AI動画制作はなぜマルチモデル運用へ向かうのか
少し前まで、AIで動画を作るといえば、一つの強力なモデルを選び、その癖を覚えて使いこなすという発想が主流だった。ところが制作の現場では、この前提が急速に崩れている。理由は大きく三つある。第一に、モデルごとに得意不得意がはっきり分かれていること。人物の表情や肌の質感に強いモデル、カメラワークの再現に強いモデル、物理的な動きの自然さに強いモデル、アニメ調の線をきれいに出すモデルは、それぞれ別物だ。第二に、同じモデルを使い続けると映像のルックが単調になり、視聴者に同じ質感だと気づかれやすいこと。第三に、モデルの更新サイクルが非常に速く、一つのモデルに最適化した手順は数か月で陳腐化しうることだ。
つまり、これからの制作力は、どのモデルが優れているかを暗記していることではなく、どのショットをどのモデルに任せ、その出力をどう繋ぐかを設計できるかで決まる。本章では、オープンソースモデルと商用モデルを織り交ぜながら、実務で再現できる動画制作ワークフローを順に組み立てていく。
パイプライン全体像を最初に描く
マルチモデル運用で最も多い失敗は、ショットを作り始めてから工程を考えることだ。モデルを跨ぐと、解像度、フレームレート、色温度、キャラクターの顔立ち、レンズの焦点距離感がすべてバラバラになる。それを編集で無理やり繋ごうとすると、どこかで破綻する。だからこそ、最初に一枚の工程図を紙に書く。企画、ルック開発、ショット生成、編集、音、仕上げという縦の流れと、その各段でどのモデルを使うかという横の対応表を作る。この表があるだけで、後戻りの回数が半分以下になる。
工程図を作るときのコツは、各工程の入出力をはっきり書くことだ。たとえばルック開発の出力は、参照画像三枚、カラーパレット、レンズ感のメモ、NG例のスクリーンショット。ショット生成の出力は、ショット番号ごとの採用テイクとその生成条件。次の工程の人が前の工程の出力だけで作業を始められる状態が理想である。
プリプロダクションで決めること
プリプロダクションでは、尺、縦横比、配信先、トーン、登場人物の設定を先に固める。AI動画の場合、ここで決めた情報がそのままプロンプトの語彙になるため、言葉を選ぶ作業だと言ってもいい。たとえば配信先が縦型の短尺なら、寄りのショットと速いカット割りが前提になり、使用するモデルも短い尺で破綻しにくいものを選ぶ必要がある。逆に横型の長尺で情景を見せるなら、広い画角とゆっくりしたカメラワークに強いモデルが向く。
絵コンテは手描きで十分だが、各コマに欲しい情報を必ず添える。具体的には、被写体、動作、カメラの位置と動き、光の方向、尺、そして感情のニュアンス。この六項目が埋まっていれば、後工程の担当者が同じ絵を再現しやすい。
ルック開発とリファレンス設計
ルック開発は、本番のショット生成に入る前の投資として考える。ここで参照画像を数十枚試し、配色、質感、粒状感、レンズの歪みを決めておくと、後の工程でモデルを乗り換えても方向性がぶれにくい。参照画像は、写真、イラスト、既存の映像のスクリーンショットなど、出典が明確なものを自分の手元で管理する。
重要なのは、参照画像を一枚だけに頼らないことだ。人物の顔、衣装のディテール、背景の質感、光の当たり方を別々の画像で用意し、どの画像がどの要素を担当するのかをメモする。参照の役割を分けておくと、モデルごとの参照機能の違いを吸収しやすい。
ショット生成と選別
ショット生成は、いきなり長い尺を狙わない。二秒から四秒の短い単位で作り、良かったテイクを繋いでいく。一発で十秒を作ろうとすると、途中で構図が崩れたり、手の形が乱れたりして、結局やり直しになる。短い単位なら、失敗した部分だけを差し替えられる。
選別の基準は三つに絞る。動きが破綻していないか、キャラクターが前のショットと同一に見えるか、光の方向が合っているか。この三つを満たさないテイクは、どれだけ絵が美しくても採用しないと決めておくと、作業が速くなる。
ポストプロダクション
編集では、生成したショットをそのまま並べるのではなく、必要なら速度を変え、切り返しを足し、音を先に置いてから画を合わせる。AI生成の映像はカットが短いほど破綻が見えにくいため、テンポを上げる編集は味方になる。色調整では、モデルごとの色味の差を吸収するために、全ショットに共通の中間調の基準を一つ決めておく。
音は後回しにされがちだが、最初に仮の音楽と効果音を置くと、必要な尺とカット数がはっきりし、無駄な生成を大幅に減らせる。
モデル選定の判断基準を言葉にする
モデル選びが感覚に頼っていると、チーム内で再現できない。そこで、評価軸を四つに分解し、それぞれ五点満点で仮採点する習慣をつける。完璧な採点は不要で、相対比較ができればよい。
