キャラクターの一貫性が崩れる本当の理由
AI動画生成の精度が上がっても、「同じ主人公がカットごとに別人になる」問題は簡単には消えません。原因は単純で、テキストプロンプトは本質的に「平均的な像」を指し示す手段だからです。「銀髪の少女、青いジャケット」と書けば、モデルはそれらしい無数の候補の重心を描きます。シーンごとにポーズ、照明、カメラアングルが変われば、重心もまた動きます。結果として髪の長さが数センチ変わり、目の形がわずかにずれ、視聴者は無意識に違和感を覚えます。
この現象が起きる要因は大きく4つに分けられます。
- テキストの解像度不足：言葉で指定できる特徴は、実際の顔や体型が持つ情報量のごく一部です。
- シード値の限界：同じシードでもプロンプトが変われば出力は変わります。シードは「同じ構図の再現」には効きますが、「同じ人物の維持」には効きません。
- フレーム間の文脈欠如：1カットずつ独立に生成すると、前のカットの情報が引き継がれません。
- 学習データの多様性：モデルは似た特徴を持つ多数の人物を学習しており、境界が曖昧な特徴ほど混ざりやすくなります。
つまり必要なのは「言葉を増やす」ことではなく、「視覚的なアンカーを増やす」ことです。ここで登場するのがマルチ画像フュージョンという考え方です。
マルチ画像フュージョンの仕組みを分解する
マルチ画像フュージョンは、複数の参照画像から人物の特徴を抽出し、それをひとつの安定した表現にまとめてから生成に渡す手法です。流れを分解すると、おおよそ次の4段階になります。
- 参照画像群から人物らしさを表す特徴を抽出する
- 抽出した特徴を、背景や照明などのノイズから分離する
- 複数の特徴を統合し、人物の「中心」となる表現を作る
- 生成の各ステップで、その中心から離れすぎないように制約をかける
特徴抽出と意味空間へのマッピング
第一段階では、顔のパーツ配置、髪の質感、体型の比率、服装のシルエットといった要素が数値ベクトルとして取り出されます。重要なのは、ここで抽出されるのが「ピクセルのコピー」ではなく「意味的な特徴」だという点です。だからこそ、参照画像と本編のポーズが違っても、同じ人物として再構成できます。
実務上は、顔に特化した抽出と、全身・衣装に特化した抽出を分けて考えると安定します。顔の抽出だけを強くかけすぎると、体形や服装がシーンごとにぶれます。逆に全身の特徴だけに頼ると、アップのカットで目や鼻の形が崩れます。両方を別々の重みで扱えるツールを選ぶのが安全です。
参照画像とキーフレームの役割分担
参照画像には2種類あります。ひとつはアイデンティティ参照で、キャラクターの基本的な外見を定義する静止画です。もうひとつはシーン参照で、特定カットのポーズや表情、構図を示す画像です。
この2つを混同すると失敗します。アイデンティティ参照に喜怒哀楽の強い表情を使うと、その表情が「その人物の標準」として学習されてしまい、全カットが怒り顔になることがあります。逆にシーン参照に別人物の写真を使うと、顔の特徴が引っ張られます。
おすすめは、アイデンティティ参照はニュートラルな表情・正面・均一な照明で固め、シーン参照はポーズと構図の指示に限定して使うことです。
なぜ1枚の参照画像では足りないのか
1枚の参照画像は、その角度・その照明・その表情における「ひとつの断面」でしかありません。モデルはその断面から見えない部分を推測で埋めます。推測が外れると、横顔で鼻の形が変わり、逆光で髪の色が変わり、笑顔で頬の輪郭が変わります。
3〜6枚の参照画像を、角度・照明・表情を変えて用意すると、推測の余地が減り、出力の分散が目に見えて小さくなります。これがマルチ画像フュージョンの最も直接的な効果です。
参照画像セットの設計：実践ワークフロー
参照画像は「多ければ良い」わけではありません。質の低い画像や矛盾する画像を混ぜると、統合された表現がぼやけます。次の手順でセットを組み立てます。
