マルチモデル時代の動画制作：なぜ1つのモデルでは足りないのか
生成AIを使った動画制作の現場では、ひとつのモデルを選んで使い続ける運用から、複数のモデルをショット単位で組み替える運用へと重心が移っている。理由は単純で、どのモデルも万能ではないからだ。人物の肌や髪、表情のニュアンスに強いモデルは、激しいカメラワークやアクションの物理挙動が苦手なことが多い。逆に、ダイナミックな動きや短尺のインパクトに強いモデルは、寄りの表情芝居で破綻しやすい。参照画像からの一貫性維持に長けたモデルは、自由な構図変更が苦手だったりする。
つまり「どのモデルが優れているか」という問い自体が、実務ではあまり役に立たない。役に立つのは「このショットでは何を優先するのか」を先に決め、その優先順位に合うモデルを割り当てる考え方だ。これを制作フローの設計として持っておくと、新しいモデルが登場したときに、既存の工程を壊さずに差し替えられる。
モデルの更新サイクルが速いことも、マルチモデル前提を後押ししている。半年前のベストプラクティスが今もベストとは限らないし、特定のモデルだけに最適化したプロンプトは、そのモデルのバージョンアップで急に効かなくなることがある。だからこそ、ツールの操作手順を暗記するよりも、工程の分解と受け渡しのルールを先に固めたほうが、長い目で見て強い。
もうひとつの変化は、視聴者の目が肥えたことだ。静止画の延長のような動画はすぐに見抜かれる。髪の毛の揺れ、まばたきの間隔、手の形、影の落ち方。こうした細部の説得力を積み上げるには、複数のモデルの得意分野を組み合わせるほうが現実的である。
PixVerseを中核に据える理由と、任せるべき範囲
PixVerseの強みは、短い尺のカットを素早く試せるテンポの良さにある。テキストから動画を生成する使い方と、1枚の画像を起点に動きを与える使い方の両方があり、縦動画から横長のシネマティックなカットまで、アスペクト比を切り替えながら検証できる。動きの強弱やカメラの動きを指示できるため、「まず動かして当たりを探す」工程に向いている。
得意なのはテンポの速いカット、被写体が大きく動くアクション、背景が流れるような移動ショット、そして短尺でインパクトを出す映像だ。逆に苦手なのは、長回しの演技、指先の細かい動作、文字を正確に表示させる場面、複数人物の絡み合いなど、ディテールの正確さが問われるショット。ここは別のモデルに任せ、PixVerseは「勢いと枚数」を担当させるのが現実的である。
役割分担の考え方を例で示すと、次のようになる。
- PixVerse：オープニングのつかみ、トランジション、Bロール、SNS向けの縦カット
- 写実特化型モデル：人物の寄り、肌や髪の質感、商品のクローズアップ
- モーション特化型モデル：アクション、カメラワークの激しいシーン
- 参照画像に強いモデル：キャラクターの一貫性が必要な連続カット
- 高速生成型モデル：ラフ検討、絵コンテ代わりの試作、尺の検証
この分担を決めておくと、撮影でいう「カメラを替える」感覚に近い判断ができるようになる。全部を1つのモデルで賄おうとすると、どこかで必ず妥協が生まれる。
制作パイプラインの全体像：7つの工程に分解する
マルチモデル運用が破綻する最大の原因は、どの工程でどのモデルを使うかを決めていないことだ。思いつきでモデルを切り替えると、トーンがばらつき、後戻りが増える。まずは工程を7つに分けて、それぞれの入出力を定義しよう。
プリプロダクション（工程1〜2）
工程1は企画とリファレンス収集だ。完成イメージに近い映像、写真、イラストを20〜30点集め、共通する要素を言語化する。色温度、レンズ感、光の方向、被写体との距離感。この言語化が、後のプロンプト設計の土台になる。
