なぜAI動画でキャラクターが崩れるのか
AI動画生成の品質は急速に向上し、数秒のクリップであれば実写と見分けがつかないレベルに到達している。しかし、短編作品や商品紹介、教育コンテンツを一本作り切ろうとすると、ほぼ必ず同じ壁にぶつかる。同じ人物を複数のカットに登場させた瞬間、顔立ち・髪型・衣装・体型がカットごとに少しずつ、ときには大胆に変わってしまうのだ。
この現象は一般に「キャラクター崩壊」と呼ばれる。一本のクリップとして見ればどれも美しいのに、並べてみると別人の集合に見えてしまう。視聴者は無意識のうちに顔のパーツ比率や髪の流れ、骨格のバランスを記憶しており、わずかなズレでも違和感として拾い上げる。物語の連続性を支えているのは映像の解像度ではなく、この「同一人物であること」の説得力なのだ。
制作の現場では、この問題は単なる見た目の問題にとどまらない。撮り直しに相当する再生成を何度も繰り返すことになり、作業時間が膨らみ、カット間のつながりを調整する編集工程も複雑化する。結果として、AI動画は「単発のデモ」には強いが「連続した物語」には弱いという評価が長くついて回ってきた。
拡散モデルと一貫性の根本的な相性
現在の動画生成の多くは拡散モデルを基礎としている。ノイズから徐々に像を立ち上げるこの方式は、テクスチャの豊かさや光の表現に強い一方、毎回の生成が独立した確率的プロセスであるという性質を持つ。同じプロンプトを入力しても、内部でたどる経路は毎回異なる。この「毎回違う経路を通る」という特性こそが、キャラクターの細部を揺さぶる最大の要因である。
テキストプロンプトは本質的に抽象的な指示だ。「黒髪のショートヘアで、琥珀色の瞳、左頬にほくろ」と並べても、モデルがそれをどの程度厳密に再現するかは保証されない。プロンプトは制約ではなく、確率分布に与えるバイアスにすぎない。だからこそ、言葉で指定する情報には限界があり、視覚的な参照を別の経路で与える必要が生まれる。
さらに動画生成では、時間方向の一貫性という問題が加わる。1フレーム目と30フレーム目の人物が同じであることに加え、その間の動きが自然に連続していなければならない。空間的な同一性と時間的な連続性という二つの制約を同時に満たす必要がある点が、静止画生成よりも難度を押し上げている。
シード値や追加学習だけでは足りない理由
一貫性を保つための古典的な手段として、シード値の固定がある。同じシードを使えば、同じプロンプトからは基本的に同じ結果が得られる。しかしこれは「同じ構図・同じライティング」を再現する技術であって、「別のアングルから見た同じ人物」を保証するものではない。カメラを横に回し込んだ瞬間、人物の見え方はまったく新しい問題として生成される。
追加学習による人物やスタイルの学習も有効な手段だが、万能ではない。学習に使った画像の照明条件やアングルに強く引きずられるため、未見のポーズや逆光のシーンでは再現度が落ちる。加えて、学習にはそれなりのデータ量と計算資源が必要で、多数のキャラクターを扱う制作現場ではモデルファイルの管理コストが膨らみやすい。
では何が足りないのか。答えは「生成のたびに参照できる、複数の視覚的な手がかり」である。シードは固定し、追加学習は方向性を与える。そのうえで、各ショットの生成時に人物の見た目を直接思い出させる仕組みがあれば、崩壊は大きく抑えられる。
「同一人物」を判定しているのは誰か
技術的な指標だけでは、キャラクターの一貫性は測れない。最終的な判定者は常に視聴者である。顔の輪郭、目の間隔、眉の角度、髪の分け目、耳の形、首の太さ——人間はこれらを統合して「同じ人かどうか」を一瞬で判断する。
逆に言えば、すべてのディテールを完璧に固定する必要はない。視聴者が同一性を判断する手がかりになる要素を優先的に固定すればよい。多くの場合、それは顔の骨格、髪型のシルエット、そして衣装の主要な色と形である。逆に、ボタンの数や布のシワの入り方といった細部は、多少変動しても同一性の判断には影響しにくい。
