしまう。AI動画生成で最も時間を奪われる作業は、実は撮影でも編集でもなく、このズレを修正し続ける工程である。
ズレの原因はモデルの性能不足だけではない。テキストプロンプトは世界観や雰囲気を伝えるのは得意だが、顔の輪郭、髪の分け目、ジャケットのステッチ、靴のシルエットといった「個体を特定する情報」を毎回同じ精度で再現するのは本質的に苦手である。だから同じプロンプトを貼り付けても、生成のたびに別人のような結果が返ってくる。
生成モデルは前のショットを記憶していない
多くのテキストto動画モデルは、リクエストごとに独立した処理を行う。1カット目で作った人物の情報は、2カット目の生成時には引き継がれない。これは「記憶力が弱い」というより、設計上そうなっているという理解が正確だ。だから制作者側が、モデルに渡す情報の中に同一性を明示的に埋め込む必要がある。
この前提を理解せずに「プロンプトを丁寧に書けば揃うはず」と考えると、いつまでも運任せの生成から抜け出せない。逆に、参照情報を設計して渡す発想に切り替えると、作業の性質が「ガチャを回す」から「設計して再現する」に変わる。
崩れやすい要素は4つに分類できる
一貫性が崩れる箇所は、大きく4つに分けて考えると整理しやすい。
- 人物の同一性：顔の骨格、目鼻立ち、髪型、肌のトーン、体格
- 衣装と小物：服の色と素材、ロゴ、アクセサリー、持ち物
- 画風と色調：写実かイラスト調か、彩度、コントラスト、粒状感
- ライティングとカメラ：光源の方向、色温度、レンズの焦点距離感、アングル
このうち上位2つは「キャラクターの固定」、下位2つは「世界観の固定」と呼ばれることが多い。両方を同時にプロンプトで指定しようとすると情報量が過多になり、モデルがどちらも中途半端に解釈する。だから参照画像を使って視覚的に渡す方法が有効になる。
編集でつなぐほどズレが目立つ
単体のショットを見ているとき、人間の目はズレに気づきにくい。しかし編集タイムラインで2つのショットを隣接させた瞬間、差分が強調されて見える。これはカット編集の基本性質であり、AI生成だから特別というわけではない。つまり、生成段階で完璧を目指すより、編集で並べたときに破綻しないレベルまで揃えるという目標設定のほうが現実的である。
マルチ画像フュージョンの基本と仕組み
マルチ画像フュージョンとは、複数の参照画像を組み合わせて1つの統合的な参照情報を作り、それを生成の基準として使う考え方だ。単一の参照画像を渡す方法との違いは「役割を分けて渡せる」点にある。
仕組み：参照画像を材料として統合する
たとえば、次の4枚を用意する。
- 顔と髪型がはっきり分かるバストアップの画像
- 全身のシルエットと衣装が分かる画像
- 背景の質感や色調を決める情景画像
- ライティングと質感の基準になるリファレンス画像
これらを統合して1つの参照セットとして扱い、各ショットの生成時に同じセットを渡す。モデル側は顔は1枚目、衣装は2枚目、空間は3枚目、光は4枚目というように、要素ごとに情報を拾いやすくなる。プロンプトで文章として説明するより、はるかに情報のロスが少ない。
単一参照との比較
単一参照は手軽だが、1枚に含まれる情報量に限界がある。顔が小さい全身写真を渡すと顔の再現度が落ち、顔のアップを渡すと衣装と背景が毎回変わる。このトレードオフは、参照を複数に分けることで緩和できる。
一方で、参照を増やせば増えるほど良いわけでもない。矛盾する情報が混ざると、モデルは平均的な妥協点を出力し、結果としてどの参照にも似ていない人物が生まれる。実務的には3〜5枚が扱いやすい範囲で、それぞれの役割が重複しないように選ぶのがコツである。
どの画像を何枚渡すべきか