工程2はショットリストの作成。1カットを3〜5秒と定義し、各カットに「誰が」「何をし」「カメラはどう動くか」を書き出す。ここで重要なのは、各カットに優先度を付けることだ。表情の説得力が要るのか、動きの迫力が要るのか、情報を伝えることが目的なのか。優先度が決まれば、使うモデルは自動的に絞られていく。
生成（工程3〜4）
工程3はラフ生成。高速で回せるモデルを使い、1カットにつき4〜8案を一気に出す。この段階では完成度を追わない。構図と動きの方向性が合っているかだけを見る。
工程4は本生成。ラフで当たりを付けたカットだけを、本番用のモデルで再生成する。ここで参照画像やスタイル指定を厚めに渡し、画質と一貫性を引き上げる。ラフと本生成を分けるだけで、無駄な試行が大きく減る。
選別（工程5）
工程5は選別とつなぎ確認。採用カットを並べ、前後のモーションが連続しているかを確認する。被写体の移動方向、カメラの向き、光の当たり方がカット間で矛盾していると、どれだけ1枚1枚が良くても不自然になる。
仕上げ（工程6〜7）
工程6はポストプロダクション。つなぎの調整、アップスケール、フレーム補間、カラーの統一、音の設計を行う。工程7は書き出しと展開。縦横の比率違い、字幕の有無、尺違いなど、配信先ごとのバリエーションをここで作る。
モデル選定の判断基準：4つの軸で決める
モデル選びは好みではなく、基準で決める。実務で使える軸は次の4つだ。
軸1：画の説得力
人物の肌、髪、布の質感、光の回り方。寄りのショットや商品カットでは、ここが最優先になる。判断するときは、同じプロンプトを複数モデルに投げ、同じ構図で比較するのが早い。
軸2：動きとカメラ制御
動作の滑らかさ、物理的な自然さ、カメラ指示への追従性。アクションや移動ショットでは重要度が跳ね上がる。カメラの動きを指示しても意図どおりに動かないモデルは、どれだけ画が綺麗でも主役には据えられない。
軸3：反復速度
1案あたりの生成時間と、修正のしやすさ。ラフ段階では速度が正義であり、遅いモデルをラフに使うのは時間の浪費になりやすい。
軸4：生成コストと試行回数の設計
ここは見落とされやすい。単価が安くても、10回試さないと使える画が出ないなら実質的には高くつく。逆に単価が高くても1〜2回で決まるなら安い。つまり評価すべきは「1回あたりのコスト」ではなく「採用カット1本あたりのコスト」である。
| ショットの種類 | 優先する軸 | 向いているモデル特性 |
|---|---|---|
| 人物の寄り・表情 | 画の説得力 | 写実特化、顔の安定性が高い |
| アクション・移動 | 動きとカメラ制御 | モーション指示に強い |
| SNS用の短尺 | 反復速度 | 高速生成、縦比率に対応 |
| 連続カット | 一貫性 | 参照画像の反映が強い |
| ラフ検討 | 反復速度とコスト | 低コストで大量に出せる |
この表をチームの共有ドキュメントにしておくと、判断のばらつきが減る。
一貫性を守る：キャラクターとスタイルの固定術
複数モデルを使うと必ず問題になるのが一貫性だ。モデルが変われば、同じ人物でも顔立ちや肌の質感が微妙に変わる。ここを制御する技術が、マルチモデル運用の生命線になる。
キャラクターシートを作る
まず、主人公の設定資料を作る。正面、斜め45度、横顔、全身、表情違いを揃えた画像を6〜8枚用意する。理想的には、同じ照明条件で同じ衣装のものを揃える。これがあると、各カットで参照画像として渡す素材が一定になり、モデル間の揺れが小さくなる。
参照画像の渡し方
参照画像は「多いほど良い」わけではない。情報が多すぎると、モデルがどの要素を優先すべきか判断できず、結果がぼやける。基本は人物1枚＋スタイル参照1枚の2枚構成から始め、必要に応じて足す。構図を揃えたい場合は、ポーズ参照を追加する。
スタイルと色の固定
スタイルの一貫性は、プロンプトの語彙を固定することで担保する。たとえば「柔らかい逆光」「浅い被写界深度」「落ち着いたアースカラー」といった表現をテンプレート化し、全カットで使い回す。カットごとに語彙を変えると、同じモデルを使っていてもトーンがずれる。
