なぜキャラクターの一貫性がAI動画制作の最大の難所なのか
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驚くほど自然な映像が得られるようになった。しかし、複数のショットをつないで一つの物語に仕立てた瞬間、多くの制作者が同じ壁にぶつかる。同じ人物のはずなのに、カットが変わるたびに顔立ち、髪型、年齢感、体型が少しずつ変わってしまうのだ。この現象は一般に「アイデンティティ漂流（identity drift）」と呼ばれ、長編コンテンツや連続シリーズ、ブランドキャンペーンにおいて致命的な問題になる。
視聴者は映像の細部を意識的に検証しているわけではない。それでも、目と目の距離が数ミリ違うだけで「別人だ」と感じ取ってしまう。人間の顔認識は非常に敏感で、違和感はカットをまたぐたびに蓄積する。つまりキャラクターの一貫性は「あったら嬉しい要素」ではなく、作品が成立するかどうかを決める基礎条件だ。
問題を難しくしているのは、生成モデルが一つではないという点にある。フォトリアルな人物描写に強いモデル、シネマティックなライティングに強いモデル、身体の動きや物理挙動に強いモデル、アニメ調の線画に強いモデル。それぞれが異なる長所を持ち、しかも同じプロンプトを与えても出力の解釈が微妙にずれる。単一のモデルだけですべてのショットをまかなおうとすると、どこかのシーンで破綻する。逆にシーンごとに最適なモデルを選ぶと、今度はモデル間で顔が変わってしまう。
このジレンマに対する実践的な答えが、複数の参照画像を組み合わせて入力する「複数画像フュージョン」という考え方だ。一枚の基準画像に頼るのではなく、角度・表情・衣装・ライティング条件の異なる複数の画像を同時に与え、モデルに「この人物の同一性」を多面的に理解させる。本記事では、この手法を軸に、企画から書き出しまでの現実的なワークフローを段階的に整理する。
複数画像フュージョンとは何か：仕組みと基本原則
複数画像フュージョンとは、テキストプロンプトに加えて2枚以上の参照画像を同時に投入し、それらを統合した一つのキャラクター像を生成させる手法を指す。重要なのは、単に画像を何枚も並べることではない。モデルに対して「これらの画像はすべて同一人物であり、共通する不変の特徴が存在する」という前提を伝えることが本質だ。
単一参照と複数参照の決定的な違い
参照画像が1枚の場合、モデルはその1枚を「正解」として扱う。だが1枚には必ず死角がある。正面の写真しかなければ側頭部の形状は推測になり、笑顔しかなければ無表情時の口元は推測になる。推測が入るたびに、出力は安定性を失う。
参照画像を複数にすると、モデルは各画像の共通要素を抽出し、差異をノイズとして扱うようになる。正面・斜め・横・背面がそろっていれば、頭蓋の形や耳の位置といった不変の情報が強く固定される。結果として、アングルが変わっても「同じ人物」に見える確率が大きく上がる。
参照画像に求めるべき4つの情報
効果的な参照セットを組むときは、次の4種類の情報を意識して分担させるとよい。
- 形状情報：正面、左右斜め45度、横、可能なら背面。骨格と髪のボリューム感を固定する。
- 質感情報：肌の粗さ、髪の毛流れ、布地の織り目。寄りのカットを含めると強い。
- 表情情報：無表情、微笑み、口を開けた状態。感情の可変域をモデルに教える。
- 環境情報：屋外の自然光、室内の暖色光、夜の低照度。ライティングが変わっても同一人物だと認識させる訓練になる。
逆に避けたいのは、すべて同じ構図・同じ照明・同じ表情の画像を並べることだ。情報量が増えていないため、複数参照の利点がほぼ得られない。
参照画像セットの作り方：撮影・生成から前処理まで
実写の人物をモデルにする場合も、完全に架空のキャラクターをゼロから作る場合も、手順の骨格は同じである。まず「基準となる1枚」を確定させ、そこから派生させてセットを拡張する。
4方向以上のアングルを用意する
理想は正面、斜め左、斜め右、横、そして可能なら背面の5枚だ。実写であれば、スマートフォンでも構わないので同じ照明条件で連続撮影するとよい。背景は無地に近いほど扱いやすい。模様の強い壁紙や複雑な人影は、モデルがキャラクター以外の要素まで学習してしまう原因になる。
架空キャラクターの場合は、まず基準画像を丁寧に作り込み、それを入力にして角度違いを生成する。このとき、顔のパーツを大きく変えるようなプロンプトは使わない。あくまで「同じ人物を別角度から見た図」として生成するのがコツだ。
前処理チェックリスト
参照画像はそのまま放り込むのではなく、次の項目を確認してから使う。
- 解像度は十分か。短辺が768ピクセルを下回るとディテールが失われやすい。
- 顔の占有面積は適切か。小さすぎると特徴が抽出されず、大きすぎると構図の自由度が落ちる。
- 余計な文字やロゴが写り込んでいないか。ウォーターマークは出力に混入することがある。
