キャラクターの同一性はなぜ崩れるのか
AI動画生成の品質はここ数年で急速に向上し、数秒のクリップであれば一見するとプロ品質に見える映像も珍しくなくなりました。ところが、複数のショットをつないで一つの物語として見せた瞬間、多くの制作者が同じ壁にぶつかります。同じ人物のはずなのに、カットが変わるたびに顔の輪郭、髪の質感、体格、年齢感が少しずつ違って見える。この揺らぎは単発のクリップでは気づきにくくても、シリーズ作品や長尺のストーリーでは決定的な弱点になります。
原因は一つではありません。第一に、生成モデルは各フレームを独立に、あるいはごく短い文脈で生成するため、同じプロンプトでも初期ノイズが変われば出力も変わります。第二に、テキストで人物の外見を完全に記述することは原理的に不可能です。「黒い髪、茶色の瞳、二十代」と書いたところで、その人物の鼻の形や耳の位置までは伝わりません。第三に、モデルは学習データに含まれる平均的な顔へと出力を引っ張る傾向があり、特徴的な輪郭や珍しい髪型ほど再現が難しくなります。第四に、ショットごとに照明、レンズの焦点距離、構図、色温度が変われば、同じ顔でも受ける印象は大きく変わります。
さらに厄介なのは、人間の同一性判断が複数の手がかりの総合で行われている点です。目と眉の間隔、鼻筋の通り方、口角の上がり方、顎のライン、髪の分け目、肌のトーン、ほくろや傷などの特徴、そして歩き方や身振りといった動きの癖。これらが少しずつずれると、視聴者は無意識に「別人だ」と感じ取ります。逆に言えば、数値的な類似度が高くても印象が違えば失敗であり、数値が多少低くても印象が保たれていれば成功です。この主観性こそが、キャラクター一貫性を単なる技術の問題ではなく制作設計の問題にしています。
必要な厳格さは用途によって変わります。SNS向けの単発ショートであれば多少の揺らぎは許容されることが多い一方、連続するエピソード、企業の研修シリーズ、広告のシリーズ展開では、視聴者が人物を識別し続けられることが前提になります。まず「この企画ではどの程度の一貫性が必要か」を言語化しておくことが、後の判断をぶれさせない出発点になります。
参照画像セットの設計が一貫性の八割を決める
同じ生成モデル、同じプロンプトでも、渡す参照画像が変われば結果は別物になります。つまり一貫性の大部分は、生成を始める前の準備で決まります。ここでは参照画像セットの作り方を整理します。
何枚あれば足りるのか
実用的な出発点は四枚から八枚です。一枚だけではその角度と照明に強く引っ張られ、別の角度を生成した瞬間に別人になります。逆に十枚を超えると、互いに矛盾する情報が混ざり、モデルがどの特徴を優先すべきか判断できなくなります。
内訳の例は次の通りです。正面のバストアップを基準として一枚。左右斜め四十五度を各一枚。横顔を一枚。表情違い（笑顔と無表情など）を二枚。全身で体型とシルエットを伝えるものを一枚。衣装のディテールや小物が重要な企画なら、その部分を切り出したものを追加します。
この構成の狙いは、単に枚数を増やすことではなく、モデルが「同一人物の異なる見え方」を学べるようにすることです。同じ人物が別の角度から見えるという事実を伝えることで、生成時の回転や移動に対して頑健になります。
参照画像に求める品質条件
解像度は長辺千ピクセル以上を目安にします。ピントは顔の中心部に合っていること。照明はできれば均一で、片側だけが強い影になっていないこと。背景は単純なほうが人物の特徴量が抽出されやすくなります。顔が画面に対して小さすぎる画像も避けます。全体の三分の一以上を顔が占めていると安定します。
色かぶりにも注意が必要です。強い暖色の室内光で撮られた写真ばかりを集めると、生成される肌のトーンが全体的にオレンジへ寄ります。屋外の自然光、室内の白色光、ニュートラルなスタジオ光を混ぜておくと、シーンごとの照明変化に対応しやすくなります。
圧縮ノイズの多い画像、たとえばSNSに投稿する際に再圧縮を繰り返した写真は避けてください。細部が失われているだけでなく、ブロック状のノイズを特徴として学習してしまうことがあります。
