なぜAI動画で一貫性が崩れるのか
AI動画生成の品質はここ数年で急速に向上し、単発のカットであれば実写と見分けがつかないレベルに達している。しかし複数カットをつないだシリーズ作品や長尺のストーリーテリングになると、状況は一変する。一カット目では整っていた主人公の顔立ちが三カット目では別人のように変わり、衣装のディテールが消え、髪の長さが揺れ、室内の色温度がシーンごとにずれる。これは生成モデルの性能不足というより、ワークフローの設計不足から生じるケースが圧倒的に多い。
制作の現場では、生成そのものよりも「同じものを二度作る」ことの難しさに時間が溶けていく。モデルを乗り換えるたびに同じプロンプトを書き直し、シードを探し直し、それでも数カット先で破綻する。このループから抜け出すには、生成モデルの進化を待つのではなく、参照情報を作品側で管理する発想の転換が必要になる。
拡散モデルが抱える構造的な弱点
テキストから映像を生成するモデルの多くは、ノイズから徐々に像を形成する拡散プロセスを採用している。この方式では、各フレームあるいは各ショットの生成が基本的に独立した試行として扱われる。プロンプトが同一であっても、乱数シード、ノイズの初期状態、ステップごとのサンプリングの揺らぎによって細部は必ず変化する。人間の目はこの変化に極めて敏感で、顔の輪郭や目の間隔が数パーセントずれただけでも同一人物には見えなくなる。
さらにテキストプロンプトは本質的に曖昧な指示体系である。「赤いコートの女性」という表現から、モデルが導き出すコートの形状、丈、素材感、ボタンの数は毎回異なる。プロンプトだけで同一性を固定しようとするアプローチには、構造的な限界がある。
崩れ方が現れる典型的なパターン
一貫性の乱れは大きく四つの層に分けて観察できる。第一はアイデンティティ層で、顔、髪型、体格、年齢感が変わる。第二は衣装と小道具の層で、服のディテールや持ち物の形状が変わる。第三は環境層で、背景の配置、天候、時間帯、照明の向きが変わる。第四は画作り層で、色調、コントラスト、レンズの焦点距離感、粒子感が変わる。
厄介なのは、これらが連鎖することだ。顔を固定しようと参照画像を強く効かせると、今度はポーズが硬直し、動きが不自然になる。逆に動きを優先すると、アイデンティティが崩れる。つまり一貫性の問題は、固定と可変のトレードオフをどう設計するかという問題に帰着する。
レゴピクセル方式の基本発想
ここで紹介する考え方は、画像のピクセルを単なる色情報の粒として扱うのではなく、再利用可能な部品として捉え直すものである。ブロックを組み替えるように、作品の中で使い回せる構造単位をあらかじめ定義し、生成のたびにその単位を同じ意味で参照させる。ここではこれをレゴピクセル方式と呼ぶ。
重要なのは、この方式が特定のモデルやサービスに依存しない点だ。考え方さえ理解すれば、画像生成でも動画生成でも、あるいはそれらを組み合わせたパイプラインでも応用できる。
構造参照という考え方
従来のプロンプト主導の生成では、テキストが唯一の指示源だった。これに対して参照主導の生成では、入力画像や参照キーフレームから抽出した特徴を固定された埋め込み空間にマッピングし、それを真実の源として生成全体で参照させる。テキストは補助的な役割に退き、構造の同一性は参照データが担保する。
この発想の利点は、情報の粒度を自分で決められることにある。顔だけを固定する、顔と衣装を固定する、環境まで固定する、といった調整が可能になる。レゴブロックをどの単位で組み上げるかを設計するのと同じ作業である。
固定する要素と動かす要素を分ける
制作を始める前に、作品の中で何を固定し、何を可変にするかを表にまとめておくとよい。アイデンティティは完全固定、表情とポーズは可変、衣装は基本固定で汚れや破れだけ可変、環境はシーン単位で固定、カメラワークは完全可変、といった具合だ。
この切り分けを最初に行わないと、後工程で「これは変えたいのに変わらない」「これは固定したいのに毎回変わる」という摩擦が延々と続く。テンプレートとして一度作れば、次の作品でも流用できる資産になる。
参照素材セットの設計