この視点は制作の優先順位を明確にする。限られた工数をどこに投下すべきかは、視聴者の知覚に基づいて決めるべきであって、技術的に固定しやすい場所から決めるべきではない。
マルチ画像参照フュージョンとは何か
マルチ画像参照フュージョンとは、一枚の参照画像だけに頼るのではなく、複数の静止画から抽出した特徴を統合し、それを動画生成の条件として与えるアプローチの総称である。単純な画像to動画が「最初の一枚を動かす」のに対し、こちらは「複数の視点から人物を定義してから動かす」という発想の転換を含む。
重要なのは、参照画像の枚数を増やせばよいという話ではないことだ。似たような正面の写真を十枚並べても、得られる情報はほとんど増えない。角度、表情、距離、照明が異なる画像を組み合わせることで初めて、人物の立体構造に近い情報が得られる。
単一参照と複数参照の決定的な違い
単一参照の生成では、モデルは与えられた一枚を「こういう見た目である」という宣言として受け取る。そこから横を向いた姿を想像する必要があり、想像の部分はモデルの事前知識に委ねられる。結果として、正面は完璧なのに横顔が別人になる、という典型的な崩れ方が起こる。
複数参照では、正面・斜め・横・背面といった複数の視点が同時に提示される。モデルはそれらを統合し、頭部や身体の三次元的な構造を推定しやすくなる。さらに、服装の前後関係、髪の毛のボリューム、アクセサリーの装着位置といった、単一視点では曖昧だった情報も補完される。
実務的には、参照を複数にするだけでカット間の顔の一致率が体感で大きく変わる。特にミディアムショットとクローズアップを行き来する構成では、その差が顕著に現れる。
参照画像の役割分担を設計する
複数参照を使いこなすコツは、各画像に役割を持たせることだ。たとえば、一枚目は顔の骨格を定義する正面のクローズアップ、二枚目は髪型とシルエットを伝える横顔、三枚目は衣装全体がわかるバストアップ、四枚目は質感やライティングの基準となる自然光のカット、という具合である。
役割を決めておくと、生成結果に問題が出たときに原因を切り分けやすい。顔が崩れたなら顔担当の参照を差し替える。服が変わったなら衣装担当の参照を追加する。闇雲に全部を入れ替えるより、はるかに効率がよい。
また、参照画像のトーンを揃えることも重要だ。一枚だけ極端に彩度が高い写真が混ざると、生成結果の色味が引っ張られることがある。色温度と露出をある程度揃えたセットを用意しておくと、出力の安定性が増す。
潜在空間での特徴統合という考え方
技術的な背景として、多くの実装は画像を潜在空間の特徴量に変換し、それらを統合してから生成プロセスに注入する。統合の方法には、単純な加重平均から注意機構を用いた選択的な取り込みまで、さまざまな設計がある。
ここで押さえておきたいのは、統合は「足し算」ではなく「取捨選択」だという点である。複数の参照が矛盾する情報を持っている場合、モデルはどちらかを優先せざるを得ない。だからこそ、参照セットの内部で矛盾を作らないことが、結果の安定に直結する。
矛盾の例としては、同一人物のはずなのに一方では前髪が長く、もう一方では短い、というケースがある。これは生成失敗ではなく入力の設計ミスである。参照セットを組む段階で、時系列や状態の整合性を確認する習慣をつけたい。
参照画像セットの作り方：実践手順
参照セットの品質は、最終的な映像の品質をほぼ決定づける。ここでは、実制作でそのまま使える手順を整理する。
基本ルール
第一に、解像度を揃える。極端に低い解像度の画像が混ざると、その曖昧さが全体に伝播する。長辺1024ピクセル以上を目安にし、できれば全枚数を同じ比率で揃える。
