AI動画の制作現場では、いま「1カットの派手さ」よりも「作品全体の整合性」が問われるようになっています。数秒のクリップなら驚くほど自然な映像が数分で出る時代になりましたが、そこから短編・広告・シリーズ企画へとステップを上げた瞬間、多くの制作者が同じ壁にぶつかります。カットが切り替わるたびに、主人公の顔つきや髪、体格、衣装の質感が少しずつ変わってしまうのです。本記事では、静止画を起点に動画を生成する際にキャラクターの同一性を維持するための考え方と、実際に手を動かせるワークフローを、参照画像の設計からモデル選定、失敗時の対処まで通しで整理します。
一貫性が映像制作の新しい評価軸になった背景
画像生成モデルと動画生成モデルの進化によって、単発ショットの品質は急速に均質化しました。誰が生成しても、それなりに見栄えのする映像が出てきます。つまり「1枚絵のうまさ」は差別化要因にならなくなり、代わりに評価されるようになったのが、複数のカットをまたいだ整合性です。
人間の視覚は、顔の差分に対して極端に敏感です。眉の角度、目の間隔、鼻筋の高さ、あごの輪郭、肌のトーン。これらが数パーセントずれるだけで、視聴者は無意識に「別の人物だ」「AIが失敗した」と判断します。物語への没入はそこで切れ、広告ならブランドの信頼感が損なわれ、シリーズ企画ならキャラクターが記憶に残らなくなります。一貫性は映像の美しさとは別の次元にある、作品が作品として成立するための前提条件なのです。
さらに実務的な観点では、一貫性の欠如はコストに直結します。崩れたカットを再生成し、別のモデルで試し、手作業で修正する。このループが発生すると、制作時間はおおよそ2倍から3倍に膨らみます。逆に、参照情報とプロンプトの設計を最初に整えておけば、生成回数そのものを減らせます。一貫性対策は品質の話であると同時に、工程管理の話でもあります。
キャラクターが崩れる5つの原因を分解する
闇雲に再生成を繰り返しても、原因が分からなければ同じ失敗を再生産するだけです。まずは崩れの発生源を切り分けます。
原因1：参照情報の不足
テキストプロンプトだけでキャラクターを指定すると、モデルは学習データの平均的な顔に寄せていきます。同じプロンプトを入れても、乱数シードや生成ステップの違いで出力は変動します。参照画像を1枚も与えていない状態で一貫性を求めるのは、事実上不可能です。
原因2：時系列方向のドリフト
動画生成モデルはフレームを順方向または双方向に生成しますが、長いショットでは後半になるほど初期フレームの情報が薄まります。これを時系列ドリフトと呼びます。特にキャラクターが大きく動いたり、カメラが回り込んだりするショットで顕著です。
原因3：プロンプトの過剰な具体化
「20代女性、黒髪ロング、青い瞳、そばかす、赤いニット」と細かく指定するほど、モデルは各要素を独立に解釈し、優先順位の低い要素がフレームごとに揺れます。具体的すぎる記述は、一貫性を高めるどころか不安定化させる要因になり得ます。
原因4：ショット間の変化量が大きすぎる
1カット目が正面のバストアップ、2カット目が真横の全身、3カット目が逆光のシルエット。このように視点・距離・照明が大きく飛ぶと、たとえ同一キャラクターでも別物に見えます。変化そのものが問題なのではなく、変化の飛距離が大きすぎることが問題です。
原因5：解像度・アスペクト比・色空間の不一致
参照画像と出力動画のアスペクト比が違うと、モデルは内部でクロップやパディングを行い、顔の比率が微妙に変わります。また参照画像のホワイトバランスが偏っていると、その色かぶりが映像全体に転写され、カット間で色味が揺れます。
参照画像セットの設計：マルチイメージをどう組むか
複数の参照画像を同時に与えるマルチイメージのアプローチは、キャラクター固定の最も実用的な方法です。ただし、やみくもに枚数を増やせばよいわけではありません。質の悪い参照を混ぜると、かえって平均化された「似ていない顔」が生成されます。
そろえるべき4種類のカット