一貫性の品質は、生成時のパラメータ調整よりも参照素材の質でほぼ決まる。ここでは実務で効果の高い参照セットの作り方を整理する。
キャラクター三面図と表情差分
最低限用意したいのは、正面、真横、斜め四十五度の三方向からの全身像である。これにバストアップのクローズアップを加えると、顔のディテールが安定しやすい。さらに表情差分として、無表情、笑顔、驚き、怒り、悲しみ、口を開けた状態の六種類を用意すると、感情の起伏があるシーンでも破綻しにくくなる。
参照画像はすべて同じ照明条件下で作るのが原則だ。片方だけ逆光、もう片方だけ強い色かぶりがあると、モデルはどちらを基準にすべきか判断できず、結果が平均化されて没個性になる。
衣装・照明・小物のバリエーション
衣装は同一のものを、順光、逆光、室内の暖色照明の三条件で用意する。これは色の再現精度を上げるだけでなく、シーンごとの照明変化に対応するための保険になる。小物についても、手に持った状態、置いた状態、接写の三種類があると、カットの繋がりが自然になる。
季節や天候の変化を描く作品では、同じ衣装の雨天版、雪上版を追加しておくと、環境だけを切り替えられるようになる。
解像度・トリミング・背景の扱い
参照画像は長辺一千ピクセル以上を目安にし、被写体が画面の六割から七割を占めるようにトリミングする。小さすぎる被写体は特徴抽出が不安定になり、大きすぎると背景情報が失われる。
背景はシンプルな無地か、思い切って除去したものを推奨する。背景に強い模様や文字があると、それが意図せず生成結果に混入することがある。また参照セット全体でホワイトバランスを揃えておくと、後段の色調整が格段に楽になる。
静止画から映像までの実践ワークフロー
ここからは、実際の制作を八つのステップに分解して説明する。短編でも長編でも基本の流れは同じである。
ステップ1から4：設計と参照の固定
第一に、企画をショットリストに分解する。各ショットについて、登場人物、場所、時間帯、感情、カメラの種類を一行で書き出す。この段階で曖昧なまま進めると、後工程で必ず手戻りが発生する。
第二に、キャラクターシートを作成する。前述の三面図と表情差分、衣装バリエーションを一つのボードにまとめ、作品全体で共有する。
第三に、キービジュアルを一枚だけ確定させる。これは作品の基準となる一枚で、色調も構図も編集もこの画像を正とする。以降のすべての判断はこの基準画像と比較して行う。
第四に、参照セットをライブラリ化する。ファイル名に役割、角度、照明条件を明記し、チーム内で誰が見ても同じ画像を選べる状態にする。地味な作業だが、ここを省いた制作は必ず混乱する。
ステップ5から6：検証ループ
第五に、ショットごとのキーフレームを設計する。始点、中間、終点の三枚を基本とし、動きの大きいショットでは中間フレームを増やす。
第六に、いきなり本生成へ進まず、三秒程度のテスト生成を繰り返す。この段階で顔の同一性、衣装の再現、動きの自然さ、色の安定を確認し、参照の重み付けを調整する。テストを惜しむと、後戻りできない長尺生成で失敗する。
ステップ7から8：本生成と仕上げ
第七に、確定した設定でショット単位に分割して本生成する。一括生成は避け、必ずショットごとに区切る。問題が起きたときに被害を最小化できるからである。
第八に、編集ソフトでつなぎ、色調整、粒子の統一、音の同期を行う。生成段階で完全に色を揃えるのは現実的ではないため、最後にまとめて整える工程を必ず予定に入れておく。
マルチ参照を統合して同一性を固定する
一枚の参照画像だけでは、角度の変化や表情の変化に対応しきれない。そこで複数の参照画像を統合し、対象の本質的な表現を学習させる手法が有効になる。実務では、どの参照をどの程度優先するかを明示的に設計することが重要だ。
参照の重み付けと優先順位
経験的には、アイデンティティに関わる参照を最優先、衣装を次点、環境をその次、全体のスタイルを最後に置くと安定しやすい。スタイル参照を強くしすぎると、キャラクターの個性が塗りつぶされる。
重み付けを変えたら、必ず同じテストショットで比較する。条件を一つずつ変えるのが鉄則で、複数を同時に変えると何が効いたのか分からなくなる。
矛盾する参照の解決手順