プロンプト追従性
書いた通りの構図、人数、持ち物、動作が出るかどうかを見る。テスト用のプロンプトを五本用意し、同じ条件で各モデルに投げる。人物二人、手前にコップ、窓から逆光、ゆっくり歩く、といった具合に要素を数えられる形にすると比較しやすい。追従性が高いモデルは、絵コンテに近い画を出せるので、指示の細かい商業案件に向く。
モーションの自然さと物理整合性
歩行、走行、振り向き、物を持つ動作、水や布の動きを確認する。関節の曲がり方、重心の移動、髪や衣服の遅れ、接触時の反発など、物理の説得力を見る。自然さに強いモデルは、アクションや人物の演技が中心の作品で力を発揮する。逆に様式化された動きが欲しい場合は、あえて不自然さを許容するモデルを選ぶこともある。
一貫性と参照機能
複数の画像を参照できるか、参照の重みをどこまで制御できるか、同じ人物を別アングルで出せるか。シリーズ物や連続したカットを作るなら、ここが最も重要な選定基準になる。参照機能が弱いモデルは、たとえ単発の品質が高くても、長尺では破綻しやすい。
尺・解像度・処理時間
一度に生成できる尺、出力できる解像度、一回あたりの待ち時間、そしてやり直しのしやすさ。制作現場では、最高品質を一回だけ出すことより、許容品質を何度も出せることのほうが価値が高い。締切が迫った局面では、処理の速いモデルで構成を固め、勝負所だけ高品質なモデルに切り替える二段構えが有効だ。
オープンソースモデルをパイプラインに組み込む
オープンソースモデルの最大の利点は、自分の環境で動かせることだ。外部サービスの仕様変更や提供終了に振り回されにくく、大量の試行を自分のペースで回せる。一方で、環境構築、モデルの重みの管理、ライセンスの確認、推論速度の調整など、自分で面倒を見る領域が増える。
ローカル実行とクラウド実行の使い分け
判断はシンプルである。反復回数が多く、内容が外部に出したくないものはローカル。単発で高品質が必要なもの、あるいは手元の計算資源では現実的でない処理はクラウド。実際には、ローカルで構図と動きを確定し、最後の仕上げだけクラウドの高性能モデルに渡す流れが最も効率がよい。
ローカル環境を整える際は、GPUのメモリ量が最初の壁になる。まずは小さい解像度で動かし、どこまでメモリに乗るかを確認してから本番設定に上げる。いきなり最大設定で挑むと、エラーで丸一日を失うことがある。
ノードベースツールでの構成
ノードベースの生成ツールを使うと、前処理、生成、アップスケール、補間といった工程を一本の流れとして保存できる。一度組んだ流れは再利用でき、パラメータだけを差し替えて別のショットに応用できる。チームで使う場合は、ノードの塊ごとに役割を書き込んだメモを残しておくと、引き継ぎが格段に楽になる。
構成を組むときは、変更頻度の高い部分と低い部分を分離する。プロンプトやシードのように毎回変える部分はノードの表側にまとめ、モデルの読み込みや前処理のように固まった部分は裏側に隠す。この分離ができていると、非エンジニアのメンバーでも操作できるようになる。
API連携と自動化
同じショットを複数モデルで並行生成し、結果を一覧で比較する仕組みを作ると、選定の判断が速くなる。プロンプトのリストとパラメータの表を用意し、順に投げて結果をフォルダに集めるだけでも十分効果がある。生成条件をファイル名に埋め込むようにしておけば、後からどの条件が良かったかを追跡できる。
一貫性を守る実践テクニック
モデルを跨いだときに最も崩れやすいのが、人物の同一性と照明の連続性だ。ここでは、撮影でいうところのテスト撮影にあたる準備を先に行う。
キャラクターシートを先に作る
正面、斜め前、横、後ろ、寄りの顔、全身の六枚を、同じ人物として生成する。これをキャラクターシートと呼び、以降のすべてのショットで参照する。衣装違い、表情違いも同じ要領で追加する。重要なのは、最初に作った基準画像を上書きしないこと。基準が揺れると、参照がすべて揺れる。
キャラクターシートを作る段階では、髪型、目の色、ほくろの位置、服の縫い目など、識別点になる要素を言葉で列挙しておく。この言葉のリストが、別のモデルに乗り換えたときの命綱になる。
シードと参照画像の管理
同じシード値と参照画像の組み合わせなら、似た結果が再現しやすい。しかしモデルを変えるとシードの意味は変わるため、モデルを跨いだ完全な再現はできないと考えておく。代わりに、参照画像の構成を揃えることで見た目の連続性を担保する。参照の枚数、比率、どの画像を何枚使うかまでを固定するのがコツだ。
カメラワークとモーションの指示