- 極端な色かぶりや露出オーバーがないか。肌色が破綻していると別人格として解釈される。
- 他の人物が写っていないか。写っている場合は必ずトリミングする。
- 圧縮ノイズが強くないか。ブロックノイズは質感情報を汚染する。
この6項目を毎回チェックするだけで、最初の数回の生成でつまずく確率が目に見えて下がる。
モデルの得意分野を理解して役割を分担する
複数画像フュージョンの真価は、複数モデルを組み合わせたときに発揮される。各モデルの性格を把握し、「このショットはこのモデル」と割り切って使うほうが、結果的に一貫性が高まる。
フォトリアル系モデル
写実的な人物描写を得意とするモデル群は、肌の質感や毛穴、瞳の反射といった微細な情報の再現に強い。基準となるヒーローショット（その人物を最もよく表す1枚）の生成に向いている。ただし動きの大きいシーンでは顔が崩れやすいため、カメラがほぼ固定の寄りやミディアムショットに限定して使うと安定する。
アニメ・イラスト系モデル
線の太さ、塗りのムラ、瞳のハイライトなど、様式化された表現に強い。同じ参照画像セットを入力しても、写実系とはまったく異なる解釈で出力する。ここで注意したいのは、アニメ調の出力を再び写実系モデルの参照に使うと、髪のディテールが平坦になりやすいという点だ。系統をまたぐ場合は、元の写実的な参照セットも併せて渡すのが安全である。
モーション・シネマティック系モデル
身体の動き、カメラワーク、被写界深度の表現に優れるモデルは、アクションシーンや長回しのカットで力を発揮する。一方で、参照画像の影響を強く受けすぎると動きが硬直する傾向がある。この系統では、参照画像のうち形状情報のみを使い、質感はプロンプトで補うという分担が有効だ。
3系統をまたぐプロジェクトでは、すべてのカットを同じモデルで生成しようとしないこと。むしろ「このショットは誰が担当するか」を事前に決め、担当ごとに参照セットの構成を微調整するほうが、最終的な統一感は高くなる。
シーン単位のワークフロー：絵コンテから書き出しまで
ここからは実際の進行手順を見ていく。全体は、設計、参照準備、生成、選別、修正、書き出しの6段階に分かれる。
ショットリストの設計
最初に行うのは、物語をショット単位に分解する作業だ。各ショットについて、次の項目を表にまとめる。
| 項目 | 記入内容 |
|---|---|
| ショット番号 | 通し番号と尺（秒数） |
| カメラ | 固定、パン、ドリー、手持ちなど |
| 距離 | 寄り、ミディアム、引き |
| 照明 | 自然光、逆光、室内暖色、夜 |
| 表情 | 無表情、笑顔、驚き、怒り |
| 担当モデル | 写実系／アニメ系／モーション系 |
この表があるだけで、後戻りのコストが大きく下がる。特に「照明」と「距離」の欄は、アイデンティティ漂流が起きやすい条件を事前に洗い出す役割を果たす。
固定プロンプトと可変プロンプトの分離
一貫性を保つ最も実務的なコツは、プロンプトを2層に分けて管理することだ。
- 固定層：人物の不変の特徴（骨格、髪の色と長さ、瞳の色、年齢感、体型、特徴的なアクセサリー）。すべてのショットで一字一句変えない。
- 可変層：カメラ、照明、表情、動作、背景。ショットごとに書き換える。
固定層を毎回書き直すと、言葉の微妙な違いが出力の違いとして現れる。テキストとして保存し、コピー＆ペーストで使い回すのが原則だ。
シードとバージョンの管理
シード値が固定できるモデルでは、まず固定して試す。ただしシードを固定しすぎると動きのバリエーションが失われるため、動きの大きいショットではシードを振り、代わりに参照画像セットを増やして同一性を担保するという考え方もある。
生成物は必ずファイル名に規則性を持たせる。例えば「作品名_ショット番号_モデル名_試行回数」の形式にしておけば、後から比較しやすい。フォルダもショット単位で分けると、どの参照セットから生まれた出力なのかが追跡できる。
一貫性を壊す7つの典型的な失敗
現場でよく観察される失敗には共通のパターンがある。当てはまるものがないか確認してほしい。
- 参照画像を1枚しか使わない：最も多い原因。角度情報が欠落し、カメラが回るたびに顔が変わる。
- 参照画像どうしが矛盾している：髪の長さが違う、瞳の色が違う状態で投入すると、モデルは平均値を取って別の人物を作り出す。
- 固定層プロンプトの言い回しを毎回変える：「黒い長髪」と「長い黒髪」は、モデルにとって同じとは限らない。
- 解像度の低い参照画像を混ぜる：情報量の少ない画像は、むしろノイズとして働く。
- 照明条件を急に変える：屋内の暖色から屋外の晴天へ飛ぶと、肌の色が別人レベルで変わる。中間のショットを挟んで緩やかに移行させる。
- 背景の要素をキャラクターと混同させる：人物と一緒に写り込んだ看板やロゴが、後続のカットにゴーストのように再出現する。
