AI動画でキャラクターの一貫性が崩れる理由
生成AIを使って映像を作り始めた人がほぼ必ず直面する壁が、カットごとに人物が別人になってしまう現象です。1カット目では黒髪のショートヘアだった人物が、次のカットでは髪が長くなり、目の形や輪郭まで変わる。プロンプトをまったく同じにしているのに、なぜこうなるのか。理由はシンプルで、テキストから映像を生成するモデルは「人物」という概念を固定的に保持しておらず、各フレームを確率論的に組み立てているからです。同じ指示を与えても生成のたびに異なるサンプリング結果が得られ、顔立ちや服装がわずかに、あるいは大きく揺れ動きます。
この記事では、複数の参照画像を統合してキャラクターの同一性を保つ「マルチイメージ融合」の考え方を軸に、AI動画制作の実践的なワークフローを順を追って解説します。単なる用語解説ではなく、参照画像の準備、キーフレーム設計、スタイル切り替え、失敗時の対処、用途別の判断基準までを一気通貫で扱います。読み終えたときには、自分の手元で再現できる手順として整理されているはずです。
アイデンティティドリフトとは何か
この揺れを業界ではアイデンティティドリフト（同一性の漂流）と呼びます。ドリフトは1カットの内部でも起こりますし、カットをまたいだときにより顕著になります。たとえば5秒のクリップでは、開始時点と終了時点で顔の印象が変わることは珍しくありません。ましてや別々のシーンを別々に生成すれば、もはや同一人物に見えないことすらあります。
ドリフトが起きる要因は大きく三つあります。第一に、モデルが参照情報を保持する仕組みを持たず、テキストの記述だけで人物を再構成していること。第二に、動きやカメラワークの指示が加わると、モデルが「動きの自然さ」を優先して顔の形状を犠牲にすること。第三に、解像度やアスペクト比の変更、フレーム補間、アップスケールといった後処理が顔の微妙な特徴を平均化してしまうことです。
単一参照画像だけでは足りない理由
画像を1枚だけ参照させる手法は、もっとも手軽で効果もそれなりにあります。しかし1枚の画像には、その人物の一面しか写っていません。正面の笑顔しか参照がなければ、横顔や俯き顔、逆光のシーンではモデルが推測で埋めるしかなく、結果として別人化しやすくなります。加えて、参照画像1枚では照明条件やレンズ特性も固定されるため、別のライティングのシーンに持ち込むと顔の立体感が崩れます。
単一参照が有効なのは、カット数が少ない短尺、あるいはシルエットや後ろ姿が中心の映像です。人物の顔を正面から見せる縦型ショート動画や、表情で物語を語る作品では、複数の角度と表情を統合する発想が必要になります。
一貫性が崩れたときに失われるもの
一貫性の欠如は、見た目の問題にとどまりません。視聴者は無意識のうちに人物の同一性を手がかりに物語を追跡しています。顔が変われば「これは同じ人の話なのか」という疑念が生まれ、感情移入が途切れます。広告やブランド動画であれば、印象のぶれはそのまま信頼感の低下につながります。制作側のコストも無視できません。崩れたカットを修正する作業は、生成そのものよりも時間がかかることが多く、修正のための再生成でスケジュールが圧迫されます。
マルチイメージ融合の仕組みを理解する
マルチイメージ融合とは、複数の参照画像を解析し、それらに共通する特徴を抽出して一つのキャラクター表現にまとめ上げる手法です。単に画像を並べるのではなく、顔の骨格、目や眉の形、髪の質感、肌のトーン、体型、アクセサリーといった要素を個別に評価し、重み付けしながら統合します。
複数画像から共通特徴を抽出する
処理の流れは大きく三段階に分かれます。第一段階では、各参照画像から顔領域と人物領域を検出し、姿勢や表情のバリエーションを分類します。第二段階では、各画像を数値ベクトルに変換し、共通する要素と画像ごとに異なる要素を分離します。第三段階では、共通要素を中心に据え、異なる要素をバリエーションとして保持したまま、一つの潜在空間表現にまとめます。