カメラの動きは、言葉よりも画角と方向で指定したほうが安定する。ゆっくり左へパン、被写体に向かって前進、腰の高さで固定、といった具合に、方向と速さを明示する。速い動きを指示すると破綻率が上がるため、速いカットは編集で作るほうが安全である。
アセット管理と命名規則
生成物は放っておくと爆発的に増える。一日で数百のファイルが生まれることも珍しくない。管理の巧拙が、そのまま制作速度に直結する。
フォルダ設計
案件名、シーケンス番号、ショット番号、テイク番号の順に階層を切る。中間生成物は別の階層に分け、採用テイクだけを一か所に集める仕組みを作る。採用フォルダを見れば完成形がわかる状態にしておくと、編集や確認の担当者が迷わない。
メタデータとプロンプトの記録
各ファイルには、使用モデル、プロンプト、シード、解像度、生成日時を記録する。表計算ソフトでもよいし、ファイル名に短いコードを埋め込むのでもよい。後から同じルックを再現したいという依頼は必ず来る。そのとき記録がなければ、事実上やり直しになる。
よくある失敗と対処法
一つ目は、最初から長尺を狙う失敗。対処は、二秒単位で作り、繋ぎで成立させること。二つ目は、参照画像を増やしすぎる失敗。参照が多すぎるとモデルが混乱し、どの要素も中途半端になる。要素ごとに参照を分けるか、優先順位を明示する。三つ目は、モデルを頻繁に切り替えすぎる失敗。切り替えのたびにルックが変わるため、シーケンス単位で使うモデルを固定するほうが安定する。
四つ目は、音を最後まで決めない失敗。音がないまま画を積み上げると、尺の判断が狂う。五つ目は、ライセンス確認の後回し。特にオープンソースモデルは、商用利用の可否やクレジット表記の条件がモデルごとに異なる。採用を決める前に必ず確認する。六つ目は、成果物のバックアップ不足。生成条件と採用テイクは、別の場所に二重で保存しておく。
チームで回すためのレビュー設計
レビューは、完成した動画を見てから行うのではなく、各工程の出口で短く行う。ルック承認、ショット承認、編集承認の三段階に分け、それぞれで見る項目を固定する。ルックでは色と質感、ショットでは動きと同一性、編集ではテンポと音のバランス。項目を固定すると、感想ではなく判断が返ってくる。
また、レビュー用の書き出しは軽い形式で作り、コマ送りで確認できるようにする。判断に必要な情報を添えて渡すことが、往復回数を減らす最も確実な方法である。
よくある質問
どのモデルから試すべきですか
まず二つに絞ることを勧める。人物の一貫性に強いものと、カメラワークに強いものを一つずつ選ぶ。この二つで短いテスト映像を作り、足りない部分を後から足す。最初から多数を並べると、比較の軸が定まらず判断できない。
オープンソースモデルだけで完結できますか
短尺のコンセプト映像や、反復試行が多い実験的な作品なら十分可能である。一方、締切が厳しい商業案件では、最後の仕上げだけ高性能な外部モデルに頼る併用が現実的だ。用途で切り分けることが重要で、どちらか一方に固執する必要はない。
一貫性が崩れたときの最初の対処は
参照画像の構成を見直すことから始める。具体的には、参照の枚数を減らし、役割を明確にし、基準となるキャラクターシートを最新の状態に更新する。それでも崩れる場合は、ショットの尺を短くし、顔が大きく映るカットを減らす。
生成にかかる待ち時間をどう短縮しますか
解像度を下げて構図を確定し、採用が決まったものだけを高解像度で作り直す二段階方式が最も効果的だ。加えて、夜間にまとめて処理を回す、複数の候補を同時に投げるなど、待ち時間を別の作業で埋める工夫も有効である。
プロンプトは日本語と英語のどちらが良いですか
モデルによって得意な言語は異なる。迷ったら英語で書き、固有名詞や文化的なニュアンスだけ日本語で補う方法が安定しやすい。ただし、特定の地域表現や日本の風景を狙う場合は、日本語の語彙のほうが精度が高いこともある。両方を試し、結果を記録しておくのがよい。
学習に使ったデータや権利はどう確認しますか
利用するモデルの配布元に記載されたライセンスを必ず読む。商用利用の可否、再配布の条件、生成物の扱い、表記義務の有無を確認し、案件ごとに記録を残す。判断に迷う場合は、法務や権利者に確認するのが安全である。
次の一歩
マルチモデル運用の本質は、技術の寄せ集めではなく、工程の設計にある。まずは手元の短い企画で、二つのモデルだけを使った一本の映像を作ってみる。参照画像を用意し、ショットを二秒単位で作り、音を先に置いて編集する。この一連の流れを一度通せば、どこで破綻しやすいかが体でわかる。
そのうえで、自分の工程表に評価軸と記録の欄を足していく。使うモデルは入れ替わっても、工程と記録の形式は長く使える資産になる。モデルの流行を追うより、自分の制作の型を育てるほうが、結果として速く、安定した映像制作につながる。