避けたい参照画像
サングラス、マスク、大きな帽子、手で顔を覆った写真は、顔の主要な特徴を隠すため参照として機能しません。強い逆光で顔が暗く潰れた写真も同様です。集合写真からの切り抜きは、隣の人物の輪郭がわずかに混ざることがあります。強い美肌フィルターや顔の輪郭を変える加工が入った写真は、本来の骨格を歪めて伝えます。極端な広角レンズで撮られた自撮りは、鼻が大きく顎が小さく写るため、その歪みがそのまま再現されます。
また、AIで生成した画像を参照として使い回すことにも注意が必要です。生成を繰り返すたびに細部が失われ、いわゆる世代劣化のような現象が起きます。どうしても使う場合は、元の実写素材を常にマスターとして保管しておきましょう。
参照セットを仕様書として管理する
参照画像はフォルダに放り込むのではなく、仕様書として管理します。ファイル名には役割と角度を含めます。たとえば charA_front_bust_01 のように、人物、角度、構図の順で統一します。各画像について、どの特徴を担保するためのものかを一行でメモしておくと、後から差し替える際に迷いません。
髪型を変える企画、衣装を複数用意する企画では、共通の顔参照セットと、シーンごとの衣装参照セットを分けて管理します。この分離が、後の工程で効いてきます。
複数画像を統合する仕組みを理解する
参照画像を複数渡すと、モデルの内部では何が起きているのか。仕組みを大まかに理解しておくと、失敗したときに原因を切り分けやすくなります。
特徴エンコーダが画像を数値に変換する
最初の段階で、各参照画像は特徴エンコーダと呼ばれるネットワークを通り、潜在空間の数値ベクトルに変換されます。このベクトルは、画素そのものではなく「この画像を特徴づける要素」を圧縮したものです。複数枚を処理する場合、各画像から得られたベクトルを集約し、一つの代表的な表現にまとめます。
ここで重要なのは、集約の方法です。単純に平均すると、特徴的な要素が薄まって平均的な顔に寄ります。特徴の次元ごとに重要度を重み付けして統合する設計になっていると、目や鼻といった識別性の高い領域が残りやすくなります。
アイデンティティ埋め込みと属性の分離
次に、統合された表現は「アイデンティティ埋め込み」として生成プロセスに注入されます。同時に、衣装、髪型、小物といった属性は、アイデンティティ本体とは別のレイヤーとして扱われるのが理想的です。この分離ができていると、同じ人物のまま衣装だけをシーンに応じて変える、といった制御が可能になります。
逆に分離がうまくいかないと、衣装を変えたつもりが顔まで変わってしまいます。参照画像の中に特定の衣装ばかりが写っていると、モデルは衣装と顔をひとまとまりの特徴として学習してしまうのです。これを避けるには、衣装の異なる複数の写真を参照セットに含めるか、顔の参照と衣装の参照を別々に与える構成にします。
参照の重み付けと優先順位
複数の参照を渡すとき、どの画像をどれだけ重視するかを指定できる場合があります。指定できない場合でも、参照セットの構成によって暗黙の優先順位が生まれます。一般的には、正面で顔が大きく、ピントの合った画像が最も強く影響します。
したがって、最も「この人物らしさ」を捉えている一枚を基準として先頭に置き、残りを補助として並べるのが実務的です。すべての画像を対等に扱うと、基準が曖昧になります。
生成過程での制御
生成の過程では、ノイズから映像を復元していく各ステップで、アイデンティティ埋め込みへの近さが評価され、出力が調整されます。この調整の強さをガイダンスとして調整できる場合、強くすれば参照への忠実度は上がりますが、動きの自然さや創造性が損なわれることがあります。弱くすれば自由で生き生きとした動きが得られますが、同一性は揺らぎます。
実務的には、中程度からやや強めの設定で始め、動きの不自然さが目立つショットだけを下げる、という調整が扱いやすいです。
時間軸の一貫性を設計する