重要なのは、この統合が単純な平均化ではないという点です。すべての画像を均等に混ぜると、特徴がぼやけて誰でもない顔になります。実際のアルゴリズムは、各画像の寄与度を調整し、たとえば正面の明るい写真を基準に、斜めの写真から立体情報を補い、笑顔の写真から表情の幅を補うといった役割分担を行います。
潜在空間での重み付けと統合
潜在空間とは、モデルが画像を圧縮して扱う数値の世界です。ここでキャラクターを表現しておくと、テキストの指示と組み合わせて新しいシーンを生成するときに、人物の同一性を参照情報として引き継げます。
重み付けの考え方は、写真の選定基準に直結します。解像度が高く、ピントが合い、顔が大きく写り、照明が素直な写真は高い寄与度を持ちます。逆に、強いフィルター加工、極端な逆光、モーションブラー、サングラスやマスクで顔が隠れた写真は、ノイズとして働き、結果を不安定にします。
参照画像が増えれば良いわけではない
「枚数を増やせば精度が上がる」というのは誤解です。似た構図の写真を十数枚並べても、得られる情報は1枚とほとんど変わりません。逆に、極端に異なる人物が混ざると、統合結果が破綻します。目安としては、6枚から12枚程度のあいだで、角度・表情・照明・距離のバリエーションを確保するのが実務的です。
参照画像セットの作り方
マルチイメージ融合の品質は、参照画像セットの設計でほぼ決まります。生成モデルの性能差よりも、入力の設計差のほうが結果に効く場面が多いのです。
必要な枚数とバリエーションの内訳
推奨構成は次のとおりです。正面のニュートラルな表情を1枚、左右それぞれ斜め45度を各1枚、横顔を1枚、笑顔を1枚、真顔を1枚、やや見上げる構図を1枚。これで7枚です。余裕があれば、屋外の自然光で撮ったもの、室内の柔らかい光で撮ったものを追加し、ライティングのバリエーションを持たせます。
服装はできるだけシンプルに統一してください。柄物やロゴ入りの服は、モデルが服そのものをキャラクターの特徴として学習してしまい、別のシーンで柄が勝手に再現される原因になります。
撮影・生成時のチェックリスト
- 解像度は短辺1024ピクセル以上を確保する
- 顔が画面の高さの三分の一以上を占める
- ピントは目に合わせ、ブレを避ける
- 背景は無地に近いもの、または人物と明度差があるもの
- 強い色かぶり、過度な美肌加工、AIによる自動補正を避ける
- 同じ衣装のまま、角度と表情だけを変える
実写素材がない場合は、画像生成モデルでキャラクターシートを作る方法も有効です。その場合は、一枚のシートに複数アングルを並べて生成し、あとで個別に切り出すと、髪型や服装の統一が取りやすくなります。
避けるべき参照画像
失敗を招きやすい素材ははっきりしています。顔の半分が影になっている写真、髪で目が隠れている写真、フィルターで肌の質感が失われた写真、複数人が写り込んだ集合写真、そして別人の写真を混ぜることです。特に最後の項目は致命的で、統合結果が中間的な顔になり、どちらでもない人物が生まれます。
キーフレーム設計とシーン展開
参照情報が整ったら、次は映像としての設計です。ここで鍵になるのがキーフレーム、つまり「この瞬間のキャラクターはこう見える」という基準フレームの設計です。
キャラクター基準フレームを固定する
最初に、キャラクターの基準となる静止画を確定させます。これをマスターカットと呼びます。マスターカットが決まれば、以降のすべてのカットはこのフレームを参照して生成します。逆に、マスターカットが曖昧なままカットを増やすと、後戻りが効かなくなります。
マスターカットの確認ポイントは、顔の比率、髪の分け目、眉の太さ、目の間隔、鼻筋の高さ、顎のライン、首の太さです。これらを箇条書きでテキスト化しておくと、後から生成結果を検証するときのチェックリストになります。
