キャラクター動画で「同一性」が崩れる理由
AIによる動画生成は、1カット単位で見れば驚くほど高品質になった。しかし、同じ人物が10カット登場する30秒の動画を作ろうとすると、途端に難易度が跳ね上がる。理由は単純で、生成モデルは「キャラクター」という概念を固定して保持しているわけではないからだ。モデルが扱っているのは、テキストや参照画像からその場で組み立てた一時的な表現であり、それが次の生成にそのまま引き継がれる保証はない。
もう一つの原因は、テキストプロンプトの情報量の限界である。「20代女性、黒髪ロング、赤いジャケット」と書いたところで、瞳の色、眉の形、顎のライン、ジャケットのステッチ、ボタンの数までは指定できない。書かなかった部分は毎回モデルが補完する。補完の結果は毎回同じとは限らない。
さらに厄介なのが、時間方向の揺らぎだ。1カットの中でもフレームが進むにつれて顔のパーツ配置が少しずつドリフトすることがある。静止画では気づかない差が、動きの中で「別の人物が混ざっている」ように見える。
こうした問題に、プロンプトの作り込みだけで対抗するのは効率が悪い。参照画像を複数用意し、そこからアイデンティティを抽出して生成に引き継がせる。これが多画像フュージョンの出発点である。ここからは、実際の制作で使える形に落とし込んでいく。
多画像フュージョンの基本原則
単一参照と複数参照の違い
1枚だけを参照する方法は手軽だが、その1枚に写っていない情報は失われる。正面の笑顔の写真しかなければ、横顔や怒った表情はモデルが想像で補う。想像で埋めた部分は、次の生成でまた別の形になる。
複数の画像を参照させる方法では、共通して現れる特徴が「そのキャラクターらしさ」として抽出され、画像ごとに異なる要素（ポーズ、照明、背景）は差分として扱われる。複数画像を使うこと自体が、一種のノイズ除去として働くわけである。
何を固定し、何を可変にするか
制作を始める前に決めるべきは、キャラクターのどの要素を全カットで固定し、どれをシーンごとに変えてよいかという線引きだ。実務では次のように三分すると整理しやすい。
- 固定：顔の骨格、瞳の色、髪の色と長さ、肌のトーン、体型、年齢感
- 準固定：基本の衣装、定番のアクセサリー、靴
- 可変：表情、ポーズ、カメラアングル、背景、照明、手に持つ小物
この線引きを文章として残しておくと、プロンプトを書くときにも、生成結果をレビューするときにも迷いが減る。特に準固定の項目は事故が起きやすい。「基本は白シャツだが、回想シーンだけ紺のシャツ」といったルールを先に決めておけば、後から衣装が混ざる問題を防げる。
参照画像は「平均」ではなく「構造」を取りに行く
多画像フュージョンは、複数画像を単純に平均して中間の顔を作る処理ではない。複数画像から共通する構造（骨格、パーツの比率、色の傾向）を抜き出し、それを生成時の条件として使う。したがって、似た画像を10枚集めるより、角度や表情がばらけた5枚の方が有効なことが多い。ただし、ばらけさせるのは表情やアングルであって、キャラクター本人の同一性ではない。この区別が最初のつまずきポイントになる。
参照画像セットの作り方
必要なアングルと枚数の目安
最初の基準として、次の構成を用意すると失敗が少ない。
- 正面のバストアップ（無表情に近いもの）
- 左右どちらかの斜め45度
- 横顔に近いプロフィール
- 笑顔または感情の強い表情
- 全身（体型とシルエットの確認用）
この5枚を土台に、必要に応じて「見上げるアングル」「見下ろすアングル」「手を上げたポーズ」を追加する。登場シーンに手の動きが多いなら、手の形がはっきり写った参照を必ず入れておきたい。
表情とポーズのバリエーション
表情のバリエーションは、感情の幅をそのまま動画の幅に変換する。笑顔しか参照がないキャラクターに怒りのシーンを演じさせると、口元だけが変わって目が笑ったまま、という不自然な結果になりがちだ。少なくとも「喜び」「怒り」「悲しみ」「驚き」の4種を、同じ照明条件で揃えておくと安心できる。
照明・背景・服装の扱い
