AI動画生成の現場では、一枚の画像から魅力的なカットを作ることは比較的簡単になりました。しかし、同じ人物が複数のショットに登場するシリーズ動画や、ブランドキャラクターを使った広告、長編のストーリーテリングになると、途端に難易度が上がります。1カット目では黒髪で前髪が右分け、赤いジャケット、丸い眼鏡だったキャラクターが、3カット目では髪色が茶色に寄り、ジャケットの形が変わり、眼鏡のフレームが細くなっている。こうした揺れは視聴者に違和感を与え、物語への没入感を削いでしまいます。
一貫性の問題は、単に画像生成モデルの性能だけではありません。外見、スタイル、モーションという三つの層が絡み合っています。外見の一貫性は顔立ち、髪型、肌の色、体型、衣装、小物の再現度を指します。スタイルの一貫性はライティング、色調、レンズ感、画風、質感の統一です。モーションの一貫性は歩き方、姿勢、動作のテンポ、重心の移動、表情の変化の連続性を意味します。どれか一つが崩れるだけで、同じキャラクターに見えなくなります。
さらに、画像から動画へ変換する段階では、モデルごとに学習データや推論の癖が異なります。あるモデルは人物の顔を美しく保つ一方で、手や小物が苦手です。別のモデルはカメラワークが滑らかですが、顔のパーツが平均化されやすい。同じプロンプトとシード値を使っても、解像度やアスペクト比、フレーム数が変われば結果は変わります。つまり、一貫性は「奇跡的に当てる」ものではなく、設計と検証によって「再現する」ものだと考えたほうが現実的です。
外見の揺れは、参照画像の質と数に大きく依存します。正面の一枚だけでは、横顔や後ろ姿を生成したときにモデルが推測で埋めてしまいます。推測が入るほど、元のデザインから離れていきます。髪の分け目、瞳の色、眉毛の形、頬の輪郭、耳の形、首の長さ、肩幅、指の本数や関節の位置まで、参照画像で示せるほど安定します。衣装も同様です。ロゴや柄、縫い目、ボタンの数、靴の形は、テキストで説明するよりも画像で見せたほうが伝わります。
スタイルの揺れは、ライティングと色調に現れます。同じキャラクターでも、暖色の逆光と寒色の室内光では印象が変わります。シリーズ全体で「昼の自然光」「夜のネオン」「曇天の拡散光」などのルールを決め、カットごとに光源の方向、強さ、色温度を記録します。レンズの焦点距離や被写界深度もスタイルの一部です。広角で歪ませるのか、中望遠で圧縮するのかを統一するだけで、同じ世界観に見えやすくなります。
モーションの揺れは、動画生成で最も見落とされやすいポイントです。キャラクターの歩幅、腕の振り、視線の動かし方、話すときの口の動き、感情が高ぶったときの肩の上げ方。これらがカットごとに変わると、たとえ顔が同じでも別人のように感じられます。モーションの一貫性を保つには、代表的な動作を短いクリップとして先に作り、それを以後のショットの参照にする方法が有効です。歩く、振り返る、手を振る、座る、驚く、笑うといった基本動作のライブラリを用意しておくと、制作のたびにゼロから指定する必要がなくなります。
一貫性のある動画制作は、動画生成の前段階でほぼ決まります。最初に作るべきは、動画ではなくキャラクター資料です。ここでは、実制作で使いやすい資料の作り方を整理します。
正面、斜め45度、真横、後ろ姿の四方向を基本にします。可能なら斜め後ろも加えます。表情は、無表情、微笑み、笑顔、驚き、悲しみ、怒り、考え込む、話している口の形の八種類があると便利です。表情差分は動画の感情設計に直結します。眉の角度や口角の変化を画像で示しておけば、プロンプトだけで表情を指示するよりも安定します。
キャラクター資料は、本編で使うライティングに近い条件で作ります。顔に強い影が落ちる資料は、明るいシーンで使うと影の情報が邪魔になります。逆に、のっぺりした光の資料は、劇的なシーンで立体感を出しにくくなります。中立な拡散光で基本資料を作り、必要に応じてライティング差分を追加するのがおすすめです。背景は無地または単純なグラデーションにし、余計なオブジェクトを入れません。