必須カットのチェックリスト
- 正面・ニュートラル表情（アイデンティティの基準）
- 左右どちらかの斜め45度（顔の立体情報）
- 横顔または真横（輪郭と髪のボリューム）
- バストアップ（顔のディテール優先）
- 全身（体型比率と衣装シルエット）
- 可能なら手や小物を持ったカット（手指の安定に効く）
6枚すべてを用意できない場合は、正面・斜め・全身の3枚を優先します。この3枚で迷う場面はほとんどありません。
画像品質の基準
参照画像は、生成モデルにとっての「教科書」です。教科書がぼやけていれば、出力もぼやけます。次の基準を満たす画像だけを使います。
- 解像度は長辺1024ピクセル以上
- 顔に強い影が落ちていない
- ピントが合っている（特に目）
- 過度なフィルターや美肌処理がかかっていない
- 強い色かぶりがない
AIで生成した参照画像を使う場合も同じです。手指の崩れや左右非対称な瞳が混ざっていると、その崩れが本編に増幅されて出てきます。参照画像は必ず等倍で拡大して確認してください。
背景と服装の分離
参照画像の背景に強い模様や文字があると、それが人物の特徴として混ざることがあります。単色背景か、被写界深度でぼけた背景が無難です。服装については、本編で着替えるシーンがあるなら、衣装違いの参照画像を用意し、「服装は可変、顔は固定」と明示的に扱えるツールを選びます。
プロンプトとシード設計：テキスト側から一貫性を支える
マルチ画像フュージョンは画像側の対策ですが、テキスト側の設計も同じくらい効きます。役割を分けて考えるのがコツです。
固定する記述と変える記述を分ける
キャラクター記述のテンプレートを作り、全カットで一字一句同じ文を使います。たとえば次のように固定します。
- 髪：色、長さ、質感、分け目
- 目：色、形、まつげの印象
- 肌：トーンと質感
- 体型：身長感、肩幅、シルエット
- 服装：素材、色、ディテール
変えるのは、カメラワーク、ライティング、表情、動作、背景だけです。この分離を守るだけで、カット間の揺れがかなり減ります。
順序と強調
多くのモデルはプロンプトの前方を重視します。キャラクター記述は文頭に置き、シーン記述は後ろに回します。長いプロンプトでは、人物記述を途中で繰り返すと保持が改善することがあります。
ネガティブ指定の使いどころ
ネガティブ指定は「崩れの型」を潰すのに有効です。多用しすぎると画が硬くなるので、次の3〜5項目に絞ります。
- 顔の変形、左右非対称
- 指の本数異常
- 余分な手足
- 急な衣装変化
- ウォーターマークや文字
シードの正しい使い方
シードはキャラクター固定の道具ではありませんが、構図の再現には役立ちます。同じアングルの別テイクを撮り直すときにシードを固定すると、比較しやすくなります。一方、シーン全体をまたいでシードを固定しても、プロンプトが変われば人物は変わります。画像参照とセットで使うのが前提です。
モデル選択の判断基準
ツール選びでは、ベンチマークの数値よりも次の実務的な項目を確認します。
参照画像の扱い
- 参照画像を何枚まで受け付けるか
- 複数参照の重みを個別に調整できるか
- 顔と全身で別々の参照を割り当てられるか
重み調整ができるツールは、失敗したときの修正が段違いに楽です。できないツールは、参照画像そのものを差し替えるしか手がなく、試行回数が増えます。
動きの再現性とキャラクター保持のトレードオフ
動きの大きいカット（走る、振り向く、跳ぶ）ほど、キャラクター保持は難しくなります。ツールによっては、動きの強度を上げると人物が崩れる傾向があります。選定時は、同じ参照画像セットで「静止に近いカット」「中程度の動き」「激しい動き」の3種類をテストし、崩れの出方を比較します。
生成時間と反復コスト
