なぜAI動画でキャラクターが別人になるのか
AI画像生成モデルは、テキストプロンプトを確率分布として解釈し、そこからサンプリングして一枚の絵を作ります。同じプロンプトを入れても毎回わずかに違う結果が返ってくるのはそのためです。人物を指定する情報がテキストだけの場合、モデルは学習データの中間値、いわゆる「平均的な顔」に寄っていきます。その結果、1カット目と2カット目で目の間隔、顎のライン、髪の分け目が少しずつずれる。これが連載コンテンツやシリーズ広告を成立させにくくする最大の要因です。
動画になると問題はさらに複雑になります。フレーム間で形状を保つ時間的な一貫性が求められ、静止画では成立していた顔立ちが、動き出した瞬間に崩れることがあります。歩行、振り向き、会話中の表情変化など、動きの大きいシーンほど破綻しやすい傾向があります。
三つ目の原因は参照情報の不足です。「茶髪のショートヘアの女性」という記述には無数の人物が該当します。曖昧な指示は曖昧な出力しか生みません。解決の方向はシンプルで、テキストではなく画像による強い制約を与えることです。そこで使われるのが、複数の参照画像を統合して一つの人物像を固定するマルチ画像フュージョンという考え方です。
確率的生成が生む「平均的な顔」
生成モデルは、与えられた条件を満たす画像の集合を内部に持っていると考えると理解しやすくなります。条件が緩いほど集合は広がり、サンプリングのたびに別の人物が選ばれます。条件を厳しくする手段は二つあり、一つはテキストを詳細化する方法、もう一つは画像で直接条件を与える方法です。
テキストの詳細化は手軽ですが、単語を足すたびに別の意味を呼び込みやすく、思わぬ副作用が出ます。たとえば「知的に見える」と書けば眼鏡が追加され、「優しそう」と書けば口角が上がりすぎる。形容詞は解釈の幅が広く、制御には向きません。一方で画像による条件付けは情報量が桁違いで、顔の骨格や髪の質感といった言語化しにくい要素をそのまま渡せます。
動画化で表面化する時間的一貫性の壁
静止画の一貫性は、案外緩い条件でも達成できます。ところが動画では、フレームごとに同じ人物であり続ける必要があります。モデルは直前のフレームを参照しながら次のフレームを作りますが、誤差が蓄積すると数秒で別の顔に漂流します。特に頭部が回転する動き、強い逆光、手前を横切る物体がある場面は誤差が増えやすく、崩壊の起点になります。
参照情報の不足という見落とし
制作現場でよくあるのが、参照画像を一枚だけ用意して済ませてしまうケースです。一枚の参照は、その写真に写っている角度と照明まで一緒にコピーしてしまいます。正面の一枚だけを与えれば横顔は推測になり、斜め45度の一枚だけを与えれば正面が歪みます。参照が一枚である限り、モデルは未知の角度を毎回違うやり方で埋めてしまいます。
マルチ画像フュージョンの仕組み
マルチ画像フュージョンは、一枚の基準画像に頼るのではなく、異なるポーズ、照明条件、表情の参照画像を同時に読み込ませ、それらに共通する「その人らしさ」を抽出する手法です。単一参照では角度や光の当たり方まで一緒にコピーされますが、複数参照では角度や照明という可変要素が平均化され、顔立ちや体型といった不変要素だけが強く残ります。
単一参照画像の限界
単一参照でよく起きるのが「角度の呪縛」です。正面の写真一枚だけを与えると、横を向かせた瞬間に別人になります。逆に斜め45度の一枚だけを与えると、正面のカットが不自然に歪みます。参照が一枚である限り、モデルは未知の角度を推測で埋めるしかなく、その推測は毎回変わります。
統合の三つのアプローチ
大きく分けると、統合の方法は三つあります。
- 特徴量の平均化：複数画像から得た特徴ベクトルを一つの代表値にまとめる。実装が軽く、動作が安定しやすい。
- アテンション注入：生成の各ステップで参照画像の特定領域を参照させる。細部の再現性が高いが、構図が参照に引っ張られやすい。
- 埋め込みの固定化：人物の本質的な特徴を高次元ベクトルとして保存し、以後の生成すべてに制約として与える。長期的なシリーズ制作に向く。