色については、生成時に完璧を目指さず、後工程でまとめる前提で考える。撮影でいうグレーディングと同じ発想だ。全カットに共通のLUTやカラー調整をかけることで、モデル差がかなり吸収される。
シードとバージョン管理
同じ画を再現したいときは、シード値とプロンプトをセットで記録する。採用カットについては、使用モデル、バージョン、プロンプト、参照画像、シード、生成日時を1行のログに残す。これがないと、後から「あの画をもう一度」ができなくなる。
プロンプト設計の型：6要素テンプレート
プロンプトは才能ではなく、型で書く。6要素を決まった順番で並べるだけで、再現性が大きく上がる。
基本の6要素
- 被写体：誰が、何が、どんな見た目か
- 動作：何をしているか、どのくらいの速さか
- カメラ：距離、アングル、動き（固定、パン、ドリー、手持ち）
- 光：光源の種類、方向、硬さ
- 雰囲気：色調、質感、フィルム感
- 制約：尺、アスペクト比、避けたい要素
悪い例と改善例
悪い例：「かっこいい女性が歩いている動画」
改善例：「30代の女性が、雨上がりの夜の路地をゆっくり歩く。カメラは腰の高さで後ろから追従、浅い被写界深度。ネオンの反射が濡れた路面に映る。落ち着いた青緑のトーン、フィルムグレイン。5秒、縦9:16。」
悪い例：「商品が回転する映像」
改善例：「白いボトルが無地の背景でゆっくり時計回りに回転。カメラは固定、目線の高さ、正面。柔らかい拡散光を左上から。清潔感のある白基調、背景はごく薄いグレー。4秒、横16:9。」
悪い例：「ドラゴンが飛ぶ」
改善例：「巨大な竜が雲海の上を滑空する。カメラはやや下方から見上げ、ゆっくり右へパン。逆光の夕日が翼の膜を透過する。シネマティックで壮大、彩度はやや低め。6秒、横21:9。」
画像から動画へのコツ
画像を起点にする場合、プロンプトは「動きの指示」に絞る。見た目の説明を長々と書くと、元画像の情報と衝突して崩れる原因になる。書くべきは、被写体の動作、カメラの動作、動きの速さ、そして変化させたくない要素だ。「顔の形は変えない」「背景は固定」といった制約を明示すると安定しやすい。
ポストプロダクション：モデル差を消す仕上げ
生成しただけでは作品にならない。ここからの工程で、マルチモデル特有のばらつきを消していく。
つなぎとモーションの連続性
カットの切り替えで視線が迷子にならないよう、前カットの終わりの動きと次カットの始まりの動きを揃える。被写体が右へ歩いているなら、次カットも右方向の流れを残す。難しい場合は、モーション方向を意識したトランジションで橋渡しをする。
アップスケールとフレーム補間
生成解像度が不足している場合は、アップスケールをかける。ただし、やりすぎると質感がのっぺりするので、強度は控えめから始める。フレーム補間は動きの滑らかさを上げられるが、速いアクションでは逆に不自然な残像が出ることがある。動きの激しいカットでは無効にするか、強度を下げる判断も必要だ。
音とリズム
音は後付けではなく、カットの尺を決める段階から意識する。テンポの速いカットには短い効果音、余韻を残すカットには環境音。ナレーションを入れる場合は、先に音声を確定させてからカット尺を合わせたほうが修正が少なくて済む。
カラーの統一
最後に全体のカラーを揃える。各カットのホワイトバランスとコントラストを合わせ、共通のグレーディングをかける。ここを丁寧にやるだけで、別々のモデルで作ったことが分からないレベルまで持っていける。
よくある失敗とトラブルシューティング
顔が崩れる、別人になる
原因は参照画像の不足か、プロンプトの情報過多。対処は、キャラクターシートから最適な1枚を選び、見た目の説明を削って動作指示に集中すること。それでも不安定な場合は、顔が大きく映るカットだけ写実特化モデルに切り替える。