1カットあたりの生成時間は、試行回数と直結します。1回が速いツールは、結果的に品質が上がります。逆に遅いツールは、修正のループを回す気力が削がれ、妥協したカットが残ります。品質と速度は対立しません。
出力の解像度と尺
長尺の企画では、1クリップの長さと解像度の上限が効きます。短いクリップしか作れないツールは、つなぎ目の一貫性管理が増えます。長尺対応のツールは、その分1回の失敗が大きくなります。どちらを取るかは企画の性質で決めます。
複数モデルをまたぐワークフロー
現場では、1つのツールで全部を作ることは稀です。背景はA、人物はB、リップシンクはC、といった分担が普通に起きます。ここで一貫性が壊れます。
特徴の橋渡し
モデルをまたぐときは、前段の出力から基準カットを1枚選び、それを次段の参照画像として渡します。このとき、前段の出力をそのまま渡すのではなく、顔のアップを切り出した画像も一緒に渡すと保持が改善します。
橋渡し用の画像は、次の条件で選びます。
- 正面または浅い角度
- 表情がニュートラル
- 照明が均一
- 解像度が十分
- 背景が単純
スタイル転送とアイデンティティの分離
「キャラクターは同じで、画風だけ変えたい」という要求はよくあります。これを1回の生成でやろうとすると、顔まで画風に引っ張られます。手順を分けるのが定石です。
- 写実的な参照画像で人物のアイデンティティを固める
- 画風変換を別工程としてかける
- 変換後に顔のディテールを比較し、崩れが大きければ強度を下げる
画風変換の強度を上げるほど、目や鼻の形がスタイルの記号に置き換わります。アニメ調に寄せる場合は、参照画像自体をアニメ調で用意したほうが結果が安定します。
音声・リップシンクとの整合
リップシンク用のツールは、口の形を入力音声に合わせます。このとき顔の輪郭がわずかに変形します。人物参照を強めにかけた状態でリップシンクをかけると、口の動きが抑制されることがあるため、口周辺だけ制約を緩める設定があれば活用します。
長尺・複数シーンでの経時的一貫性管理
30秒の動画なら1回の確認で済みますが、3分、10分となると、後半でキャラクターが「劣化」します。原因は累積誤差です。各カットが前のカットをわずかに参照し続けると、ずれが積み上がります。
全カットを基準カットに接続する
連鎖参照（カット2はカット1を参照、カット3はカット2を参照…）を避け、すべてのカットを同一の基準参照セットに接続します。これで累積誤差が発生しません。
ショットの分割粒度
1クリップが長いほど、後半で崩れやすくなります。3〜5秒程度に分割し、各クリップの冒頭でキャラクターを再アンカーするほうが結果が安定します。編集でつなぐ手間は増えますが、破綻カットの再生成コストは下がります。
連続性チェックの観点
編集前に、次の項目を全カットで並べて確認します。
- 髪の長さ、分け目、色味
- 目の色と形、眉の角度
- 服装のディテール（ボタン、ロゴ、ポケット）
- 肌のトーン（特に屋内と屋外の切り替わり）
- 身長感と頭身のバランス
静止画を横並びにしたコンタクトシートを作ると、動画で見るより崩れに気づきやすくなります。
よくある失敗とトラブルシューティング
顔が平均化して「誰でもない顔」になる
参照画像の枚数を増やしすぎたり、互いに矛盾する画像を混ぜたりすると起こります。原因の多くは、参照画像間で髪型や照明がばらついていることです。まず参照セットを3枚に絞り、条件を揃えて再生成します。それでも改善しない場合は、参照の重みを上げ、テキストの人物記述を短くします。テキストが長いと、参照よりテキストの平均像が優先されることがあります。
顔は同じなのに服装だけ毎回変わる
マルチ画像フュージョンが顔に強くかかり、衣装の情報が弱く扱われている状態です。衣装用の参照画像を別枠で追加できるツールなら、全身カットを衣装参照として割り当てます。できない場合は、衣装のディテールをプロンプトで具体化します（素材、色名、留め具の位置まで）。