1つ目は正面のバストアップ。顔の比率を決める基準になります。2つ目は斜め45度のバストアップ。正面だけでは立体感が決まらず、横を向いた瞬間に別人化しやすいためです。3つ目は全身の立ち姿。頭身と体格、服のシルエットを固定します。4つ目は表情差分。笑顔や真顔など、動画内で使う表情をあらかじめ用意しておくと、感情の変化に追従しやすくなります。
この4種類を、同じ照明・同じ背景・同じレンズ感でそろえるのが理想です。スマートフォンでの撮影でも、窓からの自然光を一定にし、背景を無地にすれば十分に機能します。
避けるべき参照画像
次のような画像は、参照セットから外すことを推奨します。
- 極端な逆光や強い色かぶりのある写真
- 顔が画面の10パーセント以下の小ささで写っている写真
- サングラス、マスク、帽子で顔の主要パーツが隠れている写真
- 強い美肌フィルターや過度なレタッチが入った写真
- 手ブレや被写界深度ぼけで輪郭が不明瞭な写真
- 別人の混ざった集合写真からの切り抜き
フィルターは肌の質感や輪郭を実際とは異なる形に変えてしまうため、モデルが誤った特徴を学習します。「盛れた写真」より「素の写真」のほうが、結果的に本人らしさが再現されます。
解像度とトリミングの実務
参照画像の長辺は1024から2048ピクセル程度に統一します。小さすぎるとディテールが失われ、大きすぎてもモデル内部で縮小されるため意味がありません。アスペクト比は出力動画と揃えるのが原則です。正方形の参照を横長動画に使う場合、髪や肩が切れないよう余白を残して構図を組んでおきます。
トリミングの際は、顔の中心が画像の中央から大きく外れないようにします。端に寄った顔は、モデルが背景と混同しやすくなります。
キャラクターシートを作る実践ワークフロー
参照画像は、生成のたびに探し回るのではなく、キャラクターごとに1つのセットとして管理します。ここでは、実際に手を動かす手順を示します。
手順1：基準画像を1枚確定する
最初に、そのキャラクターの「正解」となる1枚を決めます。正面・自然光・無地背景・ニュートラルな表情の写真が理想です。この1枚から、以降のすべてのカットの方向性が決まります。基準が曖昧なまま進めると、後工程で必ず揺れが蓄積します。
手順2：基準画像からバリエーションを増やす
基準画像を画像生成モデルに渡し、角度違い、表情違い、衣装違いを生成します。このとき、構図や背景の指示は最小限にとどめ、キャラクターの特徴を維持する記述に絞ります。生成した中から、元の人物と見間違えないものを選別します。選別基準は「第三者が並べたときに同一人物と判断できるか」です。
手順3：命名規則とメタデータを整える
ファイル名はプロジェクト名、キャラクター名、カット種別、連番の順で統一します。例として「project-a_rin_front_01.png」のような形式です。可能であれば、衣装・髪型・照明条件をテキストファイルで併記します。数週間後に別の担当者が触る前提で整理しておくと、シリーズ展開が格段に楽になります。
手順4：ショットリストと参照をひも付ける
各ショットに対して、どの参照画像を使うかをあらかじめ決めておきます。全身ショットには全身参照、寄りのショットにはバストアップ参照というように、ショットの距離感と参照の種類を対応させるだけで、崩れの発生率は大きく下がります。
プロンプト設計：固定する要素と動かす要素を切り分ける
一貫性を保つ鍵は、プロンプトを「固定層」と「可変層」に分けて管理することです。
固定層には、キャラクターの不変的な特徴だけを書きます。骨格、髪の色と長さ、肌のトーン、代表的な衣装。ここに感情や動作を混ぜてはいけません。固定層はプロジェクトを通して一字も変えません。テンプレート化してコピー&ペーストで使い回します。
可変層には、そのショットだけの情報を書きます。カメラの距離、アングル、動作、感情、照明、背景。ショットごとに書き換えるのはこの層だけです。