実務ではこれらを組み合わせるのが一般的です。平均化だけでは細部が甘くなり、アテンション注入だけでは構図が固定されすぎます。埋め込みを土台にして、シーンごとにアテンションで調整する流れが安定します。
アイデンティティベクトルという捉え方
考えるときの助けになるのが、キャラクターの同一性を一つのベクトルとして捉える見方です。このベクトルには顔の骨格、肌の色味、髪の質感、体型の比率が含まれ、服装や背景、ポーズは含まれません。制作中に変えてよいのは後者だけであり、前者は固定する。この線引きを意識するだけで、指示の書き方が変わります。
参照の重みをどう配分するか
参照画像ごとに重みを変えられるツールなら、正面の参照を少し強め、全身の参照を弱めにする出発点がおすすめです。顔の情報を担う参照は強く、構図の情報を担う参照は弱く。逆にすると、引きの構図の写真から顔のパーツが引っ張られて、顔が小さく平面的になります。
参照画像セットの設計と前処理
ここからは具体的な準備です。所要時間の目安は、初回のキャラクター構築に2〜4時間、以降のエピソード制作は一本あたり30〜60分という感覚です。
枚数と内訳の目安
最低ラインは8枚、余裕があれば12〜14枚です。内訳の目安は次のとおりです。
| 種類 | 枚数 | 目的 |
|---|---|---|
| 正面のバストアップ | 2枚 | 顔の骨格と目鼻立ちの基準 |
| 斜め45度 | 2枚 | 立体感と頬のライン |
| 横顔 | 1枚 | 鼻筋と顎の輪郭 |
| 全身の立ち姿 | 2枚 | 体型と手足の比率 |
| 表情違い（笑顔・無表情・驚き） | 3枚 | 口元と眉の可動域 |
| 照明違い（順光・逆光・室内） | 2枚 | 肌の色味の安定 |
| 衣装違い | 1枚 | 服装に依存しない同一性 |
同じ人物でも、参照画像の枚数が増えるほど未知の角度への耐性が上がります。逆に似すぎた画像ばかりを集めても効果は限定的です。角度、距離、光の三つを意図的に散らすことが重要です。
前処理でノイズを落とす
参照画像はそのまま投入せず、必ず前処理します。背景を単色に置き換える、余計なオブジェクトを消す、解像度を揃える、極端に暗い写真やブレた写真を除外する。この工程を省くと、参照画像に写り込んだ別の人物の顔や背景の模様が、生成結果に混入することがあります。
色調整も重要です。暖色の照明で撮られた写真と蛍光灯下の写真を混ぜると、肌の色味が平均化されて不自然な中間色になります。可能であれば、すべての参照画像のホワイトバランスを揃えてから統合してください。
品質チェックリスト
| チェック項目 | 合格の目安 |
|---|---|
| 枚数 | 8枚以上、理想は12枚前後 |
| 角度の分散 | 正面・斜め・横・背面が含まれる |
| 照明の分散 | 順光と逆光の両方がある |
| 解像度 | 長辺1000ピクセル以上で統一 |
| 背景 | 単純化されているか、人物以外が少ない |
| 表情の幅 | 3種類以上の感情が含まれる |
| 一貫性 | 同一人物であることが人間の目で確認できる |
最後の項目が最も重要です。人間が見て「同じ人だ」と感じられない画像セットは、モデルにとっても同じ人物として扱いにくいものです。
実践ワークフロー：設定シートから動画化までの8ステップ
ステップ1：キャラクター設定シートを言語化する
画像を作る前に、文章でキャラクターを定義します。年齢感、骨格の印象、髪型と髪色、瞳の色、肌のトーン、体型、基本衣装、アクセサリーの有無。ここを飛ばすと参照画像のばらつきが増え、後工程でいくら調整しても収束しません。設定シートは10行程度で十分ですが、曖昧な形容詞は避けてください。「優しそうな目」より「目尻がわずかに下がったアーモンド型の黒い瞳」のほうが再現性が上がります。
ステップ2：参照画像を8〜14枚そえる
前述の内訳に沿って集めます。自前の写真がなければ、画像生成モデルで作り分けても構いません。その場合はシードを固定したままポーズと照明だけを変えると、同一人物の参照セットを効率よく揃えられます。