第二に、背景を整理する。人物以外の要素が多い画像は、意図しない特徴まで取り込まれる原因になる。可能であれば単色背景か、背景のボケが強い画像を選ぶ。
第三に、過度なレタッチを避ける。肌をなめらかにしすぎた写真は、毛穴や質感の情報を失っている。生成側が持つべきテクスチャの手がかりが減り、のっぺりした顔になりやすい。
角度・表情・解像度の揃え方
角度は正面、左右45度、左右90度の5枚が基本セットになる。ここに、やや見下ろし気味のアングルを一枚加えると、俯瞰のカットでも崩れにくくなる。
表情は無表情と微笑みの二種類を用意するとよい。笑顔しかない参照セットでは、シリアスなシーンで口元が不自然に緩むことがある。逆に無表情しかないと、感情表現のカットで硬さが出る。
解像度だけでなく、被写界深度も揃えたい。顔の一部だけにピントが合っている画像ばかりだと、全身ショットでの再現度が落ちる。顔と衣装の両方が判別できる画像を最低一枚は含めておく。
避けるべき参照画像のパターン
避けたいのは、サングラスやマスクで顔の主要部分が隠れている画像、強い逆光でディテールが飛んでいる画像、動きによるブレが大きい画像である。これらは情報量が少ないだけでなく、誤った特徴を強調する原因にもなる。
また、別人の写真を混ぜるのは厳禁だ。似ているからといって兄弟やそっくりさんの画像を加えると、生成結果は平均的な「似ている誰か」に寄っていく。参照セットは常に単一の人物で統一する。
最後に、極端に特殊なライティングの画像だけでセットを組まないこと。ネオンに照らされた夜の写真ばかりでは、昼間のシーンで色が破綻しやすい。基準となる自然光のカットを必ず一枚入れておく。
シーン設計とカメラワークの考え方
参照セットが整っても、シーン設計が雑であれば崩れは起こる。ここでは撮影計画に相当する工程を整理する。
カット割りと同一性の優先順位
すべてのカットで同じ強度の一致が求められるわけではない。物語上重要なカット、たとえば感情の転換点やセリフのあるクローズアップでは、一致の優先度を最上位に置く。逆に、背景の一部として人物が小さく映るカットでは、多少の揺らぎは許容できる。
この優先順位を事前に決めておくと、限られた試行回数を有効に使える。全カットを均等に追い込むのは現実的ではない。
動きの大きいショットへの対処
走る、振り返る、髪をかき上げるといった大きな動きのショットは、崩壊が最も起きやすい。対策としては、動きの始点と終点を別々の静止画として先に固め、その二枚を参照に含めて生成する方法が有効である。
また、長回しで一つの動きを連続生成するより、短いカットに分割して編集でつなぐほうが結果は安定する。映画の撮影でも、長回しは特別な技術を要する。AI動画ではなおさら、短い単位で積み上げるほうが現実的だ。
ライティングと色温度の連続性
カット間で色温度がばらつくと、同じ人物でも別人に見えることがある。これは肌の色味が照明で大きく変わるためだ。シーンごとに基準となる色温度を決め、生成時の指示にも一貫して含める。
屋内と屋外をまたぐシーンでは、なおさら注意が必要である。太陽光の色温度と室内照明の色温度は大きく異なる。編集段階でカラーグレーディングによって寄せることもできるが、生成段階である程度揃えておくほうが破綻は少ない。
モデルとツールの選定
一口にAI動画生成といっても、得意分野はツールごとに異なる。用途に応じた使い分けが、結果の安定と作業効率の両方に効いてくる。
生成方式の違いを理解する
テキストto動画は、指示だけで映像を作れる手軽さがある一方、人物の細部を制御するのは難しい。ラフな絵コンテ段階や、背景のみのカットに向く。
画像to動画は、起点となる静止画をアニメーション化する方式で、構図の制御に優れる。キャラクターの主要カットはこの方式で作るのが定石だ。