判断基準はシンプルで「ショット間で絶対に変えたくない要素」だけを参照に含める。逆に、ショットごとに変えたい要素（ポーズ、アングル、表情、背景の種類）は参照に含めず、プロンプトや別の制御で指定する。参照に含めてしまうと、その要素まで固定され、バリエーションが出せなくなる。
たとえば同じ人物が公園、室内、夜道を歩くシリーズなら、人物の参照は共通で使い、背景はショットごとに切り替える。この切り分けができていると、後から背景だけを差し替える修正も容易になる。
制作ワークフロー全7ステップ
ここからは、実際に手を動かす順序を7つのステップで整理する。編集ソフトの操作経験がなくても、この順序を守れば破綻しにくい。
ステップ1：キャラクター定義書を作る
最初にテキストでよいので、人物の設定を書き出す。年齢感、体型、髪型と髪色、肌のトーン、服装の基本セット、アクセサリー、性格からくる表情の癖。これを1枚のドキュメントにまとめておくと、参照画像を作るときも生成時も迷いが減る。
大切なのは形容詞を具体化することだ。「かっこいい」ではなく「肩幅が広く、顎のラインが直線的、眉は太め」。抽象語はモデルごとに解釈が変わるため、一貫性の敵になる。
ステップ2：基準画像（キーフレーム）を生成する
定義書をもとに、まずは静止画でキャラクターの基準を作る。画像生成モデルで正面、斜め45度、横顔の3方向を作り、どの角度でも同一人物に見えるかを確認する。ここで納得できるまで作り込むのが、後工程の失敗を減らす最大の投資である。
背景は白や無地が望ましい。背景付きで作ると、参照画像に背景情報が混入し、別のシーンで使ったときに同じ背景が出てしまうことがある。
ステップ3：固定要素と可変要素を分離する
基準画像ができたら、シーンごとに変えてよい要素をリスト化する。ポーズ、カメラアングル、時間帯、天候、小道具。逆に固定するのは顔、髪、体型、衣装の基本形、画風、色調である。
この分離を紙に書いておくと、プロンプトを組み立てるときに迷わない。可変要素だけを書き換え、固定要素は参照画像に任せる。この役割分担が一貫性の安定度を大きく左右する。
ステップ4：フュージョンで統合参照を作る
基準画像から、顔用、全身用、質感用の参照を切り出し、統合参照セットとして保存する。同じセットをすべてのショットで使い回すことが重要で、ショットごとに参照を作り直すと一貫性は崩れる。
参照セットには名前を付けてバージョン管理する。たとえば「主人公A_v1」としておき、衣装チェンジのシーンでは「主人公A_v1_冬服」のように派生させる。どのショットがどのバージョンを使ったかを記録しておくと、後から差し替えたいときに迷わない。
ステップ5：ショットリストを作り、動きを設計する
動画は1本の長い生成ではなく、3〜8秒のショットに分割して作る。ショットリストには、各カットの内容、尺、カメラの動き、必要な参照セット、セリフの有無を書く。
カメラの動きは1カットにつき1つに絞る。パンとズームを同時に指定すると、動きが破綻しやすく、人物の形状も崩れやすい。物語上どうしても必要な場合だけ、2つを組み合わせる。
ステップ6：生成と選別（テイク管理）
各ショットを複数回生成し、良いテイクを選ぶ。このとき、顔が崩れていないか、衣装が参照どおりか、動きが自然かを3段階で採点すると選別が速くなる。迷ったテイクは残さず削除し、フォルダを整理しておく。
生成のたびにプロンプトを大きく変えるのは避ける。1つの変数だけを変えて比較するほうが、何が効いたのかを学習できる。
ステップ7：編集・音・書き出し
選んだテイクをタイムラインに並べ、不要なフレームを切る。AI生成のクリップは前後が不安定なことが多いので、頭と末尾を数フレームずつ削るだけでも見栄えが良くなる。
色調を統一するために、全クリップに同じルック（簡単な色調整）を適用する。これだけで別々に生成したショットが同じ作品に見えやすくなる。BGM、効果音、必要ならナレーションを載せ、書き出し設定は配信先に合わせる。縦型なら1080×1920、横型なら1920×1080が基本だ。