ステップ3：前処理をまとめて行う
背景の単色化、解像度の統一、色温度の調整を一括で処理します。バッチ処理の仕組みを用意しておくと、キャラクターを増やすときに楽になります。手作業で一枚ずつ直す運用は、三人目のキャラクターを作るあたりで破綻しがちです。
ステップ4：統合と初期検証
統合を実行したら、まず10〜20枚の検証画像を生成します。確認すべきは次の四点です。顔の骨格が参照と一致しているか。髪の生え際と分け目が再現されているか。肌の色味が破綻していないか。そして、参照にない角度を指定したときに崩れないか。
この段階で違和感があれば、参照画像セットに戻ります。生成結果を修正しようとしても、根本原因が参照側にある限り改善しません。
ステップ5：シードとプロンプトを固定する
検証で合格した設定が見つかったら、乱数シードとプロンプトの基本部分を固定します。人物を説明する部分はテンプレート化し、シーンごとに変えるのは背景、動作、カメラワーク、照明の記述だけにする。これにより、変更の影響範囲が見えやすくなります。
ステップ6：キーフレームを量産して選別する
シーンごとに必要なキーフレームを生成し、使えるものだけを残します。重要なのは、1シーンにつき2〜3倍の数を生成して選ぶ前提で動くことです。歩留まりは慣れても6〜7割程度と考えておくと、スケジュールが崩れません。
ステップ7：5秒のテスト動画で動きを検証する
キーフレームが揃ったら動画化します。ここでの落とし穴は、静止画で完璧だった顔が動きの中で崩れることです。特に振り向き、首を振る動作、口を大きく開ける表情で崩れやすい。最初に5秒程度のテストを3本作り、問題がないことを確認してから本番の長尺に進むのが安全です。
ステップ8：採用カットの記録と再現性の確保
採用したカットについて、参照セットのバージョン、プロンプト、シード、使用モデルを一組として記録します。この記録があるかどうかが、数週間後の続き制作のコストを大きく左右します。
プロンプト設計とシード固定の実務
プロンプトで人物を詳しく説明しすぎると、かえって不安定になります。参照画像で指定済みの情報をテキストでも重複して書くと、両者が矛盾したときに出力が揺らぐからです。基本方針は「人物は参照に任せ、テキストは状況だけを語る」です。
悪い例と良い例
- 悪い例：黒髪で茶色い瞳の20代女性が、赤いワンピースを着て、微笑みながら歩いている。背景は夕暮れの街。
- 良い例：夕暮れの街並みを歩く。カメラは横から追従、腰から上の画角、柔らかい逆光。服装は参照画像Aのシャツ。
悪い例では人物の属性を二重に指定しており、参照画像と衝突する余地があります。良い例では変える部分だけを書いています。
差分は一度に一つだけ変える
背景と衣装とカメラアングルを同時に変えると、崩れたときに原因が特定できません。A/Bテストの考え方で、差分を一つずつ確認していきます。慣れてくると「何が原因で崩れたか」が予測できるようになり、試行回数そのものが減っていきます。
動きの記述は控えめにする
動画生成では「走る」「激しく振り向く」といった大きい動きの記述が崩壊を招きます。動きは動画側の設定やカメラワークで補い、生成モデルには姿勢の変化を小さく伝えるほうが結果が安定します。実際に、歩行の指示を「ゆっくり歩き出す」に変えるだけで輪郭の維持率が目に見えて改善するケースは少なくありません。
ネガティブ指定の使いどころ
避けたい要素を指定できるツールでは、複数の人物、手前に横切る物体、極端な接写、顔の一部が隠れる構図などを登録しておきます。ただしネガティブ指定を増やしすぎると構図が窮屈になるため、実際に問題が出た項目だけを追加する運用が現実的です。
モデルとツールの選定基準
一口にAI動画生成といっても、モデルごとに得意な画風と制御方法が異なります。選定の軸は四つです。
画風の適性