参照同士が矛盾する場合、まず差分の切り分けを行う。顔は合っているが衣装が違うのか、衣装は合っているが髪型が違うのかを言語化する。次に、疑わしい参照を一時的に外して再生成し、結果がどう変わるかを観察する。多くの場合、問題の原因は一枚の質の低い参照画像である。
参照を増やせば安定するとは限らない。情報が多すぎるとモデルは平均的な顔を作り出し、結果として誰でもない人物が生まれる。五枚から八枚程度を目安に、質の高い参照を厳選するほうが成果は良い。
キーフレームとモーション制御の設計
動画生成における一貫性の最大の敵は、フレーム間のドリフトである。これを抑えるのがキーフレーム制御であり、始点と終点を明示的に与えることで中間の生成を誘導する。
キーフレーム密度の目安
穏やかな会話シーンであれば二秒に一枚、歩行や走行では一秒に一枚、激しいアクションでは零点五秒に一枚を目安にする。密度を上げすぎると動きが機械的になり、下げすぎると被写体が変形する。
キーフレームは必ず同一の参照セットから生成する。別の日に作ったキーフレームを混ぜると、色調と顔のディテールが微妙にずれ、つなぎ目で視聴者に違和感を与える。
カメラワークと被写体の動きを分離する
プロンプトでカメラの動きと被写体の動きを同時に指定すると、モデルはどちらを優先すべきか混乱しやすい。まず被写体の動きを固定してカメラを静的にし、次にカメラの動きを加えるという二段階のアプローチが有効である。
パン、ティルト、ドリー、ズームといったカメラワークは、可能であれば編集ソフト側で疑似的に再現するほうが制御しやすい。生成に頼りすぎると、背景のパースが破綻して一貫性が崩れる。
物理挙動が破綻するときの対処
手指、布の揺れ、髪の流れ、鏡や水面への映り込みは、現在の生成技術でもっとも破綻しやすい領域である。手指は画面外に逃がすか、手袋や小物で隠す。布と髪は動きの振幅を小さくし、キーフレームを密にする。映り込みは思い切ってカット割りで回避する。
こうした回避策は妥協ではなく、制作設計の一部である。破綻しやすい要素を事前に把握しておけば、絵コンテの段階で無理のない構図を選べる。
スタイル一貫性を保つための色と質感の管理
キャラクターが同じでも、画のトーンがシーンごとに変われば作品としての一体感は失われる。色と質感の管理は、一貫性の第四層にあたる重要な工程だ。
カラースクリプトとLUT
作品全体の色設計をカラースクリプトとして一枚のシートにまとめる。朝は寒色寄り、回想は彩度を落とす、クライマックスは暖色とコントラストを強める、といったルールを先に決めておく。そのうえで各ショットの生成後、共通のLUTを適用してトーンを揃える。
生成モデルに色を完全に任せると、ショットごとにホワイトバランスが揺れる。撮影でいうホワイトバランスを固定する感覚で、基準となる色温度をあらかじめ決めておくとよい。
質感・粒子・レンズ表現の統一
フィルム粒子、レンズフレア、被写界深度の扱いも統一する。あるショットだけ過剰にシャープで、別のショットだけぼやけていると、素人っぽさが露呈する。
推奨するのは、生成段階では質感を控えめにし、編集段階で粒子やグレインを全体に均一に乗せる方法である。後から足すことはできても、後から消すことは難しいという原則を覚えておきたい。
ツール選定とパイプライン構成の判断基準
どのツールを選ぶかは、作品の性質と制作体制によって変わる。ここでは評価軸を整理する。
モデル選定チェックリスト
確認すべき項目は、参照画像を何枚まで同時に扱えるか、画像から動画への変換に対応しているか、キーフレーム制御が可能か、シードを固定できるか、出力の縦横比と解像度が用途に合うか、一回あたりの生成尺はどの程度か、自動化のための外部連携が可能か、そして生成結果の利用条件が自分の用途に適合するか、である。
特に参照画像の同時入力数とキーフレーム制御の有無は、一貫性ワークフローの根幹に関わる。この二点を満たさないツールは、長尺作品の主軸には向かない。
クラウド・ローカル・ハイブリッドの使い分け
クラウド型は試行回数を稼ぎやすく、複数人での共有にも向く。反面、細かなパラメータ制御が制限されることが多い。ローカル環境は制御の自由度が高いが、機材投資と設定の知識が必要になる。