プロンプト設計の実践テクニック
参照画像を使えばプロンプトは不要になるわけではない。参照は「誰を」固定し、プロンプトは「何をしているか」を伝える役割分担になる。
記述の順序を固定する
すべてのショットで、被写体、動作、場所、時間帯、カメラ、画風の順に書く。順序を固定すると、モデルが解釈する構造も安定する。逆に毎回順序が変わると、同じ内容でも結果がぶれる。
固有名詞と形容詞を分ける
「青いジャケット」のように色とアイテムをセットで書くと、色だけを変えたいときに応用が利かない。「ジャケット、色は濃紺、素材はコットン」のように分解して書くと、差分管理がしやすい。
否定形を使わない
「帽子をかぶっていない」「ぼやけていない」といった否定表現は、モデルが帽子やぼやけを想起して逆効果になることが多い。代わりに肯定形で「素頭、髪は短く整っている」「シャープなフォーカス」と書く。
シードと参照の使い分け
シード値は同じ構図を再現したいときに有効だが、ポーズを変えると効きが弱くなる。役割としては、構図の微調整はシード、人物の同一性は参照画像と覚えておくと整理しやすい。
ツール選定の判断基準
ツールは流行ではなく、ワークフローのどの工程を楽にしたいかで選ぶ。
生成モデルを選ぶ軸
- 参照画像を複数受け付けるか（マルチ画像対応の有無）
- 生成尺の上限（3秒か10秒かでショット設計が変わる）
- 縦型と横型の両方に対応しているか
- 出力の一貫性が安定しているか（同じ入力で大きくぶれないか）
- 待ち時間と再生成のしやすさ
複数モデルを併用するのも現実的な戦略だ。キャラクターの基準画像は画像生成モデルで作り、動きは動画生成モデルに任せる。音声は別のツールで作り、最後に編集ソフトで統合する。分業のほうが結果的に速いことが多い。
編集ソフトを選ぶ軸
編集は無料のものでも十分に戦える。必要な機能は、カット、色調整、テキスト、音声トラック、書き出しの5つだけである。凝ったエフェクトより、テンポよくカットできることのほうが視聴維持には効く。
無料枠で試すときの注意
無料枠は透かし、解像度制限、生成回数の制限があることが多い。試すときは、本番と同じ参照セットとプロンプトで1ショットだけ作ってみる。透かしの有無より、人物の再現度と動きの自然さを確認するほうが判断材料として価値が高い。
よくある失敗と対処法
顔は合うが服が毎回変わる
衣装を参照に含めていないか、含めていても全身が写っていないのが原因。全身が分かる画像を参照に追加し、プロンプトでは衣装の説明を最小限にする。説明が多すぎると参照より文章が優先されてしまう。
背景だけ別世界になる
背景用の参照を渡していないか、渡していても質感がショットごとに違うのが原因。背景参照を1枚固定し、時間帯だけをプロンプトで変える。夜のシーンでも同じ背景参照を使い、光源の情報だけを書き換えると統一感が保てる。
動きがカクつく、口の動きが崩れる
長い尺を一度に生成しようとすると発生しやすい。ショットを短く分割し、歩行や振り向きなど動きの起点と終点が明確なカットに分ける。会話シーンはアップと引きを混ぜ、口元が大きく映るカットを減らすと破綻が目立たなくなる。
ショット間で色温度が違う
生成側では完全には揃わない。編集段階で全クリップに同じ色調整を適用し、ホワイトバランスを手動で合わせる。数値で揃えるのが難しい場合は、共通のルックを1つ決めてすべてに同じ強度でかけるだけでも効果がある。
生成が遅くて作業が止まる
待ち時間中に別の作業を進める並行体制を作る。ショットAを生成している間にショットBのプロンプトを書き、Cの参照を整える。1ショットずつ順番に処理すると、待ち時間がそのまま制作時間になる。
一貫性を管理するチェックリスト