フォトリアルな人物を扱うなら、顔のディテール再現に強いモデルを選びます。アニメ調やイラスト調なら、線の安定性と配色の一貫性を重視するモデルが向いています。ハイパーリアル系は毛穴や肌の質感まで表現できますが、その分わずかな差分が目立ちやすく、一貫性維持の難易度も上がります。
動画化方式の違い
静止画から動画へ変換するタイプ、テキストから直接動画を生成するタイプ、画像と動画の両方を扱えるタイプがあります。キャラクターの一貫性を最優先するなら、キーフレームを静止画で固めてから動画化するワークフローが制御しやすく、おすすめです。テキストから直接生成する方式は速い反面、人物の細部を固定する手段が限られます。
複数参照への対応度
複数の参照画像に対応しているか、参照の重みを調整できるか、参照の影響範囲を指定できるか。この三つは実務で効いてきます。対応していない場合は、参照画像を一枚のシートに合成してから投入する回避策があります。このとき、参照同士の大きさを揃えておかないと、大きい顔の写真だけが強く効いてしまいます。
料金体系と処理速度の見積もり方
従量制のツールでは、一枚あたりの単価と生成回数が直接コストになります。検証段階では解像度を落として試作し、採用が決まったカットだけ高解像度で作り直す二段構えにすると、総額を抑えられます。また、待ち時間が長いツールは反復試行の回数を減らしてしまうため、実質的な品質低下につながります。単価だけでなく、一回の試行にかかる時間も含めて比較してください。
モーションとカメラワークで一貫性を守る設計
動画の一貫性は、モデルの性能だけで決まるわけではありません。演出の設計で守れる部分が大きいのです。
動きの大きさを段階的に上げる
最初から激しいアクションを指定すると崩れやすくなります。会話、軽い身振り、歩行、走行、振り向きの順に、少しずつ難易度を上げてテストします。各段階で問題が出なければ次に進む。この積み上げが結果的に最短ルートになります。
カメラを固定気味にする
カメラが大きく回り込むと、モデルは見えていない側面を推測で埋めなければなりません。キャラクターの確立が済むまでは、固定カメラか緩やかなパン程度にとどめます。三脚に載せたような安定した画は、一貫性の印象そのものを強めます。
カット割りで逃げる
長回しで一貫性を保つのが難しい場合、カットを細かく割るのが有効です。1カット2〜4秒に抑え、つなぎで視線を誘導すれば、視聴者は連続性を自然に補完してくれます。映画の古典的な手法であり、AI動画でも効果的です。
光の設計も一貫性に効く
シーンごとに光源の方向を大きく変えると、顔の陰影が変わって別人に見えやすくなります。同じ人物だと認識させるには、順光の基準カットを各シーンに一つ入れておくのが有効です。視聴者は無意識にその基準カットで人物を照合します。
よくある失敗とトラブルシューティング
| 症状 | 主な原因 | 対処 |
|---|---|---|
| 顔が毎回変わる | 参照枚数不足、照明のばらつき | 参照を12枚程度に増やし、色味を揃える |
| 服装だけ変わる | 衣装をテキストで二重指定 | 衣装の記述を削り、参照に委ねる |
| 横顔で崩れる | 斜め・横の参照がない | 側面の参照を2枚追加する |
| 動画で輪郭が溶ける | 動きが大きすぎる | モーション量を下げ、カットを短くする |
| 肌が灰色になる | 参照の色温度がばらばら | ホワイトバランスを統一して再統合 |
| 背景の模様が顔に混入 | 前処理の不足 | 背景を単色化して再投入 |
| 全体的にのっぺりする | 参照が似すぎている | 角度と照明を意図的に散らす |
トラブルの多くは参照画像側に原因があります。生成パラメータをいじる前に、参照セットを見直す習慣をつけると解決が早くなります。
修正は上流に戻るという原則
下流での修正には限界があります。動画の段階で顔が崩れているなら、キーフレームに戻る。キーフレームが崩れているなら、参照セットに戻る。この遡及の原則をチームで共有しておくと、無駄な作業が減ります。
それでも解決しないときの順番
- モーション量を半分にする
- カットの長さを2秒に縮める
- 参照画像を追加する