理想は、背景が無地で、照明が均一な参照画像である。逆光や強い色かぶりがある画像は、肌の色や髪の色を誤って学習させる原因になる。屋外の写真を使うなら、少なくとも顔の露出が安定しているものを選ぶ。
服装については、基本衣装を1セットに絞った参照を作る。複数の衣装を1つの参照セットに混ぜると、モデルは「この人物は服装が毎回変わる」と解釈し、指定していないカットでも勝手に着せ替えを始めることがある。衣装違いは別の参照セットとして管理するほうが安全だ。
参照画像として避けたい例
- 顔の半分が髪や手で隠れている
- フィルターや美顔加工が強く、肌の質感が失われている
- 複数人が写り込んでいる
- 解像度が低く、目や口の形が判別できない
- 同じ画像をトリミング違いで水増ししただけのセット
特に最後の例は多い。見た目の枚数は増えても情報量は増えていないので、一貫性の改善にはつながらない。
制作パイプラインの全体像
ここからは、実際の作業順序を通しで見ていく。ポイントは、生成を始める前に決め事を済ませておくことだ。思いつきで生成を始めると、後戻りのコストが跳ね上がる。
ステップ1：キャラクター設定シートを作る
テキストと画像を1ページにまとめた設定シートを用意する。書く項目は、名前、年齢感、体型、髪型、髪色、瞳の色、肌のトーン、基本衣装、性格、話し方の傾向。ここに参照画像のサムネイルを並べておく。チームで作業する場合、このシートが唯一の正解になる。
ステップ2：参照セットを整理し命名規則を決める
ファイル名はキャラクター名・アングル・表情の3要素で統一する。フォルダはキャラクター単位で分け、衣装バリエーションはサブフォルダにする。地味な作業だが、後から「どの画像を参照したか」を追えるかどうかが、再現性を左右する。
ステップ3：ショットリストとキーフレームを設計する
全カットをいきなり生成する前に、動画全体のショットリストを作る。各カットに必要な情報は、尺、カメラワーク、キャラクターの動作、表情、背景、セリフの有無。このうち「最初のフレーム」と「最後のフレーム」だけを静止画として先に決めておくと、動画生成の指示が具体的になる。いわゆるキーフレーム設計である。
キーフレームを先に固める利点は、失敗の切り分けがしやすくなることだ。動画が崩れたとき、原因が「キャラクター設定」なのか「動きの指示」なのかを切り分けられる。
ステップ4：生成・選別・部分修正を回す
いきなり全カットを生成しない。まず1カットを3から5パターン生成し、最もキャラクターが安定しているものを選ぶ。そのときのプロンプトと参照画像の組み合わせをテンプレートとして保存し、以降のカットはそのテンプレートを複製して差分だけ書き換える。この運用が、シリーズ全体のトーンを揃える最も確実な方法である。
崩れたカットは、最初から作り直すのではなく、崩れたフレームだけを部分修正する。顔だけ差し替える、手だけ描き直す、といった局所的な修正のほうが、全体を再生成するより圧倒的に速い。
ステップ5：編集・音声・書き出し
生成したカットを編集ソフトに並べ、つなぎ目を確認する。カット間でキャラクターがわずかに揺れる場合は、つなぎ目に短いトランジションを入れるだけで印象が大きく改善する。音声は、セリフの長さに合わせてカット尺を微調整すると、口の動きと音が自然に同期する。
プロンプト設計の実践テクニック
固定トークンと可変トークンを分離する
プロンプトを書くときは、毎回同じ順序で同じ語句を使う。キャラクター定義（固定）→ 衣装（準固定）→ ポーズと表情（可変）→ カメラとライティング（可変）→ 画風（固定）という並びをテンプレート化する。語順が毎回変わると、モデルが受け取る重みも変わってしまう。
カメラワークとライティングの指示
一貫性を保ちたいなら、カメラワークは控えめにする。急激なズームや回り込みは、モデルが新しい角度の顔を推測で描く必要を生む。まずは固定カメラか、ゆっくりしたプッシュインで練習し、慣れてから動きのあるカットに挑戦するのがよい。
ライティングも同様だ。シーンごとに光源の方向を変えると、顔の陰影が変わり、別人に見えやすくなる。連続するカットでは、光源の方向と色温度を揃える。
ネガティブ指定の使いどころ