ショットリストへの落とし込み
動画はカットの集合体です。絵コンテやショットリストを作る段階で、各カットについて次の項目を書き出します。
- ショット番号と尺
- カメラ距離（バストアップ、ウエストアップ、全身）
- アングル（水平、俯瞰、あおり）
- カメラの動き（固定、パン、ドリー、ハンドヘルド）
- キャラクターの動作と感情
- 背景と照明の条件
このうちキャラクターの同一性に最も影響するのは、カメラ距離とアングルです。顔が小さく写る全身ショットでは、モデルが顔の細部を推測する余地が増えます。したがって、全身ショットの前後にはバストアップを挟み、視聴者に同一性を再確認させる構成が有効です。
カメラワークと動きの指示
カメラが動くカットは、顔の形状が崩れやすい典型的な失敗ポイントです。パンやドリーを指定するときは、動きの速度を控えめにし、被写体の向きを一定に保つ指示を添えます。髪が激しくなびくシーン、走るシーン、振り向きざまのカットは、どうしても顔の情報が失われます。これらを使う場合は、尺を短くし、直後に安定したカットを置いて補正するのが定石です。
スタイルを変えても同一人物を保つ方法
同じキャラクターを、フォトリアルな映像でもアニメ調の映像でも使いたい。あるいは、昼のシーンと夜のシーン、室内と屋外で使い分けたい。こうした要求は実務では日常的に発生します。
フォトリアルとアニメ調の切り替え
スタイルを変えるときは、キャラクター情報とスタイル情報を分離して指示するのが原則です。キャラクターの記述では、骨格や髪色、目の色、年齢感といった不変の要素だけを述べます。スタイルの記述では、画風、線の太さ、色調、質感といった可変の要素だけを述べます。この二つを混ぜて書くと、スタイルの変更がキャラクターの変更として解釈され、顔が変わります。
実際に試すときは、まずマスターカットを基準に、同じポーズのままスタイルだけを変えた比較画像を作ります。この比較で同一性が保てていれば、そのスタイル記述は安全に再利用できます。逆に崩れる場合は、スタイル記述が強すぎるか、参照画像の寄与度が弱すぎるかのどちらかです。
服装・髪型・年齢のバリエーション管理
物語の中で着替えや時間経過を描く場合、変更する要素を一度に一つだけにしてください。髪型と服装と年齢を同時に変えると、モデルはキャラクターそのものを再解釈します。着替えのカットでは髪型と顔を固定し、服装だけを変える。時間経過のカットでは、髪の長さだけを変え、顔の骨格は維持する。この原則を守るだけで破綻が大幅に減ります。
バリエーションごとに参照画像セットを派生させ、命名規則で管理する方法も効果的です。「キャラクター名_基本」「キャラクター名_冬服」「キャラクター名_五年後」といった具合に分けておけば、どのセットを使ったカットなのかを後から追跡できます。
モデル間の相互運用
動画生成モデルは複数を使い分けるのが現実的です。長回しの自然な動きが得意なモデル、短尺で質感が高いモデル、アニメ調に強いモデル、参照画像の忠実度が高いモデル。それぞれに得意分野があります。
重要なのは、すべてのモデルに対して同じ参照画像セットと同じキャラクター記述を使うことです。モデルごとにプロンプトを書き換えると、切り替えのたびに人物がずれます。モデル固有の調整は、キャラクター記述ではなく、カメラや動きの記述側で行います。
実践ワークフロー：15秒ショート動画を作る
ここまでの要素を、実際の15秒ショート動画の制作手順として組み立てます。縦型、登場人物1人、カット数5本という設定で進めます。
ステップ1：企画とキャラクター設定
まずキャラクターシートを作ります。名前、年齢感、職業、性格、髪型、髪色、瞳の色、体型、基本の服装をテキストで定義します。この定義はそのままプロンプトのテンプレートになります。同時に、物語の起承転結を15秒に圧縮したショットリストを作ります。例として、起（人物が画面に入る）、承（手元の小物に気づく）、転（表情が変わる）、結（視線を上げて微笑む）という構成です。
