フォトリアルAI動画でキャラクターが崩れる本当の理由
AI動画生成で最も多い失敗は「画質が悪い」ことではありません。1カット目は完璧なのに、3カット目で鼻の形が変わり、5カット目で髪の質感が別人になり、10カット目ではまるで別の人物が映っている。この「同一人物のはずなのに別人化する」現象こそが、視聴者の没入を静かに壊します。
原因はたいてい3つに集約されます。
- フレームごとの独立生成：動画モデルは各フレームを完全に連続した情報として扱えるわけではなく、時間方向の拘束が弱い箇所でアイデンティティが揺らぎます。
- 参照情報の不足：1枚の静止画だけでは、顔の三次元的な構造（奥行き、顎のライン、耳の位置）が曖昧なまま補完されます。
- 記述のゆれ：同じ人物を指しているつもりでも、カットごとにプロンプトの語順や形容詞が変われば、モデルは別の人物として解釈します。
つまり、キャラクターの一貫性は「運」や「モデルの気分」ではなく、入力設計の再現性で決まります。ここで有効なのが、キャラクターの見た目を最小単位に分解して固定する考え方、すなわちブロック分解リファレンス設計です。本記事では、この設計をレゴのように組み立てる「レゴピクセル方式」として整理し、実務で使えるワークフロー、判断基準、失敗パターンまでを順に解説します。
ブロック分解リファレンス設計（レゴピクセル方式）の考え方
レゴピクセル方式とは、キャラクターのアイデンティティを構成する要素を、それ以上分割しにくい最小単位の「ブロック」に分解し、それぞれに固定値（参照画像、シード、テキスト記述、パラメータ）を割り当てる設計手法です。レゴブロックが規格化されているからこそ自由に組み替えられるのと同じで、キャラクターも規格化されたブロックの集合として扱うと、シーンをまたいでも崩れにくくなります。
アイデンティティを最小単位に分解する
分解の粒度は、実際に「変わってほしくない要素」で決めます。典型的には次のように分けます。
- 骨格ブロック：身長、頭身、肩幅、顔の縦横比
- 顔パーツブロック：眉の角度、目の間隔、鼻梁の高さ、唇の厚み、顎のライン
- 肌ブロック：肌色の色相、毛穴の密度、シミやほくろの位置
- 髪ブロック：分け目、生え際、長さ、質感、色のグラデーション
- 衣装ブロック：素材、縫い目、ボタンの数、ロゴの位置
- 小物ブロック：眼鏡、イヤリング、時計、傷跡
- 背景ブロック：場所、時間帯、光源の方向
重要なのは、これらを1枚の参照画像に全部詰め込まないことです。1枚に全部を担わせると、モデルは「顔らしさ」と「衣装らしさ」を同じ重みで混ぜてしまい、衣装を変えた瞬間に顔まで変わります。ブロックを分けておけば、衣装ブロックだけを差し替え、顔ブロックはそのまま固定できます。
固定シードと中間表現
ブロックを分けたら、次は「固定」の仕組みを用意します。実務では次の3点をセットで管理します。
- シード値：乱数の出発点。同じシード、同じプロンプト、同じ参照画像なら、出力はほぼ同じ方向に収束します。
- 参照画像セット：キャラクターの複数角度を含む画像群。
- プロンプトテンプレート：語順まで固定した文章。形容詞を足すときはテンプレートの末尾に追記する運用にします。
さらに有効なのが「中間表現」を作る考え方です。複数の参照画像を解析し、そのキャラクターの構造的な特徴をひとつの基準画像（マスター）としてまとめておき、各ショットはそのマスターを起点に生成します。元の参照画像を毎回ばらばらに渡すより、矛盾の少ない基準を1つ持つほうが、ショット間の揺れは小さくなります。
マルチイメージフュージョンでキャラクターのキーフレームを作る
動画をいきなり生成するのではなく、まず静止画のキーフレームを固めます。ここで使うのが複数参照画像の融合です。単一画像から作ると、モデルは見えていない側面を「それらしく」補完します。複数角度を渡すと、補完の自由度が下がり、同一性が上がります。
参照画像は何枚あれば足りるか
経験的には3〜7枚が実用的な範囲です。内訳の例を示します。
- 正面のニュートラル表情（必須）
- 斜め45度（頬骨と顎のラインを伝える）
- 真横に近い角度（鼻と耳の位置関係）
- 笑顔（口元の変化幅を示す）
- 別ライティング（影の落ち方を伝える）
7枚を超えると精度が上がるというより、矛盾した情報が増えて平均化が崩れるリスクが上がります。10枚のうち2枚で髪型が違えば、モデルはその中間を選び、結果として誰でもない顔になります。枚数を増やすより、矛盾を減らすほうが効きます。
構図の揃え方が精度を決める
見落とされがちですが、参照画像の「撮影条件」を揃えることは角度を揃える以上に重要です。
- 画角（同じレンズ感で撮る。広角で顔を近づけると歪み、パースが変わる）