参照画像は、最終的な動画の解像度以上を用意します。低解像度の画像を拡大して使うと、ディテールが失われ、モデルが細部を捏造します。色は、キャラクターの肌、髪、瞳、衣装の主要色をカラーパレットとして数値で記録します。RGBやHEXの値をメモしておくと、画像生成後の色調整や、別モデルで生成したカットの補正が容易になります。
仕様書には、名前、年齢感、性別表現、身長感、体型、髪色と髪型、瞳の色、肌の色、特徴的なパーツ、衣装の各パーツ、小物、アクセサリー、性格、歩き方、話し方、よく使う表情、禁止事項を書きます。禁止事項は重要です。「髪を短くしない」「眼鏡を外さない」「ロゴの向きを変えない」「過度な筋肉質にしない」など、守ってほしい制約を明文化します。プロンプトに毎回入れる場合も、仕様書を基準にすることで表記ゆれを防げます。
実際の制作は、次の順序で進めると崩れにくくなります。まず基準画像を選び、ショットリストを作り、画像を生成して選定し、動画化し、編集と検証を行います。それぞれの工程で一貫性チェックを挟むことが大切です。
最初に「マスター画像」を一枚決めます。マスター画像は、キャラクターの特徴が最もよく表れ、照明が中立で、解像度が高く、余計な遮蔽物がないものを選びます。この画像を以後のすべての生成の基準にします。マスター画像は変更しないことが原則です。どうしても変更する場合は、変更理由と影響範囲を記録し、全カットを再確認します。
ショットリストには、カット番号、シーン、時間、画面サイズ、カメラアングル、キャラクターの動作、感情、光源、背景、必要な小道具を書きます。一貫性の観点では、キャラクターが画面に登場する位置、向き、ポーズ、手に持つものを先に決めておくことが重要です。曖昧なまま生成すると、カットごとに勝手な解釈が入ります。
各カットのキーフレームを画像として生成します。この段階で、顔、髪、衣装、色、背景、構図を確認します。動画にしてから修正するよりも、画像の段階で修正したほうがコストと時間を抑えられます。生成候補は複数出し、マスター画像と並べて比較します。目視だけでなく、顔のランドマーク、色ヒストグラム、衣装の領域を比較すると、微妙な差異に気づきやすくなります。
キーフレームを動画生成モデルに渡し、モーションを指定します。このとき、カメラの動きとキャラクターの動きを分けて指示します。「ゆっくり前進しながら微笑む」「カメラは固定で、キャラクターが右を向いて歩き出す」のように、主語を明確にします。動きの強さ、速度、開始フレーム、終了フレームを指定できるモデルなら、数値を揃えてシリーズ全体のテンポを統一します。
生成したクリップを編集し、カット間の色、コントラスト、解像度、フレームレートを揃えます。必要に応じてカラーグレーディングを適用し、キャラクターの肌色や衣装色がカットごとに変わらないようにします。最後に、全カットを連続で再生し、違和感のある箇所をリストアップします。一貫性の最終判断は、静止画ではなく通しで見たときに下します。
プロンプトは、毎回すべてを書き直すのではなく、固定部分と可変部分に分けます。固定部分にはキャラクターの不変要素、可変部分にはシーン、動作、感情、カメラワークを書きます。この分離が、一貫性を保つ最も実用的な方法です。
固定する要素は、顔の構造、髪、瞳、肌、体型、衣装の基本デザイン、小物、画風、ライティングの基本設定です。変える要素は、ポーズ、表情、背景、時間帯、カメラアングル、動きの種類です。固定部分をテンプレート化し、プロジェクト内で共有します。表記ゆれを防ぐため、同じ意味でも異なる単語を使わないようにします。たとえば「赤いジャケット」と「朱色の上着」を混ぜると、モデルは別の衣装として解釈する可能性があります。
テンプレートの例として、「[名前]は、[年齢感]の[性別表現]で、[髪型]の[髪色]の髪、[瞳の色]の瞳、[肌の色]の肌を持つ。[衣装の詳細]。常に[小物]を身につけている。[画風]で、[ライティング]のライティング。」という形があります。この後に、シーン固有の指示を続けます。長すぎるプロンプトはモデルが一部を無視することがあるため、重要度の高い要素を前に置きます。
