フォトリアルなAI動画が「なんとなく不自然」になる理由
生成AIで作った映像を見て、多くの人が最初に覚える違和感は「画質が悪い」ではありません。むしろ解像度は高く、色も鮮やかで、構図も整っている。それなのに、数秒見ていると目が離れてしまう。この正体は、映像を構成する最小単位の扱いにあります。
従来の生成モデルは、フレーム全体を一枚の絵としてノイズから復元します。この方式は構図や雰囲気を作るのが得意な一方で、局所的なディテールを意図通りにコントロールするのが苦手です。「右頬の毛穴だけを整えたい」「革ジャケットの縫い目だけを強調したい」といった要求に対して、プロンプトという指示体系はあまりに粗すぎます。結果として、全体のバランスを取るために細部が平均化され、どこにでもあるような質感に落ち着いてしまいます。
さらに難しいのが、フレーム間の一貫性です。毎秒24枚以上あるフレームのそれぞれで、肌のきめや布の織り目がわずかに変化すると、脳はそれを即座に「本物ではない」と判定します。フォトリアリズムとは、静止画の美しさではなく、時間方向の安定性によって決まる部分が大きいのです。
三つ目の要因は、光と素材の整合性です。現実の被写体は、光源の位置・強さ・色温度に応じて反射の仕方が変わります。金属は鋭く反射し、布は拡散し、肌は内部で散乱します。この物理的な関係が崩れると、どれだけ高精細でも「合成っぽさ」が残ります。
つまり、フォトリアルな映像表現を目指すときの課題は、解像度を上げることではなく、単位を設計することにあります。本記事では、映像を小さな構成単位に分解して制御する考え方と、それを実際の制作工程に落とし込むワークフローを整理します。
ピクセル制御という発想：解像度ではなく「単位」を設計する
ここで言うピクセル制御とは、単に画素を増やすという意味ではありません。映像を意味のある小さなブロックに分解し、それぞれに構造・素材・光の情報を与えながら再構築するアプローチです。レゴブロックを組み上げるように、大きな塊を配置してから細部を差し替えていくイメージに近いと言えます。
映像をブロック単位で捉え直す
最初に決めるのは、その映像をどの粒度で扱うかです。実務では次の三層に分けると整理しやすくなります。
- マクロ層：シルエット、構図、カメラの動き、全体のライティング
- メゾ層：人物の顔、手、衣類、商品のパーツ、背景の主要オブジェクト
- ミクロ層：毛穴、産毛、織り目、傷、ほこり、反射の粒状感
失敗の多くは、マクロ層とミクロ層を同時に一つのプロンプトで操作しようとすることから生まれます。まずマクロで骨格を固め、メゾで形を整え、最後にミクロを足す。この順序を守るだけで、修正にかかる手戻りは大きく減ります。
マルチモーダル入力の組み合わせ方
現代の動画生成では、テキストだけでなく、静止画、深度マップ、法線マップ、セグメンテーションマスク、モーション参照などを組み合わせられます。重要なのは、どのモダリティに何を担当させるかを決めることです。
| 入力 | 得意なこと | 苦手なこと |
|---|---|---|
| テキスト | 雰囲気、状況、抽象的な指示 | 正確な位置と量 |
| 参照画像 | 色調、素材感、スタイル | 動きと時間変化 |
| 深度マップ | 奥行き、レイヤー分離 | 表面の質感 |
| セグメンテーション | 領域の限定と保護 | 自然な境界の生成 |
| モーション参照 | カメラと身体の動き | 質感の保持 |
たとえば人物カットでは、テキストで「夕方の窓辺、逆光、落ち着いた表情」を指定し、参照画像で肌の色調を固定し、深度マップで背景との距離を制御し、セグメンテーションで顔だけを保護する。この分担を決めておくと、生成結果が崩れたときに「どの入力が原因か」を切り分けられます。
実践ワークフロー：企画から納品までの7工程
ここからは、実際の案件を想定した工程を順に説明します。尺は15秒から30秒、納品は横16:9と縦9:16の両方、というよくある条件を前提にします。