参照ベースの生成は、複数の画像から人物の特徴を取り込みながら新しい動きを作る。キャラクターの同一性を最優先する場合に適している。
工程ごとの使い分け
企画段階ではテキストto動画で雰囲気を素早く確認し、絵コンテが固まったら画像生成でキーフレームを起こし、それを参照セットとして本番の動画生成に回す。この分業が最も破綻が少ない。
一つのツールですべてを完結させようとすると、どこかで妥協が生まれる。工程を分けることは手間に見えるが、結果として手戻りが減り、総作業時間は短くなる。
パイプラインの分割設計
制作を「キャラクター定義」「キーフレーム生成」「ショット生成」「編集」の四段階に分け、各段階の成果物をファイルとして管理する。命名規則を統一し、どの参照画像を使ってどのカットを生成したかを記録しておく。
この記録は、後から修正が必要になったときに決定的な価値を持つ。原因の切り分けが数分で済むか、丸一日かかるかの差になる。
ワークフロー全体像：プリプロから最終書き出しまで
ここからは、実際の制作の流れを順に追う。
キャラクター設定シートの作成
まず、人物の設定を一枚のシートにまとめる。年齢感、体格、髪型、瞳の色、肌のトーン、衣装の主要な色、特徴的なアクセサリー。これをテキストで明文化しておくと、生成時の指示がぶれなくなる。
同時に、参照画像を10枚前後集める。前述の角度セットに加え、衣装違いのバリエーションを数枚含めると、場面転換に対応しやすくなる。
キーフレーム生成と検証
参照セットを使い、主要なカットのキーフレームを静止画として生成する。この段階では動画にせず、まず静止画の段階で人物の一致を検証する。並べて見比べ、違和感のあるものを差し替える。
検証のコツは、画像を小さく縮小して並べることだ。細部が見えなくなることで、骨格やシルエットの違いが逆に見えやすくなる。拡大して確認するのは、この粗いチェックを通過した後でよい。
ショット生成と差分チェック
キーフレームが固まったら、各ショットを動画として生成する。生成直後にすべてを確認するのではなく、まず全カットを低解像度で通しで見る。この段階で、つながりの破綻や動きの不自然さを洗い出す。
問題のあるカットだけを再生成し、再度通しで確認する。この反復を二、三回繰り返すと、実用品质に到達する。
編集・音声・カラー調整
生成したクリップを編集ソフトでつなぎ、テンポを整える。カットの長さは生成結果の出来に応じて調整する。崩れが目立つ区間は短くし、良好な区間を長く見せるのは、実写編集でも使われる現実的な判断だ。
音声を加えると、視聴者の注意は聴覚にも分散する。結果として、映像のわずかな揺らぎは気づかれにくくなる。BGMや環境音は、コストの低い品質向上策として積極的に使いたい。
最後にカラーグレーディングで全カットの色味を統一する。カットごとの色温度の差を吸収するだけで、同一性の印象は大きく改善する。
最終チェックリスト
書き出し前に確認すべき項目を列挙しておく。顔の骨格は全カットで一致しているか。髪型のシルエットは保たれているか。衣装の主要な色と形は変わっていないか。アクセサリーの位置は同じか。カット間の色温度は揃っているか。動きに不自然な跳躍はないか。
これらを機械的にチェックするだけで、公開後の指摘の多くは防げる。
よくある失敗と対処法
顔が別人になる
最も多い症状である。原因は参照画像の不足か、角度の偏りであることが多い。正面の一枚しか使っていない場合は、横顔と斜めの参照を追加する。それでも改善しない場合は、顔担当の参照をより高解像度で明るいものに差し替える。
また、プロンプトに年齢や性別の曖昧な語が含まれていると、モデルが別の解釈を選ぶことがある。人物の記述は具体的かつ一貫させる。
衣装のディテールが変わる
衣装の細部は、参照に全身が写っていないと変動しやすい。バストアップの参照しかない状態で全身ショットを生成すると、下半身はモデルの想像に委ねられる。全身がわかる参照を必ず一枚加える。