一枚の画像の一貫性と、動画全体の一貫性は別問題です。時間軸に沿って人物が動き、表情が変わり、カメラが回り込んでも同一であり続けるためには、設計が必要です。
キーフレームをどこに置くか
物語の転換点となるフレームをキーフレームとして指定し、そこに高精度の参照を割り当てます。置くべき場所の目安は、ショットの最初と最後、感情が大きく変わる瞬間、カメラアングルが切り替わる直前、そして人物が画面に登場する最初のフレームです。
特に重要なのは登場カットです。視聴者は最初に人物を認識した瞬間に「この人はこういう顔」という基準を作ります。ここで参照から外れた顔が出ると、以降のショットがすべて違和感を帯びます。逆に登場カットが安定していれば、多少の揺らぎは視聴者が補正してくれます。
ショット間のつなぎとカメラワーク
カメラが人物の周囲を回り込むショットは、一貫性が最も崩れやすい場面です。横顔から後頭部へと回り込む間に、耳の形、髪の生え際、首の太さが変わると目立ちます。このようなショットでは、参照セットに横顔と後ろ姿を含めておくことが有効です。
ショットをつなぐ際は、前のショットの最終フレームを次のショットの参照として使う方法も効果的です。ただし、そのフレーム自体に誤りがあると誤りが伝播します。前のショットの出力は、必ず目視で確認してから引き継ぎましょう。
モーション量と崩れの関係
動きが大きいほど崩れやすくなります。激しい走り、素早い回頭、大きく開いた口元は、モデルが前のフレームから次のフレームを予測する際の誤差を増やします。特に髪の毛は、動きの大きいショットで質感が急変しやすい領域です。
対策は二つあります。一つは、激しい動きのショットを短く区切ること。もう一つは、動きの激しいショットの前後に、比較的静止したショットを挟んで基準を再設定することです。連続する激しい動きは避け、緩急をつけると安定します。
表情とポーズの変化を計画する
表情の変化は、同一性の印象に直結します。笑顔の参照が一枚もない状態で笑顔のショットを生成すると、歯並びや頬の上がり方が大きく変わることがあります。喜怒哀楽それぞれの参照を用意するのが理想ですが、難しければ少なくとも「よく使う表情」を二種類は用意しておきましょう。
ポーズについても同様です。座る、振り返る、手を上げるといった基本動作は、参照セットの中に近い姿勢があると安定します。
プロンプトで一貫性を補強する
視覚的な参照が主役ですが、テキストはそれを補強する重要な役割を持ちます。ここでの基本原則は「固定する情報と変える情報を分離する」ことです。
固定する記述と変える記述を分ける
キャラクターに関する記述は、プロジェクト全体で一字一句変えずに使い回します。年齢感、髪の色と長さ、体型、特徴的な小物、服装の基本トーン。これらをテンプレートとして固定し、シーンごとに変えるのは場所、時間帯、天候、動作、感情だけにします。
この分離を徹底するだけで、出力のばらつきは目に見えて減ります。逆に、ショットごとに言い回しを工夫しようとして記述を変えると、モデルはそれを「別の人物」の指示として受け取ります。
キャラクター記述テンプレートの作り方
テンプレートは短く、具体的に作ります。抽象的な形容詞よりも、観察できる事実を書きます。「美しい女性」ではなく「二十代前半、丸みのある輪郭、太めの眉、肩までの黒髪を右分け」といった具合です。
避けたいのは、矛盾する記述です。「細身」と「たくましい」を同じ人物に書けば、モデルはどちらかを選ぶか、その中間へ寄せます。テンプレートは一度作ったら、プロジェクトの最後まで変更しないのが鉄則です。
シーン記述と人物記述を分離する
プロンプトの構造も工夫します。人物記述を前半にまとめ、シーン記述を後半に置くと、モデルが人物を先に確定してから環境を適用する流れになりやすくなります。逆の順序では、環境の要素が人物の外見に混ざることがあります。
ネガティブプロンプトの役割