工程1：目的と納品形式を先に決める
最初に決めるべきは、映像の用途です。広告なのか、作品のプリビズなのか、SNS用の短尺なのか。用途によって、必要なリアリズムの水準は変わります。スマートフォンの小さな画面で数秒だけ見られる動画に、毛穴レベルのディテールを追い込むのは過剰投資です。逆に、大画面での上映や商品のクローズアップでは、ミクロ層の作り込みが成否を分けます。
同時に、アスペクト比、フレームレート、尺、音声の有無、書き出し形式を確定します。縦横両対応が必要な場合は、最初から横長で作り、縦に切り出す際に被写体が収まる安全領域を意識して構図を組みます。後から切り出す前提を忘れて画面端まで情報を詰め込むと、縦型で破綻します。
工程2：リファレンスボードを作る
次に、視覚的な基準を集めます。ポイントは「きれいな画像を集める」ことではなく、判断基準になる画像を集めることです。
- 肌の色と質感の基準になる写真を2〜3枚
- 衣類や素材の基準を1枚
- ライティングとホワイトバランスの基準を1枚
- トーン全体の基準を1枚
集めた画像は、そのまま生成の参照に使うだけでなく、チーム内の共通言語として機能します。「もう少し温かく」といった曖昧な指示を、基準画像との比較で具体化できるからです。
工程3：キーフレームとスタイルを固定する
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作ります。冒頭、中間、ラストの3枚があれば十分です。この3枚で、人物の造形、衣装、色調、ライティングの方針を確定させます。
キーフレームが決まったら、その特徴を言語化して固定します。たとえば「肌はわずかに赤みを帯びた中間色」「ハイライトは柔らかく、鏡面反射は弱い」「影は青みがかったグレー」といった具合です。この記述をスタイル定義として保存し、以降のすべてのカットで使い回します。
キーフレームを先に作る利点は、失敗のコストが低いことです。静止画の段階で違和感を潰しておけば、動画生成で数百フレームを無駄にすることはありません。
工程4：マテリアルとライトを数値で指定する
質感の再現で効果が大きいのは、素材ごとの反射特性を意識して指定することです。
- 肌：拡散反射が強く、鏡面反射は弱い。表面下散乱により、影の境界がやや柔らかい
- 布：織り目に沿った微細な凹凸。光の当たり方で明度が細かく変化する
- 金属：鋭い鏡面反射と環境の映り込み。反射の中に周囲の情報が入る
- ガラス：屈折と反射の両方。背景が歪んで見える
- 木：年輪に沿った方向性のあるテクスチャ。塗装の有無で反射が大きく変わる
ライトは、光源の数と方向を減らすほどリアルに見えることが多いです。現実の撮影では、主要光源ひとつと補助光ひとつ、場合によっては反射板だけという構成が一般的です。光源を増やすと、影の方向が矛盾し、CGらしさが強まります。
工程5：生成と部分修正を反復する
生成は一発で決めるものではなく、段階的に近づけるものです。基本の流れは次の通りです。
- 全カットを低い解像度で生成し、構図と動きを確認する
- 問題のあるカットだけを選び、領域を限定して再生成する
- 質感が足りない部分にミクロ層の指示を追加する
- 全体を通して見て、色調と明度を揃える
重要なのは、全体を何度も作り直さないことです。修正は必ず領域を限定して行います。顔だけ、手だけ、背景だけというようにマスクで切り分ければ、他の部分が壊れるリスクを抑えられます。
工程6：動きとカメラを整える
フォトリアリズムを損なう最大の要因は、実は動きです。人の歩行、髪の揺れ、布のしわの変化、呼吸による肩の上下。これらが物理法則から外れると、どれだけ表面が精密でも嘘に見えます。
カメラワークも同様です。実際の撮影では、カメラは質量を持ち、急停止や急発進はできません。パンやティルトは等速に近く、手ぶれは低周波の揺れとして現れます。生成時にカメラの動きを指定する場合は、「ゆっくり一定速度で右へ」「わずかな手持ちの揺れ」といった現実的な制約を与えると安定します。