ロゴや文字が入った衣装の場合、完全な再現は難しい。重要なシーンでは、編集段階で合成する前提で設計するほうが現実的である。
ちらつき・フリッカー
フレーム間で明るさや輪郭が細かく振動する現象は、時間方向の一貫性が崩れているサインだ。生成時の動きの指定を小さくし、カットを短く分割することで軽減できる。
編集段階でわずかな手ぶれ補正やデノイズをかけるのも有効だが、根本的な解決にはならない。生成側で抑えるのが原則である。
動きが不自然になる
関節の曲がり方や重心の移動が物理的に不自然になるケースは、まだ完全には解決されていない領域である。対策としては、動きの大きいシーンを減らし、カメラワークで見せる構成に切り替える方法がある。
引きのショットで全身の動きを見せるより、手元や足元のカットを挟んで動きを暗示するほうが、結果として自然に見えることが多い。
権利・倫理・商用利用の注意点
実在人物を参照する場合
実在する人物の写真を参照画像として使う場合、肖像権やパブリシティ権の問題が生じる。本人の許諾がない商用利用は避けるべきである。著名人の風貌を模した生成は、たとえ意図がなくても法的リスクを伴う。
安全な運用は、架空のキャラクターを一から設計することだ。参照画像も自ら撮影または生成したものを使えば、権利関係は明確になる。
学習データとライセンス
利用するツールの規約を確認し、生成物の商用利用が認められているかを把握しておく。ツールによっては、生成物の権利の扱いや、特定の用途の制限が定められている。
また、参照画像として使う素材そのもののライセンスも確認が必要だ。フリー素材であっても、AI学習への利用が禁止されている場合がある。
よくある質問
参照画像は何枚くらいが適切ですか
用途によって異なるが、顔の同一性を重視する場合は5〜10枚が実用的な範囲である。それ以上増やしても効果は頭打ちになり、矛盾した情報が混ざるリスクのほうが高くなる。
静止画の段階で完璧に見えるのに、動画にすると崩れます
時間方向の一貫性は、静止画の一致とは別の課題である。動きの指定を小さくし、カットを短く分割することを試してほしい。また、参照画像に動きのある写真を混ぜると、時間方向の情報として誤って解釈されることがあるため避けたほうがよい。
同じキャラクターを別のツールでも使いたい
ツールをまたぐと内部表現が異なるため、完全な移植は難しい。ただし、参照画像セットと設定シートを共通資産として整備しておけば、移行先でも再構築の手間は大幅に減る。
LoRAなどの追加学習とマルチ画像参照はどちらを選ぶべきですか
多数のショットで同じ人物を使い、制作量が多い場合は追加学習が向く。一方、キャラクターの数が多く、それぞれの登場回数が少ない場合は、参照画像によるアプローチのほうが管理が軽い。両者を併用するのが最も安定する。
生成にかかる試行回数を減らすコツはありますか
キーフレームを静止画で固めてから動画化すること、参照セットの役割を明確にすること、そして小さく並べて比較する習慣をつけること。この三点だけで、無駄な再生成はかなり減る。
まとめ：一貫性は技術ではなく設計で決まる
キャラクターの固定は、魔法のような一つの機能で解決するものではない。参照画像の設計、シーン設計、ツールの使い分け、そして検証の手順が組み合わさって初めて成立する。
逆に言えば、これらはすべて今日から実践できる地味な工夫である。特別な環境は必要ない。参照セットを丁寧に作り、各工程の成果物を記録し、視聴者の知覚を基準に優先順位を決める。その積み重ねが、AI動画を「デモ」から「作品」へと押し上げる。
技術は今後も進化し続けるだろう。だが、どのツールを使っても通用する設計の考え方は、一度身につければ長く使える資産になる。