避けたい要素を指定できる場合、次のような項目が有効です。顔の歪み、余分な指、左右非対称な目、年齢の急変、別の人物の混入、ぼやけた輪郭、過度な美肌加工、顔の潰れ。ただし、項目を増やしすぎると全体の画質が低下することがあります。効果を確認しながら、本当に必要なものだけを残しましょう。
実践ワークフロー：短編を最後まで作り切る
ここまでの考え方を、実際の制作手順に落とし込みます。全体で二分から三分程度の短編を想定します。
ステップ1 キャラクター設定シートを作る
最初に一枚のドキュメントを作ります。人物の基本情報、参照画像のファイル一覧と役割、固定プロンプト、避けたい要素、衣装バリエーション、登場シーンの一覧。これがあるだけで、制作中に迷う時間が大幅に減ります。
ステップ2 ショットリストとアンカーショットを決める
次にショットを書き出します。各ショットについて、場所、時間、人物の動作、感情、カメラの動きを一行で記録します。そのうえで、最初に生成する「アンカーショット」を一つ選びます。多くの場合、人物が正面を向いてはっきり見えるショットが適しています。
アンカーショットを納得のいくまで調整し、それを基準として他のショットを生成していきます。順序は、アンカーに近い構図から遠い構図へと広げるのが効率的です。
ステップ3 生成と評価のループを回す
各ショットについて、三回から四回の生成を一組として試します。一回ごとに評価し、顔、髪、衣装、動きのどこが外れているかを記録します。外れ方が毎回同じなら参照セットかプロンプトの問題、毎回違うなら生成のばらつきが原因です。この切り分けが、無駄な試行を減らします。
評価は必ず等倍で行います。縮小表示では違いが見えず、後で気づいて手戻りになります。
ステップ4 編集と仕上げ
生成したクリップは、そのままでは色味やコントラストがショットごとに揺れています。編集段階で全体に共通の色調整を適用し、トーンを揃えます。ショット間のつなぎでは、カット割りを短くして視線を誘導すると、わずかな揺らぎが目立ちにくくなります。
音の設計も一貫性の知覚に影響します。同じ人物には同じ声質を割り当てることで、視覚的な揺らぎを視聴者が補正しやすくなります。
ステップ5 素材とメタデータの保管
完成後も、使用した参照画像、プロンプト、生成設定、採用したクリップを一式で保管します。数か月後に続編を作る際、この記録がなければ同じ人物を再現するのはほぼ不可能です。プロジェクト名、日付、バージョンを規則的に記録しておきましょう。
ツールをまたいで一貫性を維持する運用
制作の途中でツールを乗り換えることや、複数のツールを併用することは珍しくありません。そのときに一貫性を保つための考え方を整理します。
モデルごとの癖を前提にする
生成モデルごとに得意な構図、苦手な動き、色の傾向が異なります。あるモデルで安定していた参照セットが、別のモデルでは全く機能しないこともあります。乗り換え時は、まず同じ参照セットでテストショットを数本生成し、傾向を確認してから本番に入ります。
抽象化レイヤーとしてのプロンプト設計
ツール固有の記法に依存しない形でキャラクター仕様を記述しておくと、移行が楽になります。「人物の観察可能な特徴」を自然言語で記述したマスター仕様書を作り、各ツール向けに書き換える運用です。
引き継ぎ可能な仕様書のつくり方
第三者が見ても再現できる仕様書の条件は、参照画像、固定プロンプト、避けたい要素、採用ショットの四つが一か所にまとまっていることです。加えて、どのショットでどの参照を使ったかの対応表があると、部分的な作り直しが容易になります。
よくある失敗と切り分け方
ここでは、実際に頻発する症状とその対処を整理します。
- 顔が毎回変わる：参照画像が少なすぎるか、互いに矛盾している。正面の基準画像を一枚に絞り、他の参照を補助に回す。
- 特定の角度だけ別人になる：その角度の参照が不足している。横顔や後ろ姿の参照を追加する。
- 衣装を変えると顔も変わる：衣装と顔が分離されていない。衣装違いの参照を複数用意するか、参照を分けて与える。
- 動きの激しい場面で崩れる：モーション量が限界を超えている。ショットを短く分割し、前後に静止気味のカットを挟む。