工程7：後処理・統合・書き出し
生成されたカットは、そのまま並べるだけでは一本の映像になりません。編集ソフトでつなぎ、カット間の色調を揃えます。具体的には、各カットのシャドウ、ミッドトーン、ハイライトの値を揃え、ホワイトバランスを統一します。
必要に応じて、粒子（グレイン）を軽く加えます。AI生成映像はノイズが少なすぎるため、逆に不自然に見えることがあります。フィルムグレインを全体に薄くかけると、実写との馴染みが良くなります。
最後に、書き出し時にビットレートとコーデックを確認します。高圧縮はブロックノイズを生み、せっかく作り込んだミクロ層の質感を消してしまいます。
一貫性を守るプロンプト設計の原則
長い尺の映像で一貫性を保つには、プロンプトの書き方に規則が必要です。
原則1：固定部分と可変部分を分ける。 人物、衣装、ライティング、色調は全カットで同じ記述を使います。変えるのはカメラの位置と被写体の動作だけです。
原則2：順序を固定する。 被写体、動作、環境、ライティング、カメラ、質感の順に書くと、モデルがどの情報を優先すべきか判断しやすくなります。順序をカットごとに変えると、結果も不安定になります。
原則3：形容詞より名詞を使う。 「美しい肌」ではなく「きめの細かい肌、自然な赤み、弱い鏡面反射」。形容詞は解釈の幅が広く、カットごとに違う結果を生みます。
原則4：否定形に頼らない。 「〜しないで」という指示は、多くの場合で無視されるか、逆にその要素を呼び込みます。避けたい要素は、代わりに望ましい状態を具体的に書きます。
原則5：数値で示せるものは数値で。 光源の角度、色温度、焦点距離、被写界深度。これらを数値で指定すると、カット間のブレが減ります。
被写体別の実践レシピ
人物の肌と髪
肌のリアリズムは、色よりも光の扱いで決まります。重要なのは、表面下散乱による「影の中の赤み」です。完全に暗い影ではなく、わずかに赤やオレンジが残るように指定します。また、産毛やうぶ毛を輪郭付近に残すと、背景との境界が自然につながります。
髪は、束の分離と一本単位のディテールを分けて考えます。まず大きな束の流れを決め、その上で毛先の遊びを加えます。すべての毛を同じ太さにすると、かつらに見えます。
商品・プロダクト
商品映像では、素材の正確さが最優先です。同じ「黒」でも、樹脂の黒、革の黒、金属の黒は反射がまったく異なります。参照画像を用意し、反射の鋭さと拡散の広がりを言語化して固定します。
また、製品の形状は変更してはいけません。ロゴ、パーツの配置、ボタンの数などは、生成に任せず、元の画像をマスクで保護しながら合成する方が安全です。
自然・風景
風景では、スケール感を出す要素が鍵になります。遠景の霞、中間層の木々、手前の草。この三層を意識して奥行きを作ります。空と地面の明度差を実写の範囲に収めることも重要です。空を明るくしすぎると、全体が白っぽくなり、リアリティが失われます。
建築・インテリア
直線が支配する被写体では、歪みが目立ちます。垂直線が垂直であること、パースが一点または二点透視で整理されていることを確認します。内装では、壁、床、天井の反射率の違いを明確にすると、空間の広がりが伝わります。
よくある失敗とリカバリー手順
失敗1：顔がカットごとに別人になる。 原因は参照の不足です。キーフレームから顔領域のマスクを作り、全カットで共有します。プロンプトの人物記述は一字一句同じにします。
失敗2：手や指が崩れる。 手は小さく、関節が多いため、生成の難所です。手が画面に大きく映るカットは、静止画段階で作り込んでから動かすか、手前に物を置いて隠す構図に変更します。
失敗3：テクスチャがのっぺりする。 解像度ではなく、ミクロ層の指示不足が原因です。素材ごとの凹凸、ほこり、使用感を追加します。