- トリミング（頭頂から胸まで、など範囲を統一）
- 背景（無地または単色。背景の模様はキャラクターに混ざることがある）
- 色温度（暖色と寒色が混在すると肌色が濁る）
- 解像度（極端に低い1枚が全体を引き下げる）
参照画像を用意する段階で「キャラクターの資料集」を作る意識を持つと、後工程のやり直しが激減します。
フォトリアリズムとスタイル固定のバランス
一貫性を追い求めると、誰もが一度は「蝋人形」のような結果に到達します。肌がつるつるになり、目が硬直し、毛穴も反射も失われる。これは制御が強すぎる状態です。
解決策は、固定する層と揺らす層を分けることです。
- 固定する層：骨格、顔パーツの相対位置、髪の分け目、衣装の構造、小物の位置
- 揺らす層：肌のマイクロディテール、毛穴、細かい髪の毛の一本一本、目の反射、汗や皮脂、微妙な表情の筋
フォトリアリズムは「揺らぎ」から生まれます。人間の肌は均一ではなく、光の当たり方で見え方が毎フレーム変わります。ここまで固定してしまうと、実在感は失われます。逆に、骨格を固定せずに揺らぎだけを残すと、今度は別人化します。
実務的には、参照の強度を「高め」にしつつ、ディテール生成に関する記述は控えめにするのが安全です。テンプレートに肌の質感を事細かに書き込むと、モデルはその記述に引っ張られて画一的な肌を作ります。質感はモデルに任せ、構造だけを指定する発想が役立ちます。
また、スタイル参照とキャラクター参照は必ず分離してください。同じ1枚に「この絵柄」と「この人物」の両方を担わせると、絵柄を変えたときに人物も変わります。
実践ワークフロー：参照設計から動画書き出しまで
ここからは、実際の制作順序を追います。ポイントは「静止画で承認してから動かす」ことです。動画で失敗してから戻ると、修正コストは数倍になります。
ステップ1：キャラクター仕様書を作る
文章と画像をセットにした1枚の仕様書を用意します。項目は次のとおりです。
- 名前と役割（社長、案内役、選手など）
- 年齢感と体格（数値で書く。曖昧な形容詞は避ける）
- 肌の色相と質感の方向性
- 髪型、分け目、長さ、色
- 衣装の構成（上着、下衣、靴、素材）
- 変えてはいけない特徴（ほくろ、傷、眼鏡の縁の形）
- 変えてよい要素（表情の強さ、手の位置など）
「絶対固定」と「可変」を明文化することが、後のレビューを一気に楽にします。
ステップ2：リファレンスセットを構築する
仕様書に沿って参照画像を3〜7枚そろえ、命名規則を統一します。例として charA_front_01.png、charA_45_02.png のように、キャラクター名・角度・連番で管理すると、どのカットでどの参照を使ったかを追跡できます。
ステップ3：キーフレームを承認制で固める
完成尺10カットの動画なら、まず10枚のキーフレーム静止画を作ります。ここでチェックするのは次の点です。
- 顔パーツの相対位置が全カットで一致しているか
- 髪の分け目が左右反転していないか
- 衣装のディテール（ボタン、縫い目）が同じか
- 光源の方向と色温度が揃っているか
この段階で1枚でも違和感があれば、シードか参照を修正して作り直します。承認済みのキーフレームはフォルダを分けて保管し、動画生成ではここから動かします。
ステップ4：ショット分割とシード管理
ショットリストに、カット番号、尺、カメラの動き、使用シード、使用参照、プロンプトテンプレートIDを記録します。表計算ソフトで十分です。この表があるだけで、3日後に修正が必要になっても同じ状態を再現できます。
ステップ5：書き出しと品質チェック
生成した動画は、必ず等倍でなくてもよいので通しで見ます。チェックリストの例を示します。
- 目、歯、指、耳の崩れ
- 衣装のロゴや文字の変形
- フレーム間のちらつき（明るさの細かな振動）
- 影の向きの急変
- カットのつなぎ目での体型変化
問題が出たカットだけを再生成するのが基本です。全部を作り直すのは時間の無駄になります。
シーンをまたぐライティング・カメラ・衣装の連続性設計
キャラクターの一貫性は、顔だけでは成立しません。照明、レンズ、動きのベクトルが揃って初めて「同じ人物が同じ世界にいる」と感じられます。
- 光源の設計：メインライトの方向（左45度、上からなど）、色温度、強度比をショットリストに数値で書きます。シーンをまたぐと、ここが最も崩れやすい部分です。
- レンズ感の統一：広角に寄るほど顔のパースが強くなり、同じ人物でも印象が変わります。会話シーンは中望遠寄りに統一すると安定します。
- 目の高さと目線：カメラの高さをキャラクターの目の高さに合わせると、視聴者は同一人物として認識しやすくなります。