ネガティブ指定は、崩れを防ぐために有効ですが、入れすぎると動きが硬くなったり、背景が単調になったりします。基本のネガティブには、顔の歪み、余分な指、手足の融合、文字の崩れ、過度なぼかし、色の破綻、衣装の変化、別人化を含めます。プロジェクトごとに必要なものだけを選び、毎回同じリストを使います。ネガティブ指定もバージョン管理し、変更した場合は全カットを再確認します。
シード値は、同じモデルと同じ設定で再現性を高めるのに役立ちます。ただし、モデルやバージョンが変わるとシード値の意味は変わります。参照画像は、モデルをまたいでも外見を伝えやすいですが、参照の強さを上げすぎるとポーズや構図まで固定され、動きの自由度が下がります。外見は参照画像、構図と動きはテキスト、細部はシード値という役割分担が現実的です。
カメラワークは、固定、パン、チルト、ドリー、ズーム、トラッキング、手持ち風から選びます。キャラクターの動きは、歩く、走る、振り返る、手を振る、座る、立ち上がる、話す、笑う、驚くなどに分けます。それぞれに速度と強度を付けます。たとえば「ゆっくり歩く」と「早足で歩く」では、同じ歩行でも印象が変わります。シリーズ内で速度表現の語彙を統一すると、モーションの一貫性が高まります。
制作では、一つのモデルだけで完結しないことがよくあります。ラフな動きを素早く確認するモデル、最終的な質感に強いモデル、リップシンクが得意なモデル、長尺に強いモデルなど、用途が異なります。モデルをまたぐときは、外見とスタイルの橋渡しが必要です。
モデルごとに、顔の保持、手の描写、カメラワーク、物理表現、色の再現、フレームの安定性に差があります。事前に短いテストを行い、同じキャラクター画像とプロンプトで比較します。テスト結果を記録し、どの工程でどのモデルを使うかを決めます。モデルのバージョンが変わったときも、同じテストを繰り返します。
モデルAで作った最後のフレームを、モデルBの最初のフレームとして使います。すると、見た目の連続性が保たれます。ただし、モデルBがモデルAの画風を完全に再現するとは限らないため、色調補正やディテールの微調整を行います。中間フレームは、解像度を合わせ、圧縮ノイズを減らし、必要なら軽くシャープにしておきます。
スタイル転送は、画風を統一する強力な方法ですが、キャラクターの顔や衣装のディテールまで変えてしまうことがあります。転送の強度を上げすぎず、顔、手、ロゴなどの重要領域にはマスクを適用します。転送後は、元のキャラクター資料と比較し、髪の質感、瞳のハイライト、肌の色が許容範囲内かを確認します。
低解像度で生成したクリップをアップスケールすると、顔のパーツが変わることがあります。アップスケール前に、重要なカットを高解像度で再生成するか、ディテール保持に強いアップスケーラーを使います。色調整では、カットごとにホワイトバランスを揃え、肌色を基準に補正します。衣装の色が暗いシーンで沈む場合は、彩度ではなく明度で調整します。
動画の一貫性は、静止画の一致だけでは不十分です。動きの質感、タイミング、重心、視線の動きが揃って初めて、同じキャラクターとして認識されます。
動きの強さは、数値で指定できる場合はシリーズ内で範囲を決めます。弱め、標準、強めの三段階を用意し、シーンごとに使い分けます。強さを揃えないと、静かな会話のシーンで突然大げさな身振りになったり、アクションシーンで動きが止まって見えたりします。
歩行、走行、跳躍、振り返り、座り方など、代表的なアクションには参照画像や参照クリップを用意します。参照があると、モデルは関節の曲がり方や重心の位置を推測しやすくなります。参照は、キャラクター本人でなくても、動きのシルエットが明確なものであれば役立ちます。