ステップ2：参照画像の選定と融合
用意した参照画像セットから、正面、斜め、横顔、笑顔の4枚を選び、融合処理を行います。生成されたマスターカットを確認し、髪の分け目や目の間隔が意図どおりかを検証します。違和感があれば、参照画像の寄与度を調整するか、ノイズになる写真を外して再実行します。ここで妥協すると、以降のすべてのカットに影響します。
ステップ3：ショット生成
ショットリストに沿ってカットを生成します。ポイントは、最初のカットと最後のカットを先に作り、中間を後から埋める順序です。両端が固まっていれば、途中のカットが多少ぶれても編集で吸収できます。
各カットのプロンプトは、キャラクター記述、動作記述、カメラ記述、照明記述の四層に分けて書きます。キャラクター記述は全カットで完全に同一の文言を使ってください。一文字でも変えると結果が変わります。
ステップ4：編集と仕上げ
生成したカットを並べ、テンポを調整します。顔が崩れたフレームがあれば、その前後をトリミングするか、別テイクに差し替えます。カラーグレーディングは全カットに同じ処理を適用し、色味の統一を図ります。最後に、同一人物に見えるかを確認するために、全カットの顔だけを並べたコンタクトシートを作って見比べます。この検証は数分でできて、破綻の発見率が大きく上がります。
よくある失敗とトラブルシューティング
顔が別人になる
もっとも多い症状です。原因の第一候補は参照画像の質です。ピントが甘い、顔が小さい、フィルター加工が強い写真が混ざっていないかを確認します。第二の候補は、キャラクター記述がカットごとに揺れていることです。テンプレート化して固定してください。第三の候補は、動作指示が強すぎることです。走る、振り向く、髪をかき上げるといった指示は、顔の形状を犠牲にします。指示を弱めるか、尺を短くします。
服装や小物が勝手に変わる
参照画像に写っている服装が、別シーンの服装指定を上書きしているケースです。対処法は二つあります。参照画像の服装を、物語の基本衣装と一致させる。または、服装の記述をプロンプト内で明確に優先させ、変更したい要素を具体的に列挙する。柄物やロゴは再現が不安定なので、無地を基本にするのが安全です。
手・髪・輪郭が崩れる
手指は現在の生成モデルでも弱点です。手を大きく見せるカットは避け、必要なら手元だけ別カットとして生成し、編集で合成します。髪は逆に、参照画像の髪型情報が強いと、動きのあるシーンで不自然に固まります。髪の動きを指示する場合は、参照画像の寄与度を下げるか、風や動きの記述を控えめにします。
色味とライティングが合わない
カットごとに照明条件が違うと、顔の立体感が変わり、別人に見えます。基本の照明条件を一つ決め、それを全カットの基準にします。夜のシーンなど意図的に変える場合は、変更を一つのシーケンス内にまとめ、シーン単位で切り替えます。カット単位で照明を変えると、視聴者は人物の変化として受け取ります。
品質を安定させる運用のコツ
アセット管理と命名規則
参照画像、マスターカット、各カットの生成結果、使用したプロンプトを一箇所にまとめて管理します。命名は「作品名_キャラ名_カット番号_テイク番号」のように統一し、日付ではなくバージョン番号で識別します。プロンプトはテキストファイルとして保存し、変更履歴を残します。どの記述を変えたときに何が起きたのかを追えることが、再現性の鍵です。
プロンプトのテンプレート化
キャラクター記述、スタイル記述、カメラ記述、照明記述を別々のブロックとして管理し、組み合わせて使います。この構造化によって、カットごとの差分が明確になり、意図しない変更を防げます。テンプレートは一度作れば、別の作品にも流用できます。
レビューと差し戻しの基準