動きが硬くなる
参照の制約が強すぎると、モデルが動きを作れなくなり、スライドするような不自然な映像になります。対策は次のいずれかです。
- 参照の重みを10〜20%下げる
- 動きの激しいカットだけ別生成にして編集でつなぐ
- 動きの指示を「ゆっくり」「小さく」に調整する
横顔や後ろ姿で別人になる
参照セットに横顔が含まれていない典型例です。斜め45度と横顔を追加します。後ろ姿が必要な企画なら、後頭部のカットも参照に入れます。
カットごとに色味が変わる
参照画像のホワイトバランスが揃っていないことが原因です。参照セットを同じ照明環境で作り直すか、生成後にカラーグレーディングで統一します。編集段階でのカラー統一は最終手段として有効ですが、根本原因は参照セットにあります。
パイプラインへの組み込みと品質チェック
一貫性は才能ではなく工程で守ります。制作フローに次のチェックポイントを埋め込みます。
事前工程
- キャラクター設定シートを作る（正面・斜め・横・全身）
- 参照画像を等倍で検査する
- プロンプトテンプレートを固定する
- 使用モデルとパラメータを記録する
生成工程
- 最初に3カットのテスト生成を行う
- コンタクトシートで並べて比較する
- 問題があれば参照セットを直し、作り直す
- 合格したパラメータを全カットに適用する
事後工程
- 全カットの静止画比較
- つなぎ目のフレーム単位確認
- 色味と露出の統一
- 必要に応じて顔のディテールを軽く補正する
破綻したときのリカバリ順序
- 参照の重みを調整する
- 参照セットを差し替える
- プロンプトの人物記述を短縮する
- クリップを短く分割して再生成する
- それでもダメなら、そのカットだけ別モデルで作り、編集でなじませる
上から順に試すことで、無駄な試行を減らせます。
よくある質問
参照画像は何枚が最適ですか
3〜6枚が実用的な範囲です。3枚未満では角度の情報が足りず、6枚を超えると矛盾した情報が混ざりやすくなります。増やすより、条件を揃えるほうが効果的です。
生成した画像を参照に使ってもいいですか
問題ありません。ただし崩れが増幅される点に注意してください。手指、瞳の位置、左右の耳の形を必ず確認し、崩れのある画像は除外します。
実写とアニメ調を混ぜても大丈夫ですか
避けたほうが無難です。顔の特徴抽出は構造を捉えますが、画風が混ざると出力がどちらつかずになります。画風は参照セット内で統一し、スタイル変更は別工程に分けます。
一貫性を保つためにプロンプトは短いほうがいいですか
人物記述は簡潔に、シーン記述は具体的に、が原則です。人物記述が長すぎると参照画像よりテキストが優先されます。逆にシーンが曖昧だと、モデルが構図を勝手に補完し、カット間の連続性が崩れます。
一度失敗したカットは作り直すべきですか
コンタクトシートで明らかに浮いているカットは早めに作り直します。1カットの違和感は、動画全体の印象を大きく損ないます。逆に、軽微な差はカラー調整で吸収できます。
動きの多いアクションシーンでも使えますか
使えますが、クリップを短くする、動きの指示を段階的にする、参照の重みをやや下げる、といった調整が必要です。激しい動きは別カットとして切り出し、編集でテンポを作るほうが結果が良くなります。
まとめ：一貫性は「設計」で守る
マルチ画像フュージョンは魔法ではありません。参照画像の設計、プロンプトの固定、モデルの特性理解、工程のチェックポイント、この4つが揃って初めて効果を発揮します。逆に言えば、ツールを乗り換えなくても、参照セットとプロンプトテンプレートを整えるだけで、出力の安定性は大きく変わります。
まずは手元のキャラクターで3枚の参照セットを作り、3カットのテスト生成を並べて比べてみてください。崩れの出方には必ずパターンがあり、そのパターンさえ掴めば、あとは対処の順序に従って潰していくだけです。