避けたい要素は、ネガティブ指定として明示する。たとえば「顔の歪み」「指の本数の誤り」「複数の人物」「ロゴや文字」「過度な美顔加工」。ただし項目を増やしすぎると、プロンプト全体の効きが弱くなる。3から6項目程度に絞るのが実用的である。
プロンプトのテンプレート化
実際に使える形としては、次のような構成になる。
- キャラクター定義（固定の語句をそのままコピー）
- 服装（固定の語句をそのままコピー）
- 今回のシーン（場所、時間帯、天候）
- 動作と表情
- カメラ（画角、アングル、動き）
- ライティング
- 画風・質感
- ネガティブ指定
1と2は絶対に手で書き換えない。ここを書き換えた瞬間に一貫性は壊れる。
シーンをまたぐ一貫性の運用
衣装チェンジと時間経過の管理
物語では、時間経過に伴って衣装が変わる。これを表現するには、衣装ごとに参照セットを分け、カットの順序と衣装の対応表を作る。表にしておけば、編集時にカットを並べ替えても矛盾が起きない。
複数ツールを併用するときの注意点
画像生成と動画生成で別のツールを使うこと自体は問題ない。問題は、それぞれのツールが独自の解釈でキャラクターを再構成することだ。ツールをまたぐときは、テキストのキャラクター定義を変えないこと、参照画像のセットを同じものを使うこと、色調を合わせるための簡易なカラー調整を編集で行うことの3点を守る。
モーション・ポーズの連続性を保つ
カットAの最後のポーズとカットBの最初のポーズがつながると、視聴者は空間の連続性を感じる。逆に、走っている途中なのに次のカットで直立していると、途端に不自然になる。各カットの開始ポーズと終了ポーズをメモし、つながりを確認する習慣をつけたい。
よくある失敗と切り分け手順
顔が別人になる
まず参照セットを疑う。似た画像ばかりでアングルが偏っていないか、逆光や強い色かぶりの画像が混ざっていないかを確認する。次にプロンプトのキャラクター定義が固定トークンとして一貫しているかを見る。最後に、生成時の乱数やシードが変わっていないかを確認する。この順序で見ていくと、原因の切り分けが速い。
手・指・髪のディテールが崩れる
手は現行のモデルでもっとも崩れやすい部位である。手を大きく見せるカットは、参照画像に手のアップを追加するか、手を画面外に出す構図に変える。髪は、風や動きの指示が強すぎると輪郭が溶ける。動きの指定を1段階弱めるだけで改善することが多い。
服装や小物がカットごとに変わる
衣装の指定がプロンプトの後半に埋もれていると、無視されやすい。衣装はキャラクター定義の直後に置き、色・素材・シルエットを具体的に書く。アクセサリーは数と位置を明示する。
動きが不自然・カクつく
動きの指示が多すぎるのが典型だ。1カットに1つの動作だけを書く。歩きながら振り返りながら話す、といった複合動作は破綻しやすい。また、フレームレートとカット尺が合っていないとカクつきに見えるので、書き出し設定も確認する。
用途別の実践パターン
縦型ショートシリーズ
尺が短いぶん、キャラクターの一貫性が最も効くジャンルである。1本15から30秒、カット数は4から8。参照セットは5枚で十分機能する。シリーズものとして毎回同じ導入カットを使うと、視聴者の記憶に残りやすい。
解説・教育コンテンツ
人物が語り続ける形式では、口の動きと表情の安定が最重要になる。大きなジェスチャーは避け、上半身のバストアップで固定する。背景は単色かぼかしにすると、キャラクターに視線が集まる。
広告・ブランドムービー
ブランドの世界観を保つため、色調の統一が欠かせない。参照セットに加えて、カラーパレットを指定したプロンプトテンプレートを用意する。15秒、30秒、60秒の3バージョンを作る場合は、共通カットを先に確定させてから差分を足す。
絵本・アニメ調ストーリー
画風の固定が最優先になる。画風に関する語句はキャラクター定義と同じ扱いにし、絶対に書き換えない。手描き風、セルルック、水彩風など、参照画像の画風とプロンプトの画風語句を一致させておく。
ツール選定と運用の判断基準
生成環境の選び方