- 統合のやり方を見直す
順番を逆にすると、原因がモーションにあるのに参照を作り直す手戻りが発生します。
チーム運用と品質管理のルール
個人制作なら感覚で進められますが、複数人で回す場合はルール化が必要です。
命名規則を決める
参照画像、生成結果、採用カットに一貫した命名規則を適用します。キャラクター名、シーン番号、カット番号、バージョンを組み合わせた形式が扱いやすい。後から「どの設定で作ったか」を追えるかどうかが、修正コストを大きく左右します。
設定のスナップショットを残す
参照セット、プロンプトテンプレート、シード値、使用モデルを一組として記録します。これがないと、数週間後に続きを作るときに同じ絵柄を再現できません。テキストファイル一つで構わないので、必ず残してください。
レビュー観点を固定する
確認する項目を決めておくと、レビューが速くなります。顔の一致、衣装の一致、色味の一致、動きの自然さ、カットのつながり。この五項目をチェックリスト化し、各カットで確認します。
役割を分ける
参照セットの管理、キーフレームの生成、動画化、編集という四つの工程は、それぞれ別の人が担当しても回ります。ただし参照セットの管理だけは一人に集約してください。複数人が別々に参照を足すと、作品ごとに顔が変わる原因になります。
権利と許諾の確認
実在の人物を参照する場合は、本人の同意が前提です。著名人に似たキャラクターを商用利用すると、肖像権やパブリシティ権の問題が生じる可能性があります。また、生成物の商用利用可否はツールごとに異なるため、制作前に規約を確認しておいてください。
よくある質問
参照画像は何枚が最適ですか
8枚を下回ると不安定になりやすく、12枚を超えると効果が頭打ちになる傾向があります。まず10枚前後で試し、崩れる角度があればその方向の参照を追加する進め方が効率的です。
参照画像に別の人が写っていても大丈夫ですか
避けてください。意図しない人物の特徴が混入し、顔立ちが引っ張られることがあります。やむを得ない場合はトリミングや背景の単色化で対処します。
モデルを変更すると設定は使えますか
参照セットとプロンプトテンプレートは流用できますが、埋め込み表現はモデルごとに異なるため再調整が必要です。乗り換え時は検証画像を10枚ほど作り直す前提で計画してください。
動画で顔が崩れるときの優先順位は
まずモーション量を下げ、次にカットを短くし、最後に参照セットを見直します。順番を逆にすると手戻りが増えます。
完全に同じ顔にできますか
完全な一致は現実的ではありません。目安として、視聴者が同じ人物だと認識できるレベルを目標にします。顔の骨格、髪型、体型、衣装の四つが揃っていれば、細部の差は動画の中ではほとんど気になりません。
制作時間はどのくらいかかりますか
キャラクター構築に半日、一本の動画制作に30〜60分という配分が一般的です。構築に時間をかけるほど、二本目以降が速くなります。
画像編集ソフトでの手直しは必要ですか
生成された顔のパーツを部分的に差し替える、目の位置を数ピクセル調整するといった軽微な修正は、画像編集ソフトで行うほうが速いことがあります。全自動にこだわらず、最後の数パーセントは人の手で仕上げる前提で組むと、納期が読みやすくなります。
追加学習は必要ですか
特定のキャラクターを長期間使い続けるなら、少数の画像で追加学習させる方法もあります。導入に手間と時間がかかりますが、いったん安定すれば再現性は高くなります。短期のプロジェクトなら複数参照の統合、長期のシリーズなら追加学習、という住み分けが現実的です。
キャラクターの一貫性は、魔法のような設定一つで手に入るものではありません。参照画像の設計、前処理、プロンプトの切り分け、モーションの段階的な検証、そして記録の運用。この五つが揃って初めて安定します。まずは小さく始めてください。一人のキャラクター、十枚の参照画像、五秒のテスト動画。それだけで十分です。そこで得た気づきを記録し、次のシーンで検証する。この反復が、数週間後には別人レベルの差になって現れます。