この分離には実務上の利点があります。崩れが起きたとき、固定層が原因なのか可変層が原因なのかを切り分けられるからです。1つの変数を変えて比較する、という基本原則が守れるようになります。
記述の粒度をそろえる
モデルは記述の順序や粒度にも影響を受けます。同じ内容でも、文の長さや語順を毎回変えると、出力も変動します。ショットをまたぐときは、可能な限り語順と構文を維持し、数値や名詞だけを差し替えるのが安全です。
また、ネガティブ側の指定も有効です。顔の崩れ、手足の重複、指の本数の異常、テキストの混入など、破綻の種類を明示しておくと、破綻そのものを減らせます。
ショット設計とカメラワークで揺らぎを抑える
一貫性はモデルだけで決まるものではありません。ショットの組み方そのものが、崩れの発生率を左右します。
変化を段階的にする
正面から真横へ一気に飛ばすのではなく、正面、斜め30度、斜め60度、横という順に中間カットを挟みます。視聴者にとっても自然なつながりになり、モデルにとっても参照情報を補間しやすくなります。
1ショットの長さを制限する
1回の生成で作るショットは、3秒から6秒程度に収めるのが現実的です。長尺が必要な場合は、複数のショートショットを生成して編集でつなぎます。長い1本を作るより、短い複数本を作るほうが、結果的に品質が安定します。
カメラワークを単純化する
複雑な動きを同時に指示すると、モデルはキャラクターの維持に割く計算資源を失います。基本は固定、パン、軽いドリーのいずれか1つ。回り込みや急激なズームは、同一性が確立した後半のショットに温存します。
照明条件に連続性を持たせる
カットごとに光源の方向がばらばらだと、顔の立体感が変わり、別人に見えます。シーン内では光源の方向と色温度を統一し、シーンをまたぐときだけ意図的に変える。これだけで印象の連続性が大きく改善します。
モデル選定と評価基準の作り方
動画生成モデルは用途ごとに得意分野が異なります。重要なのは「総合点の高いモデル」ではなく「自分のプロジェクトに合うモデル」を選ぶことです。比較するときは、次の観点で短いテストを行います。
- 同一性保持：同じ参照画像で3つの異なるショットを生成し、顔の整合性を目視比較する
- 動作の自然さ：歩行、振り向き、手を振るなどの基本動作で破綻が出ないか
- カメラ追従：指定したカメラワークにどこまで従うか
- 参照画像の反映度：参照に寄せる強さを調整できるか
- 生成速度と再現性：同じ入力で近い出力が得られるか
- 出力形式：解像度、フレームレート、アスペクト比の対応範囲
- 権利と利用条件：商用利用の可否、生成物の扱い
テストは必ず同一の参照画像と同一のプロンプトで行います。モデルごとに条件を変えると比較になりません。結果はスプレッドシートに記録し、目視評価を5段階程度でつけておくと、後から判断を覆さずに済みます。
1つのモデルに統一するという選択
複数モデルを混ぜると、それぞれの癖が重なり、一貫性はむしろ悪化します。プロジェクト単位では、原則として1つのモデルに統一し、どうしても不足する表現だけ別モデルで補う、という運用が安全です。
生成後の補正と編集で仕上げる
生成した時点で完璧な一貫性が得られることは稀です。後工程で整える前提を持つと、無駄な再生成を減らせます。
カラーグレーディングで統一する
カット間の色味の差は、一貫性の印象に強く影響します。編集ソフトで全カットに同じルックを適用し、露出とホワイトバランスを揃えます。これだけで「同じ世界の出来事」に見えやすくなります。
顔のリファインは最小限に
どうしても顔が崩れたカットは、局所的な修正やアップスケールで対応します。ただし、修正の強度を上げすぎると、今度は別の人物に見える方向へ振れます。修正は「崩れを戻す」目的に限定し、美化には使わないのが原則です。
編集でつなぎ方を工夫する
カットの切り替え点では、視聴者の注意が分散します。これを利用し、崩れやすいショットは短く切る、動きの速いカットを挟む、別カットをインサートするなどの工夫で、違和感を目立たなくできます。
音とテンポで印象を補強する