属人的な判断を減らすために、合格基準を数値化します。たとえば、コンタクトシート上で髪の分け目が全カット一致していること、目の間隔のずれが許容範囲内であること、基本衣装の色が同一であること。基準を満たさないカットは、その場で再生成するのではなく、原因を切り分けてから再生成します。闇雲な再生成は時間を消費するだけで、根本的な解決になりません。
用途別の判断基準と手法の選び方
SNSショート動画
尺が短く、カット数も少ないため、参照画像4枚から6枚で十分に効果が出ます。スピード優先で、まずマスターカットを作り、それを使って全カットを生成する流れが合理的です。顔のアップを多用できるので、一貫性の検証も容易です。
広告・企業案件
品質要求が高く、修正の往復も発生します。参照画像は10枚以上を丁寧に揃え、キャラクターシートを文書として残します。クライアントとの合意事項として、顔の特徴を言語化しておくと、修正指示の認識齟齬を防げます。カット数が多い場合は、シーンごとに参照セットを派生させ、シーン内の一貫性を優先します。
長尺ストーリー
長時間の映像では、同一性だけでなく変化も必要になります。基本のキャラクター情報を固定したうえで、章ごとに服装や髪型のバリエーションを定義します。長尺では、視聴者が人物を追跡する負荷を下げるために、特徴的な小物や髪型など、識別の手がかりを一つ決めて全編で維持するのが効果的です。
よくある質問
参照画像は何枚が最適ですか
6枚から12枚が実務的な範囲です。内訳は正面、斜め左右、横顔、笑顔、真顔、見上げる構図を含めると安定します。同じような構図を増やしても効果は限定的なので、角度と照明のバリエーションを優先してください。
実写ではなくイラストでも同じ手法は使えますか
使えます。むしろイラストのほうが特徴が明確で、統合が安定する場合もあります。ただし、線の太さや塗りのスタイルが画像ごとに異なると、スタイルの混在が起きます。同一の画風で描かれた複数アングルを用意してください。
生成したカットの顔だけを別のカットに移植できますか
技術的には可能ですが、照明や肌の質感が一致しないと不自然になります。編集ソフトでの合成は、同一シーン内の短い修正にとどめ、根本的な解決は参照画像と指示の見直しで行うのが望ましいです。
一貫性の検証はどう効率化できますか
全カットから顔領域を切り出し、横一列に並べたコンタクトシートを作る方法が最も手軽です。静止画として見比べることで、動画再生中には気づきにくい差分が明確になります。生成のたびにこの作業を挟むと、手戻りの総量が減ります。
モデルを乗り換えたら別人になりました
モデルごとに参照情報の解釈が異なるため、完全な互換は期待できません。乗り換え時は、マスターカットを再生成し、そのモデル用の基準フレームを新たに確定させます。キャラクター記述は共通のまま使えるので、再調整の範囲は限定的です。
学習させた専用モデルとマルチイメージ融合はどちらを選ぶべきですか
特定キャラクターを大量に使い続ける場合は専用モデルの学習が向いています。一方、複数のキャラクターを短いサイクルで扱う場合や、修正の自由度を重視する場合は、参照画像による融合のほうが扱いやすいです。制作本数とキャラクターの固定度で判断してください。
まとめ：一貫性は入力設計で決まる
AI動画におけるキャラクターの一貫性は、モデルの性能だけでは決まりません。むしろ、参照画像の設計、キャラクター記述の固定、キーフレームの確定、検証の仕組みという四つの入力側の工夫で大部分が決まります。マルチイメージ融合は、その入力設計を支える中核の考え方です。
今日から始められる最初の一歩は、手元のキャラクターについて、角度と表情を変えた参照画像を7枚そろえ、キャラクター記述をテキストファイルに固定することです。次のカットを生成する前に、前のカットと顔を並べて見比べる習慣をつけてください。この二つを実践するだけで、同じ人物が画面の中で生き続ける映像に近づきます。