フレーム補間は動きを滑らかにしますが、補間の設定が強すぎると、意図したスピード感が失われます。アクションのキーフレームを先に決め、その間を補間します。特に速い動きでは、モーションブラーの量をカット間で揃えます。タイミングは、フレームレートと秒数で管理し、シリーズ全体のテンポを統一します。
会話シーンでは、口の形、まばたき、眉の動きが重要です。音声に合わせてリップシンクを生成する場合も、キャラクターの基本の口の形を参照画像で示します。感情が変わる瞬間は、前後のフレームと比較し、急激な変化がないようにします。日本語の口の動きは英語よりも小さくなりやすいため、必要に応じて口の開きを調整します。
カメラが動き、キャラクターも動くと、モデルはどちらの動きを優先すべきか迷います。カメラの動きと被写体の動きを別々に指示し、どちらを固定するかを明確にします。たとえば「カメラは固定、キャラクターは画面奥から手前へ歩く」と指定します。複雑な動きは、カットを分けてから編集でつなぐほうが安定します。
一貫性の検証は、感覚だけで行うと見落としが生じます。項目を決めて確認します。
顔の輪郭、目の間隔、瞳の色、眉毛の形、髪の分け目、髪の長さ、肌の色、体型、身長バランス、衣装の色と形、ロゴの位置、小物の有無、アクセサリー、靴、手の形、指の本数、背景の主要素、光源の方向、色温度、コントラスト、フレームレート、解像度を確認します。
すべてを完全に一致させるのは現実的ではありません。許容範囲を決めます。たとえば、顔のランドマークのずれは数パーセント以内、衣装の色相は一定の範囲内、髪の長さは見た目で分からない程度、などです。許容範囲を超えた場合のみ修正します。基準を共有することで、チーム内の判断がぶれなくなります。
顔検出や埋め込み表現の類似度を使って、カット間の差異を自動で検出できます。自動検出は見落としを減らしますが、最終判断は人間が行います。特に感情の表現や演技のニュアンスは、数値だけでは評価できません。自動検出で候補を絞り、手動で確認する流れが効率的です。
修正すべき箇所は、視聴者が気づきやすい順に優先します。顔、髪、衣装の色、小物、背景、ライティング、モーションの順で確認します。すべてを一度に直そうとすると時間がかかるため、影響の大きいカットから修正します。修正後は、前後のカットとつないで再確認します。
原因は、参照画像の不足、プロンプトの表記ゆれ、モデルの変更、解像度の不一致です。対策は、マスター画像の固定、参照画像の複数使用、固定プロンプトのテンプレート化、モデル変更時のテストです。
原因は、衣装の説明が抽象的、参照画像に隠れた部分がある、ポーズで布の形が変わることです。対策は、衣装の三面図、素材感の指定、小物の位置指定、必要なら衣装だけを別レイヤーで生成して合成します。
原因は、シーンごとにプロンプトをゼロから書くこと、光源の指定が曖昧なことです。対策は、背景テンプレート、光源の方向と色温度の記録、カラーグレーディングの統一です。
原因は、動きの強さが大きすぎる、参照がない、フレーム補間が強すぎる、カメラと被写体の動きが競合することです。対策は、動きの強さを下げる、参照クリップを使う、カットを分割する、補間設定を調整します。
原因は、複数モデルの画風の違い、スタイル転送の強度過多、解像度の違いです。対策は、モデルごとの役割分担、スタイル転送の強度調整、最終的なカラーグレーディング、必要なら全カットを同じモデルで再生成します。
原因は、生成を繰り返すうちに誤差が蓄積すること、参照が古くなることです。対策は、シーンごとにマスター画像へ戻る、定期的に参照を更新する、長いショットを短く分割する、中間フレームを保存して次の生成に使います。
一貫性は、個人の記憶だけでは維持できません。制作体制とファイル管理が重要です。
プロジェクトフォルダの下に、キャラクター資料、マスター画像、ショットリスト、プロンプト、生成画像、生成動画、音声、編集、書き出し、レビューを分けます。カット番号ごとにサブフォルダを作り、使用したモデル、シード値、プロンプトのバージョンを記録します。