手や指が崩れる
多くのモデルが苦手とする領域だ。対処法は3つ。手を画面外に出す構図にする、手前に何かを置いて隠す、あるいは手のアップを避けてミディアムショットで撮る。どうしても必要な場合は、生成後に別のショットと差し替える前提で設計する。
動きが速すぎる、遅すぎる
プロンプトに速度の記述を入れる。「ゆっくり」「一定の速さで」といった表現は効きやすい。それでも合わない場合は、生成後の速度調整で対応する。スローモーションは補間と組み合わせると自然になる。
カット間でトーンが変わる
モデルを切り替えたことが原因。対処は、共通のスタイル語彙を全カットで使い回すこと、そして後工程でカラーを統一すること。加えて、カットの並び順を調整し、トーンの近いカットを隣接させるのも有効だ。
尺が足りない、余る
生成した尺と編集の尺が合わないのはよくある。最初から「採用する尺の1.5倍を生成しておく」と決めておくと、編集で困らない。余った部分は次カットの導入に使えることもある。
ループや繰り返しが不自然
短い尺を引き伸ばすと発生しやすい。対処は、そもそも長尺を必要としない構成にすること。あるいは別カットを挟んで視線をそらす。
チームで回すための運用設計
個人の制作なら感覚で回せるが、チームになると仕組みが必要になる。
命名規則とフォルダ設計
ファイル名は「プロジェクト_シーン番号_カット番号_バージョン」の形式に統一する。フォルダはシーン単位で切り、その中にラフ、採用、没、素材、音声を分ける。命名規則があるだけで、探す時間が大幅に減る。
レビューの観点を固定する
レビューでは「なんとなく違う」と言わない。観点を固定する。構図、動きの自然さ、キャラクターの同一性、色の連続性、尺、音のタイミング。この6項目をチェックリストにして、各カットを評価する。
分業の切り方
マルチモデル運用では、工程ごとに担当を分けやすい。プロンプト設計、生成、選別、編集。特に「生成」と「選別」を別の担当にすると、品質が上がりやすい。作った本人は自分の案に愛着を持ってしまうからだ。
よくある質問
モデルはいくつ使うのが適正ですか
制作規模にもよるが、実務では3〜4種類に絞ると管理しやすい。写実担当、モーション担当、高速ラフ担当、そして一貫性担当。これを超えると、プロンプトの互換性管理が難しくなる。
ラフと本番で別のモデルを使うのは問題ありますか
問題ない。むしろ推奨される。ラフは方向性の確認、本番は品質の追求と、目的が違うからだ。ただし、ラフの段階でキャラクターの見た目を固めておかないと、本番で別物になるので注意が必要だ。
一貫性を保つ最短の方法は
参照画像を固定し、スタイル語彙をテンプレート化し、カラーを後工程で統一する。この3点を守るだけで、多くのばらつきは解消できる。
プロンプトは何文字くらいが適正ですか
長ければ良いわけではない。6要素が過不足なく入っていれば、2〜4文で足りる。むしろ長すぎるプロンプトは、要素同士が衝突して意図が薄まる。
生成にかかる時間の目安は
高速モデルなら1案あたり数十秒、高品質モデルなら数分かかることもある。1カットにつき4〜8案出す前提で、工程全体の時間を見積もっておくと計画が崩れにくい。
音声やナレーションはどう組み合わせますか
先に音声を確定させ、その尺に合わせてカットを設計するのが効率的だ。逆順にすると、編集で何度も尺を調整することになる。
スマートフォンだけで完結できますか
短尺のSNS動画であれば十分可能だ。縦動画、テロップ、効果音まで含めてスマートフォンで完結できる。ただし、複数カットの色調整や細かい音の調整まで求めるなら、デスクトップの編集環境があったほうが有利になる。
失敗したカットは捨てるべきですか
捨てずに素材庫に入れておくのがおすすめだ。別のカットの部分差し替え、トランジションの素材、背景として再利用できることが多い。記録と保管のルールを決めておけば、資産として蓄積されていく。
