AIで静止画像から動画を生成すると、最初の1本はうまくいくのに、2本目、3本目とシーンを増やすうちに、同じキャラクターなのに顔つきが変わってしまう。そんな経験はないだろうか。目の色が微妙に違う、輪郭が違う、衣装の細部が消えている。これが「キャラクター崩壊（アイデンティティ・ドリフト）」と呼ばれる、AI動画生成の最大の壁だ。
この問題を解決するのが、マルチイメージ融合（Multi-Image Fusion）という技術だ。本記事では、この技術がどのようにキャラクターを固定するのか、参照画像をどう準備すればいいのか、そして実際の制作ワークフローにどう組み込むのかを、実践的な視点で解説する。
キャラクターが「別人化」してしまう問題
生成モデルには記憶がない。クリップ1本ごとに、プロンプトと初期画像からゼロから生成されるため、サンプリングの揺らぎやシードの違い、言葉の解釈の違いが、生成のたびに小さな差異として積み重なる。
特にテキストプロンプトは情報が圧縮されすぎている。「30代の女性、茶色の髪」という言葉は、見る人によってまったく違う顔を思い浮かべる。単一の画像をアンカーにしても、モデルはそれを「出発点」として扱い、「契約」として扱わない。キャラクターが動き、振り返り、表情を変えるたびに、アイデンティティは少しずつ漂流していく。
この問題が深刻なのは、見た目だけの話ではないからだ。シリーズもののコンテンツ、ブランドのマスコット、複数回登場するキャラクターにとって、不安定な見た目は信頼を損なう。視聴者は「どこか変だ」と感じても、それがキャラクターの不一致だとは言い当てられない。だが確実に、世界観への信頼は失われる。
マルチイメージ融合（MIF）とは何か
マルチイメージ融合は、参照ベースの技術だ。単一の画像やテキストだけで生成をアンカーする代わりに、同じ被写体の複数枚の画像から「アイデンティティ・ブループリント（設計図）」を抽出し、その後のすべての生成に適用する。
「融合」という言葉が意味するのは、画像を単純に平均化することではない。平均化すれば、誰でもないぼやけた合成顔になる。システムは各参照画像を高次元の特徴空間にエンコードし、すべての画像に共通して存在する特徴、すなわち顔の構造、配色、肌の質感などを安定したアイデンティティ表現として抽出する。それが「そのキャラクターらしさ」の定義になる。
抽出されたブループリントは、キャラクターとともにすべての生成タスクを移動する。新しいシーンを生成するとき、モデルは「これがこのキャラクターの顔、配色、質感。この範囲から外れないように」と指示される。アンカーが単一の壊れやすい画像ではなく、多視点の豊かな記述になることで、ドリフトは大幅に抑えられる。
ただし、万能ではない。極端なポーズ、強いスタイライズ、非常に長いシーケンスでは、キャラクターが範囲から外れることがある。強力な制約であり、魔法のロックではない、と理解しておくのが正しい。
参照画像セットの作り方
ブループリントの品質は、参照セットの品質で決まる。技術がいくら優れていても、貧弱なセットからは弱いブループリントしか生まれない。
1キャラクターにつき3枚から10枚を目安にしよう。3枚未満では情報が足りない。10枚を超えると、互いに矛盾するディテールが混ざってブループリントが濁る。
カバーすべき軸は3つある。角度（正面、斜め、横顔）、照明（明るい光、柔らかい光、暗い光）、表情と衣装のバリエーションだ。多様な条件下での「変化しても変わらないもの」を見せることで、システムはキャラクターの本質を学習できる。
セット内の一貫性も重要だ。傷があるキャラクターなら、ほとんどの画像で同じ場所に傷があること。髪の色が画像ごとに違えば、ブループリントは中途半端な平均色になる。「若い頃」と「現在」の画像を混ぜるのも避けよう。
最後に、参照画像はきれいに整える。背景のノイズを切り取り、解像度を揃え、色かぶりを補正する。参照セットのゴミは、そのままブループリントのノイズになる。
キーフレーム固定のワークフロー
動画モデルの多くは短いクリップしか生成できない。映画や長いシリーズは、クリップをつなぎ合わせたシーケンスになるため、ドリフトの機会は何倍にも増える。それを防ぐのがキーフレーム固定だ。
まず、シーケンスの要所を決める。冒頭のエスタブリッシングショット、ターニングポイント、ラストショットだ。このキーフレームを、すべて同じブループリントで先に生成して固定する。これがプロジェクト全体のキャラクター定義になる。
次に、キーフレーム間のトランジション部分を生成する。このとき、隣接するキーフレームを追加のビジュアルアンカーとして使う。モデルには2つのガイド、アイデンティティ・ブループリントと隣接フレームが与えられるため、短いギャップを橋渡しするだけでよくなる。