失敗4：カット間で色が飛ぶ。 各カットを個別に生成した場合に起こります。編集段階でカラーマッチングを行い、基準カットを決めて他を寄せます。
失敗5：動きが滑らかすぎる。 フレーム補間を強くかけすぎた結果です。人間の動きには加速と減速があります。補間の強度を下げ、必要なら手前の数フレームを残します。
失敗6：背景だけが別世界に見える。 被写体と背景を別々に生成した場合に起こります。背景のライティング方向と色温度を、被写体のそれに合わせます。
ツール選定の判断基準
ツールは流行ではなく、工程との相性で選びます。判断の軸は次のとおりです。
| 判断軸 | 確認すべきこと |
|---|---|
| 制御の粒度 | 領域指定やマスク編集ができるか |
| 一貫性 | 参照画像やスタイル固定の仕組みがあるか |
| 出力形式 | 必要な解像度とフレームレートに対応するか |
| 反復速度 | 修正のたびに待ち時間が長すぎないか |
| 連携 | 編集ソフトや合成ツールへ持ち出せるか |
| 学習コスト | チームが再現できる手順に落とせるか |
複数のツールを併用する場合も、役割を分けることが大切です。構図と動きを作る工程、質感を詰める工程、編集と統合の工程。それぞれに適したツールを割り当て、同じ作業を二重に行わないようにします。
品質チェックリスト
納品前に、次の項目を順に確認します。
- 垂直線と水平線が歪んでいないか
- 光源の方向が全カットで一致しているか
- 影の色が黒一色になっていないか
- 肌のハイライトが強すぎないか
- 素材の反射が物理的に妥当か
- カット間で人物の造形が一致しているか
- 動きの加速と減速が自然か
- 手、指、髪の境界が破綻していないか
- 全体の色調が基準カットに揃っているか
- 圧縮後に質感が残っているか
チェックは、必ず実寸ではなく想定視聴環境で行います。スマートフォンなら手元で、上映なら大画面で。見え方を変えるだけで、優先すべき修正点は変わります。
FAQ
Q. 解像度を上げればリアルになりますか。
なりません。解像度は情報量を増やしますが、光と素材の整合性は別問題です。むしろ低い解像度でも、ライティングと質感の指示が適切なら写真的に見えます。
Q. 何カットくらいから一貫性が崩れますか。
カット数そのものより、参照の管理方法が影響します。スタイル定義と共有マスクを用意していれば比較的長く保てますが、各カットを独立して生成すると数カットで崩れ始めます。
Q. 実写とAI生成を混ぜることはできますか。
可能です。実写にAI生成の要素を加える場合も、逆の場合も、グレイン、被写界深度、色収差といったカメラ由来の特徴を揃えることが馴染ませる鍵になります。
Q. 生成がうまくいかないとき、まず何を疑うべきですか。
プロンプトの長さです。情報を詰め込みすぎると、モデルは優先順位を決められず平均的な結果を返します。要素を削り、最も重要な三点だけを残して再試行します。
Q. 学習にどれくらい時間がかかりますか。
基本操作は数日で把握できますが、質感の再現は経験の積み重ねが必要です。素材ごとの反射特性を観察する習慣をつけると、上達が早くなります。
Q. 音声や音楽も同じ工程で作れますか。
映像と音声は別工程として扱うのが安全です。映像を先に確定し、カットの長さに合わせて音を当てる方が、タイミングのズレを防げます。
まとめ：単位を設計することがリアリズムへの最短距離
フォトリアルな映像表現は、モデルの性能を上げるだけでは到達できません。映像を意味のある単位に分解し、それぞれに構造・素材・光の情報を与え、時間方向に安定させる。この設計作業こそが、説得力のある画を作る中心です。
まずは15秒の短いカットで、キーフレームを3枚作り、スタイル定義を書き出し、一つの素材だけを徹底的に作り込んでみてください。肌なら肌、革なら革。一つの質感を納得いくまで仕上げると、その手順は他のあらゆる被写体に応用できます。派手なツールを増やすより、この反復の質を高めることが、結局は最短距離になります。