ファイル名には、プロジェクト名、シーン番号、カット番号、バージョン、日付、担当者を入れます。日付は並び替えしやすい形式にします。命名規則を決めることで、どのファイルが最新か、どの生成条件を使ったかを追跡しやすくなります。
プロンプト、参照画像、モデル設定、編集プロジェクトはバージョン管理します。変更した理由と結果を簡単なメモに残します。うまくいった設定はテンプレート化し、チームで共有します。失敗した設定も記録すると、同じミスを繰り返しません。
画像生成、動画生成、編集、品質チェックを分担する場合、一貫性の基準を共有します。レビューでは、良し悪しだけでなく、どの基準を満たしていないかを指摘します。修正依頼は、カット番号と該当箇所を明確にします。最終承認は、通し再生で行います。
最低でも正面、斜め、横、後ろの四方向を用意します。表情差分や衣装差分を加えると安定します。動きの参照が必要な場合は、短いクリップも用意します。数よりも、角度と情報の網羅性が重要です。
同じテキストをそのまま使うのではなく、役割を分けます。画像生成では外見、構図、ライティングを詳しく指定し、動画生成では動き、カメラワーク、時間変化を指定します。共通するキャラクター記述は固定テンプレートとして使い回します。
モデルごとに顔の解釈が異なるため、完全な一致は難しいです。マスター画像を参照として渡し、テストを重ね、許容範囲を決めます。どうしても合わない場合は、顔のアップだけ別モデルで生成し、編集で合成する方法もあります。
動きの強さを下げ、フレーム数を増やし、カットを分割します。速い動きはモーションブラーでごまかすのではなく、キーフレームを明確にします。参照クリップを使うと、関節の動きが安定します。
長尺生成では誤差が蓄積します。シーンごとにマスター画像へ戻り、中間フレームを保存して次の生成に使います。1カットを短くし、編集でつなぐほうが最終的な品質は安定します。
光源の方向、色温度、露出を記録し、カラーグレーディングで統一します。肌色を基準にすると補正しやすいです。衣装の色は、暗い背景で沈む場合に明度を調整します。
キャラクター仕様書、プロンプトテンプレート、命名規則、レビュー基準を共有します。属人的な判断を減らし、チェックリストで確認します。定期的に全カットを通しで見る時間を設けます。
画像から動画へ変換するときのキャラクター一貫性は、特別な一つの機能で解決できるものではありません。キャラクター資料を丁寧に作り、固定要素と可変要素を分け、ショットリストで設計し、モデルの違いを理解し、モーションと色を検証する。この積み重ねが、シリーズ動画やブランド表現に耐える品質を生みます。
まずは短いテストシーンを作り、マスター画像、プロンプトテンプレート、参照クリップ、チェックリストを用意します。うまくいった設定を記録し、次のカットで再利用します。一貫性は一度に完成させるものではなく、制作プロセスの中で守り続けるものです。その仕組みを作れば、画像から動画へのワークフローは驚くほど安定し、表現の幅も広がります。

Alexander
Learn how to turn a written idea into a polished short film with AI video tools: scripting, model choice, shot consistency, sound design, and editing.
Learn how AI transcription enables text-based editing, faster reviews, accessibility, and reliable post-production workflows from rough cut to final delivery.
Learn a repeatable workflow for photorealistic AI video: model selection, shot planning, prompt design, continuity, audio, and quality control.