仕上げ前に以下を確認すると、破綻の多くは事前に拾える。
- 主人公の顔が全ショットで同一人物に見えるか
- 髪型、髪色、体型が変わっていないか
- 衣装の色、素材、小物が一致しているか
- 色温度と彩度がカット間で揃っているか
- 光源の方向が矛盾していないか（左から光が当たっているのに影が右に出ていないか）
- 解像度とフレームレートが統一されているか
- 冒頭3秒で人物と世界観が伝わるか
- 音と映像のタイミングにズレがないか
チェックは書き出し前だけでなく、ショット選別の段階でも行う。後工程で気づくと、修正のためだけに再生成の順番待ちが発生する。
シリーズ展開とブランド運用の応用
一貫性の仕組みは、1本の動画より連作でこそ効果を発揮する。参照セットとキャラクター定義書を資産として保存しておけば、2本目以降の制作時間は大幅に短縮される。
シリーズ化するときは、世界観のルールを文書化する。配色、フォント、カットのテンポ、BGMのトーン。これらを固定すると、視聴者は「同じチャンネルの動画だ」と無意識に認識する。逆に毎回変えると、どれだけ個々の品質が高くても資産として積み上がらない。
衣装違いや季節違いのバリエーションを作るときは、基本の参照セットを複製して一部だけ差し替える。ゼロから作り直すより、差分で管理するほうが同一性を保ちやすい。
FAQ
Q. 画像編集の経験がまったくありません。それでも作れますか。
作れる。必要な作業は参照画像の切り出しと整理であり、レイヤー合成やマスク処理のような専門操作は必須ではない。トリミングと解像度の確認ができれば十分に始められる。
Q. 参照画像は何枚が適正ですか。
3〜5枚が扱いやすい。人物、衣装、背景、質感の4役を基本とし、必要なときだけ追加する。役割が重複する画像を増やすと、かえって出力が平均化して似なくなります。
Q. 同じ人物を別の角度から映したいときはどうしますか。
基準画像を複数角度で用意しておくのが最も安定する。正面、斜め、横、後ろ姿の4方向を作っておけば、ショットに応じて参照を切り替えられる。1枚を回転させるより、別角度の画像を生成して参照に加えるほうが自然な結果になる。
Q. 生成結果が毎回違いすぎて選べません。
可変要素を一度に複数変えている可能性が高い。プロンプトの1要素だけを変えて複数回生成し、比較する。同時に参照セットも固定する。変数を絞るだけで、結果のばらつきは体感で大きく減る。
Q. 無料のツールだけで完成させられますか。
短尺の1本なら可能。ただし透かしや解像度制限に注意する。有料ツールを検討する判断は、制作本数が増えて待ち時間がボトルネックになったときが目安になる。
Q. 音声はどう揃えますか。
同じ話者を使う場合は、声質のサンプルを固定して毎回同じ設定で生成する。ナレーションは別収録し、編集で音量を統一する。声のトーンが変わると、映像の一貫性が高くても作品としての統一感が崩れる。
Q. 修正はどの段階で行うのが効率的ですか。
参照画像の段階が最も安い。次にショット選別、最後に編集。編集段階での修正は再生成を伴うことが多く、コストが跳ね上がる。違和感を感じたら、まず参照に戻って確認する。
まとめ
一貫性はセンスではなく設計で決まる。人物の同一性と世界観の統一という2つの軸を分けて考え、固定したい要素は参照画像に、変えたい要素はプロンプトに任せる。この役割分担を徹底するだけで、生成結果のばらつきは驚くほど減る。
作業の順序も重要だ。定義書を作り、基準画像を確定し、統合参照を作り、ショットに分割し、選別して編集する。順番を飛ばすと、後の工程で必ず戻ることになる。
動画編集の専門スキルがなくても、この流れを1本分やり切れば、次からは同じ参照セットを呼び出すだけでよい。最初の1本に時間をかけることが、以降の制作を軽くする最短ルートになる。