編集前に、シーケンス全体を通して確認することを忘れないで。隣接する2本は問題なくても、チェーンの途中でドリフトは静かに蓄積する。全体を一度見て、キーフレームと比べて違和感のあるクリップは、すぐに再生成しよう。
モデル選びのポイント
すべてのツールがマルチイメージ融合に対応しているわけではない。対応していても実装はさまざまだ。コミットする前に、実用的な差を確認しておこう。
参照画像の上限を確認する。1枚しか受け付けないツールもあれば、10枚まで受け付けるツールもある。キャラクター制作には、多ければ多いほど有利だが、実際に全枚数を使っているかも確認したい。
参照とプロンプトの関係も重要だ。理想的な実装では、参照がアイデンティティを制約し、プロンプトがアクション、環境、スタイルを制御する。弱い実装では、強いプロンプトが参照を上書きして、結局キャラクターが漂ってしまう。
すでに知っているモデルファミリーにも注目しよう。主要な動画モデルファミリーの多くが参照ベース機能を搭載し始めており、選択は「フォトリアルなドラマ」「スタイライズされたアニメ」「その中間」のどれに合わせたいかで決まることが多い。
最後に、必ずテストを。同じキャラクター、異なる2つの設定、同じブループリントで2シーン生成してみる。キャラクターが認識できるなら合格。崩れるなら、参照を調整するか別のツールを試そう。
高度な戦略：時間的制約と複数キャラクター
キャラクター単体の一貫性は基礎にすぎない。複数キャラクターのシーンは、さらに面白い領域だ。
複数のキャラクターが同時に登場する場合、それぞれのブループリントを個別に作成し、シーンのリクエストで組み合わせる。複数キャラクターをうまく扱えるモデルは、両方のアイデンティティを安定させながら、相互作用も管理する。物理的な接触や重なり合うアクションがあるシーンはリスクが高いので、テイク数を増やそう。
時間的制約はさらに一歩進んだ概念だ。キャラクターが時間とともにどう変化するか（老化、衣装替え、傷の進行など）を定義する。ブループリントが安定したコアを固定し、時間的制約が意図的な変化を駆動する。これにより、物語の中で成長するキャラクターを「別人化」させずに描ける。
衣装を変える場合は、その衣装の新しい参照セットを再生成し、新しいブループリントとして扱うこと。参照を更新せずにプロンプトだけで衣装を変えようとすると、たいていアイデンティティが壊れる。
よくある失敗と対処法
静止画では合っているのに、動くと崩れる。 動きには新しいアングルと照明が含まれる。動的なアングルの参照画像をセットに追加しよう。
クローズアップでだけ崩れる。 クローズアップは小さな誤差を拡大する。高解像度の顔参照を追加し、形状だけでなくテクスチャのディテールまでブループリントに含める。
2人のキャラクターの特徴が混ざる。 ブループリントが近すぎる。参照セットのコントラストを強めるか、デザイン上の差別化要素を明確にする。
キャラクターは安定しているのに、スタイルがクリップごとに変わる。 それはアイデンティティとは別の問題。プロジェクト専用のスタイル参照を別途固定し、すべてのクリップに適用しよう。
参照が完全に無視される。 プロンプトが参照を上書きしていないか確認し、プロンプトを簡潔にして参照フィールドを確実に埋める。
よくある質問（FAQ）
参照画像は何枚必要？ 1キャラクターにつき3〜10枚。まずは正面、斜め、横顔、照明2条件の5枚から始め、結果を見て調整するのがおすすめ。
参照画像にAI生成画像を使ってもいい？ 使える。AI生成画像は内部的な一貫性が高く、写真よりクリーンなことが多い。ただし、キャラクターを正確に表すセットにすること。
人間以外にも使える？ 使える。この技術は人間に限定されない。ブランドのマスコットやプロダクトデザインなど、持続的なアイデンティティを持つ被写体ならすべて対象になる。
完成したプロジェクトでキャラクターが崩れていたら？ ポストで誤魔化すより、正しいブループリントで該当クリップを再生成するのが確実。再生成できない場合は、ドリフトを意図的な演出として活かす手もある。
ドリフトは許容されることもある？ ある。単発のクリップ、スタイライズされた作品、抽象的な作品では許容できる。シリーズ化されたキャラクターほど、一貫性への投資は価値が高まる。
キャラクターの一貫性は、大手スタジオだけの贅沢品ではない。まともなAIクリエイターなら誰でも使える制作技法だ。良い参照を作り、ブループリントを固定し、シーケンスをキーフレームで支え、信頼する前にテストする。それだけで、最初にデザインしたキャラクターが、最後のカットまで同じ人物として観客の前に立つ。