- モデルを頻繁に切り替える：各モデルの解釈が異なるため、切り替えのたびに微妙なズレが蓄積する。切り替えるなら参照セットを再調整する。
これらはどれも技術的な制約というより、運用の問題だ。チェックリスト化しておけば、ほぼ防げる。
品質チェックと修正ループの回し方
生成した素材は、そのまま採用せず必ず検証の工程を通す。効率よく回すには、次の3段階で見るのがよい。
第1段階：静止画としての同一性
冒頭の5秒だけを切り出し、前後するショットの代表フレームを並べて比較する。顔の比率、耳の位置、髪の生え際、首の太さに注目する。この段階で違和感があれば、動画全体を確認する前に差し戻す。
第2段階：動きの中での崩れ
再生して確認するのは、まばたき、口の動き、首の回旋の3点だ。ここで顔が溶ける、目が増える、歯が不自然に並ぶといった崩れが起きる場合は、モーション系モデルの負荷が高すぎる可能性がある。参照画像の枚数を増やすか、カメラの移動量を減らして再生成する。
第3段階：つなぎ目の連続性
最終的な編集段階で、カット間の明るさと色温度をそろえる。生成モデルが変われば、自動的にホワイトバランスもずれる。編集ソフトで軽く補正するだけで、別人感がかなり緩和される。
修正は「参照セットの修正」と「プロンプトの修正」を同時に行わないこと。どちらが効いたのか分からなくなり、再現性が失われる。
目的別・予算別のツール構成例
制作体制によって最適な構成は異なる。代表的な3パターンを整理する。
個人制作・短尺中心
基準画像の生成から動画化までを少ないツールで回す。参照画像は自分で丁寧に用意し、固定層プロンプトをテキストファイルで管理する。この段階では、ツールを増やすより参照画像の質を上げるほうが効果が大きい。
小規模チーム・シリーズ展開
画像生成と動画生成を分業し、ショットリストを共有の表で管理する。参照セットはフォルダ単位でバージョン管理し、誰がどのショットを担当しても同じセットを参照できる状態にする。ここで効くのはツールの数より、命名規則と引き継ぎ資料の整備だ。
広告・ブランド案件
同一人物を複数の動画や静止画で使い回す前提になるため、参照セットそのものを資産として管理する。キャラクター設定資料として、角度、表情、衣装、照明条件をセットで保存しておけば、次の案件でゼロから作り直す必要がなくなる。
どの構成でも共通するのは、参照画像とプロンプトを「使い捨てない」という原則だ。
FAQ：よくある疑問
Q. 参照画像は何枚が適切ですか。
A. 最低3枚、推奨は5枚前後です。正面・左右斜め・横の4枚に、表情違いを1枚加える構成が扱いやすく、効果も安定します。10枚を超えると情報が飽和し、モデルが不要な要素まで拾い始めることがあります。
Q. 実写の人物をモデルにしてもよいですか。
A. 肖像権と利用許諾の確認が前提になります。本人の同意が得られない画像を生成の参照に使うことは避けてください。商用利用の可否は、使用するサービスの規約と契約内容によって異なります。
Q. どうしても顔が安定しないときは。
A. まず参照セットの矛盾を疑ってください。髪の長さ、瞳の色、眉の形が画像間で食い違っていると、モデルは平均化して別の顔を作ります。次に照明条件を見直し、極端に暗い画像や逆光の画像を外します。それでも改善しない場合は、カメラの移動量を減らしたショットで再生成します。
Q. アニメ調と実写調を同じ作品で混ぜても大丈夫ですか。
A. 可能ですが、参照セットを系統ごとに分ける必要があります。実写用のセットをそのままアニメ系モデルに渡すと、線が潰れて別人化しやすくなります。
Q. 生成にかかる時間を短くするには。
A. 解像度とフレーム数を下げた「検証用の低品質版」で構図と同一性を確認し、採用が決まったショットだけ高品質で再生成する二段構えが有効です。試行回数を減らすことが、結果的に最も時間を短縮します。
Q. 長尺作品でもこの方法は使えますか。
A. 使えますが、シーン単位で参照セットを更新する運用が必要です。衣装替えや年齢変化がある場合は、その時点で新しい参照セットを作り、変化の前後で急に切り替えないよう中間のショットを挟むと自然につながります。
まとめ：一貫性は才能ではなく仕組みで守る
キャラクターの一貫性を保つ作業は、センスや運に依存するものではない。参照画像の設計、プロンプトの固定層と可変層の分離、モデルの役割分担、そして検証と修正のループ。この4つを仕組みとして組み込めば、同じ人物がカットをまたいで生き続ける映像を作れる。
最初にやるべきことは、ツールを増やすことではない。手元の参照画像を見直し、角度・表情・照明の情報がそろっているかを確認することだ。そのうえで固定層プロンプトをテキストとして保存し、ショットリストに担当モデルを書き込む。この3ステップだけで、生成のやり直しは目に見えて減る。
複数画像フュージョンは、派手なテクニックではなく、地道な情報設計の延長にある。参照セットを資産として育てていく姿勢が、長期的には最も大きな差を生む。