- 動きのベクトル：前カットで右へ歩いていた人物が、次カットで左へ歩き出すと、同一性以前に空間認識が壊れます。
- 衣装の連続性：衣服のしわや汚れは、物語の進行に応じて変化させますが、変化のタイミングはカット単位で管理します。
これらは地味ですが、視聴者が言語化できない違和感の大半はここに起因します。
よくある失敗パターンと対処法
ちらつきが出る
原因は参照画像の矛盾、またはディテール記述の過剰です。参照を減らして整合性を高め、テンプレートから質感の細かい指示を削ります。フレーム補間を使う場合は、ちらつきを平均化してしまうため、補間前の問題を先に解決します。
顔が溶ける・輪郭がぼやける
解像度不足か参照枚数の不足が典型です。輪郭が最も情報量を持つ斜め45度の参照を追加し、生成解像度を上げます。
別人物になる
プロンプトの記述ゆれが最大の原因です。テンプレートの語順を固定し、追加の形容詞は末尾にまとめます。シードの未固定も確認します。
動きが激しいショットで崩壊する
激しい動き、横顔、手で顔を覆う動作は崩れやすいポイントです。このようなカットは尺を短くし、カット割りで回避するか、参照に該当ポーズを追加します。
衣装や小物が勝手に変わる
衣装ブロックを文章だけで指定している場合に起こります。参照画像で固定し、変更したい要素だけを差し替える運用にします。
子供や高齢者のキャラクターが不安定
学習データの偏りにより、年齢の両極端は揺れやすい傾向があります。参照枚数を通常より1〜2枚増やし、表情のバリエーションを丁寧に用意します。
ツール選定の判断基準
ツールは流行ではなく、自分のワークフローに必要な機能で選びます。判断軸を整理します。
- 参照画像の扱い：複数参照に対応しているか、何枚まで渡せるか
- シード固定：同じ条件を再現できるか
- キーフレーム制御：開始フレーム・終了フレームを指定できるか
- 部分修正：顔だけ、衣装だけをピンポイントで直せるか
- 解像度と尺：配信先の要件を満たすか
- 再現性と外部連携：同じ手順を自動化・共有できるか
- アセット管理：参照画像と生成物をチームで整理できるか
コストは「1本あたりの料金」ではなく「1本完成させるまでのやり直し回数」で見積もるのが実務的です。一貫性設計ができているチームは、試行回数が半分以下になることが珍しくありません。
よくある質問
参照画像は何枚が最適ですか
3〜7枚が実用的な範囲です。正面と斜め45度は必須、可能なら横顔と表情違いを追加します。8枚以上は矛盾の混入リスクが上がるため、増やすより選別を優先します。
実写の素材を参照に使えますか
使えます。ただし権利関係の確認を必ず行ってください。また、照明条件の異なる写真を混ぜると肌色が濁るため、色温度を揃える処理を先に行います。
同じ人物を別の衣装で登場させられますか
可能です。顔ブロックと衣装ブロックを分離し、衣装だけを新しい参照に差し替えます。顔の参照はそのまま維持するのがポイントです。
横顔のショットは避けるべきですか
避ける必要はありませんが、崩れやすいのは事実です。横顔の参照画像を用意し、尺を短くし、必要なら横顔専用のシードを別途管理します。
アニメ調とフォトリアルを同じ作品で混ぜられますか
混在は可能ですが、参照を完全に分離してください。1枚の参照に両方の性質を担わせると、どちらつかずの結果になります。
一貫性を重視すると表現が貧しくなりませんか
構造を固定し、質感と表情の揺らぎを残せば、表現力は保てます。むしろ固定すべき層が明確になることで、演出に割ける注意力が増えます。
品質チェックにはどれくらい時間を割くべきですか
制作時間の2割程度を目安にしてください。カット単位で比較し、問題のあるカットだけを再生成する運用が最も効率的です。
まとめ：一貫性は「運」ではなく「設計」で作る
フォトリアルなAI動画でキャラクターを一貫させる鍵は、モデルの性能を祈ることではなく、入力の設計を規格化することにあります。キャラクターをブロックに分解し、各ブロックに参照画像とシードを割り当て、静止画のキーフレームで承認してから動かす。この順序を守るだけで、別人化、ちらつき、衣装の変質といった典型的な失敗のほとんどは予防できます。
最初に手間がかかるのは、キャラクター仕様書と参照セットの構築です。しかし一度作ってしまえば、それは資産として何本もの動画に使い回せます。シリーズ化、広告の展開、教育コンテンツの継続制作など、同じ人物を何度も登場させる場面ほど、この設計の価値は大きくなります。
まずは短い1カットから始めてください。仕様書を1枚書き、参照を3枚そろえ、キーフレームを2枚作って比較する。その小さな検証が、長い制作工程全体の安定性を決めます。