現実的なのはハイブリッド構成である。構図の検討や色の確定はクラウドで素早く回し、最終的な高解像度生成や細かな制御はローカルで行う。あるいは画像生成をローカル、動画生成をクラウドに分担させる形でもよい。
よくある失敗と対処法
現場で繰り返し発生する問題と、その実践的な解決策をまとめる。
顔が変わる
原因の多くは参照画像の不足か、照明条件の不一致である。正面だけでなく斜めの参照を追加し、すべての参照の色温度を揃える。それでも改善しない場合は、顔の参照の重みを上げ、同時にポーズ指定を弱めて自由度を確保する。
衣装が変わる
テキストで衣装を説明しようとすると必ず揺れる。衣装単体の参照画像を用意し、背景を除去した状態で与えると再現性が大きく向上する。柄物は特に崩れやすいため、無地に置き換えるか、柄の一部だけを残す判断も有効である。
動きが破綻する
動きの速度が速すぎるか、キーフレームが粗すぎる。生成尺を短く分割し、キーフレームの密度を上げる。それでも解決しない場合は、動きそのものを減らす。静止に近いカットの積み重ねでも、編集次第で十分に動きを感じさせることはできる。
色が揺れる
ショットごとに独立して生成していることが原因である。基準となるキービジュアルを決め、全ショットをそこに寄せる。編集段階でLUTを共通適用し、最後にグレーディングで微調整する。
全体がのっぺりする
参照を盛りすぎて平均化が起きている。参照数を絞り、最も信頼できる数枚に限定する。モデルは情報が多いほど安全な平均解を選ぶ傾向があるため、意図的な余白を残すことが個性の維持につながる。
品質チェックの運用とよくある質問
一貫性は作って終わりではない。運用として検証を組み込むことで初めて維持される。
フレーム単位とシーケンス単位のレビュー
ショットごとに、始点、中間、終点の三フレームを並べたコンタクトシートを作る。並べるだけで、色のずれや顔の変化は一目で分かる。次に、前後のショットの最終フレームと最初のフレームを並べ、つなぎ目に違和感がないかを確認する。
自分で作った映像は客観視しにくいため、可能であれば第三者の目を入れる。特に顔の同一性は制作当事者ほど気づきにくい。チェックリストを用意し、項目ごとに判定を記録する運用が有効である。
よくある質問
参照画像は何枚あれば十分か。キャラクター一人につき五枚から八枚が実務的な目安である。正面、斜め、横、バストアップ、表情差分を含めると安定する。
長尺作品にも応用できるか。応用可能だが、ショット単位で分割し、各ショットの始点を前ショットの終点に合わせる設計が必須になる。
モデルを乗り換えても一貫性は保てるか。参照セットを作品側の資産として管理していれば、乗り換え時の再現コストは大きく下がる。参照情報をモデルに預けず、自分の手元に置くことが重要である。
無料のツールだけでも実現できるか。短尺の検証であれば可能だが、参照の同時入力数やキーフレーム制御に制限があることが多い。まずは短いカットで検証し、必要に応じて構成を見直すとよい。
生成に失敗したカットはどう扱うか。作り直すのではなく、編集で回避できないかを先に検討する。別カットを挟む、尺を短くする、アップに切り替えるといった編集上の解決策は、再生成よりも速く確実なことが多い。
チーム制作で注意すべき点は何か。参照セットの命名規則とバージョン管理を徹底することに尽きる。誰がどの参照を使ったかを追跡できなければ、一貫性は運用の段階で崩れる。
まとめとしての優先順位
限られた時間で最大の効果を得たいなら、次の順序で取り組むとよい。第一にキービジュアルを一枚確定する。第二に参照セットを整備し命名規則を決める。第三にテスト生成で重み付けを詰める。第四にショット分割とキーフレーム設計を行う。第五に編集段階で色と質感を統一する。
派手な新機能を追うより、この五つを地道に運用するほうが、作品の一貫性ははるかに安定する。レゴピクセル方式の本質は、生成の魔法に頼るのではなく、再利用できる構造を自分の側で設計し管理することにある。その設計力こそが、シリーズ作品や長尺プロジェクトを完走させるための最も確実な武器になる。