同一性は視覚だけで判断されるわけではありません。同じ声、同じ音楽のモチーフ、同じテンポ感が続くと、視聴者は「同じ人物の物語だ」と受け取りやすくなります。映像の揺れを音でカバーするのは、実務でよく使われる手法です。
よくある失敗とトラブルシューティング
ここでは、制作現場で頻出する症状と、その対処をまとめます。
症状：カット2で急に別人になる
原因は参照画像の不足か、ショット間の変化量の過多がほとんどです。まず斜め45度の参照を追加し、それでも改善しない場合は中間カットを挟んで変化を段階化します。
症状：顔は合っているが髪型が変わる
髪は動きに影響されやすく、揺れものが苦手なモデルでは形状が流れます。固定層のプロンプトに髪の長さと質感を明記し、参照画像に後ろ姿を1枚加えると改善します。
症状：服の色がカットごとに変わる
色の保持はモデルにとって難易度が高い処理です。色名ではなく具体的な色相で指定し、可能であれば編集側でカラーを合わせ込みます。
症状：手や指が崩れる
手は動画生成の弱点です。手が画面の主役になるショットを避け、手前に物を置く、フレームアウトさせる、別カットで手元だけを撮るなどの設計上の回避が有効です。
症状：全体的にのっぺりして別人化する
参照画像のフィルターが原因の可能性があります。レタッチの弱い写真に差し替え、肌の質感が残る参照を使います。
症状：生成時間が長すぎて試行錯誤できない
解像度を下げてテストし、構図と動きが固まってから本番解像度で生成します。テスト用の設定をプリセットとして保存しておくと、判断が速くなります。
よくある質問
参照画像は何枚が適切ですか
顔の角度違い2枚、全身1枚、表情差分1枚の計4枚前後が出発点として扱いやすい枚数です。増やしすぎると特徴が平均化し、似ていない顔になるリスクが上がります。まず4枚で試し、不足する角度を足す順序が安全です。
実写風とイラスト風で方法は変わりますか
考え方は同じですが、イラストのほうが輪郭が単純なため、一貫性は比較的保ちやすくなります。一方で、線の太さや塗りのムラが目立ちやすく、参照画像の品質がそのまま出ます。
一度作ったキャラクターを別プロジェクトで再利用できますか
参照セットと固定プロンプトをテンプレートとして保存しておけば再利用できます。ただし、使用モデルやバージョンが変わると同一の出力は得られません。再現性が必要な場合は、生成に使ったモデルの種類と設定を記録しておくことが前提になります。
一貫性はどこまで高めればよいですか
用途によります。SNSの短尺ならカット間で認識できる程度で十分な場合が多く、シリーズ企画や長尺の物語では、第三者が並べても同一人物と判断できる水準が求められます。目標水準を先に決め、そこに届く最小の手数で運用するのが合理的です。
少ない手数で効果が出る順番はありますか
効果の大きい順に、参照画像セットの整備、固定層と可変層の分離、ショットの変化量の段階化、カラーグレーディングによる統一、という順序になります。多くの場合、最初の2つで症状の大半は軽減します。
生成した映像の権利や利用条件はどう確認しますか
使用するモデルやサービスの利用規約を必ず確認し、商用利用の可否、生成物の取り扱い、入力画像の権利関係を把握しておきます。他人の写真を参照に使う場合は、肖像や著作権に関する同意が前提となります。
まとめ：一貫性は設計で決まる
キャラクターの一貫性は、生成ボタンを押した後の運任せではなく、その前の設計でほぼ決まります。参照画像セットを整え、固定層と可変層を分離したプロンプトを用意し、ショットの変化量を段階的に設計する。この3つを守るだけで、再生成の回数は目に見えて減り、制作の見通しが立ちます。
技術は今後も更新され続けますが、「同一人物を複数のカットで見せる」という要求そのものは変わりません。ツールが変わっても通用する設計の型を身につけておくことが、結果として最短の上達ルートになります。まずは手持ちの写真4枚から参照セットを作り、2つのショットで同一性を試すところから始めてみてください。