判断軸は、参照画像を何枚まで受け付けるか、参照の効きがどの程度強いか、出力の尺と解像度、そして修正のしやすさである。手元の環境で動かす場合はGPUメモリが制約になるため、解像度を落として試作し、最終的なカットだけ高解像度で生成する二段構えが現実的だ。
画像生成と動画生成の分業
キーフレームは画像生成で作り、その間を動画生成で埋める分業が、品質と速度のバランスに優れる。画像生成の段階でキャラクターの安定を確認できるため、無駄な動画生成を減らせる。
音声・リップシンクの組み合わせ
音声を先に作るか、映像を先に作るかで作業が変わる。セリフが中心の動画は、音声を先に収録してから尺を確定させるほうが手戻りが少ない。ナレーション中心なら、映像を先に作り、それに合わせて読み上げ速度を調整する。
チーム運用とレビューの習慣
複数人で作る場合は、参照セットとプロンプトテンプレートを共有リポジトリに置き、変更履歴を残す。レビューは「キャラクターの同一性」「カットのつながり」「色調」の3観点で行うと、指摘が具体的になる。
品質チェックリスト
書き出し前の最終確認として、次を順にチェックする。
- 全カットで顔の骨格と瞳の色が一致しているか
- 髪の長さと分け目がカット間で矛盾していないか
- 衣装の色・素材・小物が設定シートと一致しているか
- 光源の方向と色温度が連続カットで揃っているか
- カットの終わりと次のカットの始まりが動作としてつながっているか
- 手や指の破綻が残っていないか
- 解像度とフレームレートが書き出し設定と一致しているか
- 音声と口の動きが大きくずれていないか
このチェックを毎回同じ順序で行うことで、見落としが減る。
よくある質問
Q. 参照画像は何枚くらいが適切ですか。
A. まずは5枚から始めるのがおすすめです。正面、斜め、横顔、表情違い、全身の5枚で大半のシーンは対応できます。改善が見られない場合に、手のアップや別アングルを足していく形が効率的です。
Q. 参照画像を増やせば増やすほど良くなりますか。
A. 情報量が増えない水増しは逆効果です。同じアングル、同じ表情の画像を何枚足しても、共通構造の抽出精度は上がりません。角度と表情の幅を広げることを優先してください。
Q. 実写風とアニメ調、どちらが一貫性を保ちやすいですか。
A. 一般にアニメ調のほうが安定しやすい傾向があります。線と塗りが単純なぶん、モデルが再現すべき要素が少ないためです。実写風は肌の質感や毛髪のディテールが多く、揺れが目立ちやすくなります。
Q. カットごとに背景を大きく変えても大丈夫ですか。
A. 背景は変えても問題ありませんが、光源の方向と色温度は揃えてください。背景の色が変わると、その反射光で肌の色も変わって見えます。編集段階でカラー調整を入れると統一感が出ます。
Q. 途中でキャラクターを成長させたい場合はどうしますか。
A. 年齢段階ごとに参照セットを分け、切り替えのカットで明確に区切ります。1つの参照セットで年齢を少しずつ変える方法は、どのカットでも中途半端な年齢感になりがちです。
Q. 生成がうまくいかないとき、最初に何を疑えばよいですか。
A. 参照セットの品質です。アングルの偏り、照明のムラ、解像度不足のいずれかが原因であることが多いです。参照を差し替えて同じプロンプトで再生成し、変化が出るかどうかを確認してください。
Q. 一度作った参照セットは使い回せますか。
A. 使い回せます。同じキャラクターで別の動画を作るときも、参照セットとプロンプトの固定部分をそのまま流用できます。これが、シリーズ展開を現実的な工数で回すための最大のポイントです。
まとめ：一貫性は技術より運用で決まる
多画像フュージョンは、キャラクター動画の一貫性を大きく改善する。ただし、魔法のボタンではない。参照画像の選定、固定要素と可変要素の線引き、プロンプトのテンプレート化、カット間のつながりの確認。この4つを丁寧に運用して初めて、技術が効いてくる。
逆に言えば、この運用を一度整えてしまえば、以降の制作は驚くほど速くなる。新しいキャラクターを作るときも、同じ手順をなぞるだけで安定した結果が得られる。まずは5枚の参照セットと1本のショート動画から始めてみてほしい。最初の1本で得た気づきが、次の10本の品質を決める。