- 肌の色がシーンごとに変わる：参照の照明条件が偏っている。異なる照明の参照を混ぜる。
- 目つきが鋭くなる、あるいは幼くなる：表情参照の偏りが原因。無表情以外の参照を追加する。
- 手や指が破綻する：動きの大きい構図で起きやすい。手を画面外に出す、あるいは手の参照を追加する。
- 全体にぼやける：ネガティブ指定が過剰、あるいは参照の解像度が低い。指定を削り、参照を高解像度に差し替える。
切り分けの基本は、変数を一度に一つだけ動かすことです。参照とプロンプトと設定を同時に変えると、何が効いたのか分からなくなります。
品質チェックの基準と評価の流れ
最後に、公開前の確認手順を整理します。
三つのチェック単位
フレーム単位では、顔のパーツ配置、髪の質感、指の本数、輪郭の破綻を確認します。ショット単位では、始点と終点で同一人物に見えるか、動きの途中で崩れていないかを確認します。プロジェクト単位では、通しで見たときに違和感なく人物を追えるかを確認します。
チェックリストの例
- 登場カットで参照どおりの顔になっているか
- ショットをまたいでも目の間隔と眉の形が保たれているか
- 髪の長さと分け目が一致しているか
- 衣装の色とディテールが連続しているか
- 照明が変わっても肌のトーンが不自然に変化していないか
- 動きの大きい場面で輪郭が溶けていないか
- 音声と口の動きが大きくずれていないか
他者レビューの設計
制作者本人は細部を見すぎて全体の印象に鈍くなります。別の人物に「最初に見て誰だと思ったか」「途中で別人に感じた箇所はあるか」を聞くのが最も有効です。技術的な指標よりも、この素朴な質問のほうが問題を炙り出します。
よくある質問（FAQ）
参照画像は多いほど良いのでしょうか
いいえ。枚数よりも、角度と照明の多様性、そして画像間の矛盾の少なさが重要です。矛盾した十枚より、整合した五枚のほうが安定します。
実写の参照がなく、イラストしかない場合はどうすればよいですか
イラストでも問題ありませんが、線の太さや塗りのトーンが揃ったものを選びます。異なるタッチのイラストを混ぜると、生成結果の質感が定まりません。
顔は合っているのに違和感が残るのはなぜですか
多くの場合、原因は顔以外にあります。体型、身長の比率、歩き方、あるいは声質。顔の一致度だけを追うと、この種の違和感を見落とします。
生成のたびに結果が変わるのは避けられないのですか
完全には避けられません。ただし、参照セットを整え、プロンプトを固定し、設定を記録することで、変動幅は実用的な範囲まで狭められます。
無料のツールでも一貫性は保てますか
保てる場合もありますが、参照の枚数や解像度に制限があることが多く、長尺の企画では限界があります。まずは短いテストで自分の用途に足るかを確認するのが現実的です。
一度作った参照セットは使い回せますか
同じ企画の続編であれば再利用できます。ただし、加齢、髪型の変更、衣装の刷新など、設定が変わった場合は参照セットの更新が必要です。変更前のセットも保管しておきましょう。
一貫性を保つために最も効果が大きい対策は何ですか
一つ挙げるなら、参照画像セットの設計です。プロンプトの工夫や設定の調整よりも、入力となる参照の質と構成が結果を大きく左右します。
まとめ：一貫性は生成の前に決まる
複数画像を統合してキャラクターの同一性を保つ作業は、魔法のような一回の操作ではありません。参照セットを丁寧に設計し、固定する情報と変える情報を分離し、時間軸に沿ってキーフレームを配置し、失敗を一つずつ切り分けていく。地味な工程の積み重ねが、結果として「同じ人物が確かにそこにいる」という印象を生みます。
まずは短いテストから始めてください。同じ人物の正面、斜め、横顔の三枚を用意し、十五秒のショットを三本作ってつなげてみる。その小さな検証で見えてきた課題こそが、あなたの制作における本当の出発点になります。技術は日々更新されますが、観察し、記録し、変数を一つずつ動かすという姿勢は、どのツールを使っても通用する最も確実な方法です。
