生成AI映像の「崩れ」はどこから来るのか
生成AIを使った映像制作が一般的になるにつれて、相談される悩みの種類もはっきりしてきました。もっとも多いのは「最初の数秒は美しいのに、途中でキャラクターの顔が変わる」「背景の建物がカットごとに形を変える」「指や小物の位置が毎回違う」という一貫性の崩れです。これは単純にモデルの性能が足りないという話ではありません。映像を「2次元の絵の連続」として扱い、フレームごとにピクセルの色を予測する方式では、奥行きや物体の内部構造の情報が明示的に保持されないという構造的な弱点があります。
視点がわずかに動いた瞬間、モデルは「もっともらしい別の形」を再構成します。その結果、腕が増える、家具が溶ける、ロゴの文字が別の文字に化けるといった現象が起こります。人間の目はこうした変化に非常に敏感で、数フレームの破綻でも「偽物だ」と感じ取ってしまいます。つまり一貫性の問題は、解像度やフレームレートを上げても解決しない類の問題です。むしろ高精細になるほど、破綻は目立つようになります。
本記事では、この課題をボクセル（体積を持つ小さな立方体）の考え方で捉え直し、実際の制作ワークフローに落とし込む手順を整理します。研究開発レベルの環境は必要ありません。一般的な生成ツールと、無料でも使える3Dツールの組み合わせで十分に再現できます。読み終えたときには、「なぜ崩れるのか」「どこを固定すれば崩れなくなるのか」「どのツールをどの順番で使うのか」を自分の言葉で説明できるようになっているはずです。
ピクセルとボクセルの違いを制作目線で理解する
2Dピクセルが苦手とすること
ピクセルは平面上の色情報です。横と縦の格子に色を並べるだけなので、シンプルで扱いやすく、画像生成とも相性が良い方式です。ただし「この物体の奥行きはどれくらいか」「裏側はどうなっているか」「内部に空洞があるか」といった情報を持ちません。そのため視点移動や遮蔽（オクルージョン）が絡むと、モデルは見えていない部分を推測で埋めるしかなくなります。推測が外れれば、形が変わり、色が変わり、輪郭がにじみます。これが生成映像の「崩れ」の正体です。
とくに問題になるのは、遮蔽の前後関係です。手前にあるはずのコップが背景の椅子の後ろに回り込んだり、逆に背景の柱が人物の前を横切ったりします。2次元の情報だけでは「どちらが手前か」を安定して判断できないためです。カメラが静止しているうちは誤魔化せても、少しでも動くと破綻が表面化します。
ボクセルが得意とすること
ボクセルは、空間を小さな立方体の集合として表現します。各立方体には色だけでなく、密度や素材の情報を持たせられます。重要なのは、物体が「面」ではなく「塊」として定義される点です。塊であれば、どの方向から見ても同じ形であることが保証されます。回り込んでも裏側が存在し、手前の物体が奥の物体を正しく隠します。生成AIにとってこれは強力な制約になり、あり得ない形へ逃げる余地を減らします。
もう一つの利点は、データの再利用です。同じブロックの集合を別のカットに読み込めば、形は自動的に一致します。キャラクターの頭身を数値で指定できるため、「なんとなく似ている別人」が生成される余地が減ります。
なぜ今この考え方が現実的になったのか
以前はボクセル表現はデータ量が重く、制作の現場で気軽に使えるものではありませんでした。しかし軽量な3Dツール、リアルタイムレンダリング、そして画像から3D形状を推定する技術が普及したことで、個人の制作でも扱えるようになりました。さらに生成モデル側も、深度や法線といった3次元の手がかりを扱えるようになり、「2Dの絵」と「3Dの構造」をつなぐ橋が現実のものになりました。ボクセルは特別な研究テーマではなく、一貫性を守るための「設計図」として使える段階に入っています。
ボクセル的思考がAI映像の一貫性をどう支えるか
キーフレームを「形の契約」として固定する
映像制作でいちばん効くのは、主要なキーフレームで物体の形を確定させ、それをシーン全体の契約として扱うことです。キャラクターの頭身、髪のボリューム、持ち物のサイズ、背景の建物の階数といった要素を、最初に決めた数値と形で固定します。ボクセル的に考えると、これは「ブロックの個数と配置を決める」作業に相当します。以後のカットは、その契約を破らない範囲で動かすだけです。芸術的な自由は減るように見えますが、実際には「崩れない自由」が手に入ります。
たとえば、主人公が持つ鞄のサイズを「体の横幅のおよそ3分の1」と決めたとします。すると別のカットで鞄が突然大きくなったり小さくなったりすることは、技術的に起こりにくくなります。決め事が増えるほど、生成モデルの気まぐれが入り込む隙間が減るのです。
ライティングと素材を構造から切り離す
崩れの大きな原因は、形と光が同時に変わってしまうことです。ボクセルの考え方では、まず形（ジオメトリ）を決め、次に素材（マテリアル）を決め、最後に光（ライティング）を決めます。順番を分けることで、どこで破綻したかを切り分けられます。たとえば「顔は合っているが肌の質感だけがカットごとに変わる」なら、問題は形ではなく素材設定にあります。原因が特定できれば、修正は1つの工程に絞れます。
この分離は、プロンプト設計にもそのまま応用できます。形状を指定する語、素材を指定する語、光を指定する語を混ぜずに書くほうが、結果が安定します。「人物が立っている」「髪は短く、輪郭は直線的」といった形の指示と、「マットな布、わずかに繊維が見える」といった素材の指示を別の行に分けるだけでも、再現性は変わります。
「内容」と「スタイル」を分けて考える
破滅的忘却という言葉があります。新しいスタイルを覚えさせると、それまで覚えていた内容を忘れてしまう現象です。ボクセルのように構造を明示しておくと、内容（何が、どこに、どの大きさで存在するか）とスタイル（どんな質感で、どんな光で描くか）を分離しやすくなります。参照画像を差し替えても構造は保たれ、構造を変えてもスタイルは保たれる。この分離が、シリーズ物や複数カットの制作で効いてきます。
実際の現場では、構造を決める工程とスタイルを決める工程を、別の担当者に分けることもあります。ディテールに詳しい人が構造を担当し、色や光に強い人がスタイルを担当する。役割を分けたほうが、互いの決定を壊しにくくなります。
実践ワークフロー：プリプロから書き出しまで
ステップ1：世界の最小単位を決める
最初に決めるのは、作品世界のスケール感です。人物の身長を何センチとするか、ドアの高さは何センチか、机の天板は何センチか。これを先に決めておくと、後のカットで家具が巨大化したり、部屋が急に狭くなったりする事故を防げます。3Dツールを使う場合は、1メッシュの大きさを1メートルに統一するのが扱いやすい方法です。生成ツールしか使わない場合でも、参照画像に定規代わりの物体（A4の紙、ペットボトル、椅子）を入れておくと、後から比率を確認できます。
ステップ2：アセットをブロックに分解する
キャラクターや背景を、大きな塊に分解して考えます。頭、胴、上腕、前腕、脚、足。背景なら、床、壁、窓、主要な家具。この粒度で構造を決めると、破綻したときにどの塊がおかしいのかを特定しやすくなります。逆に細かく分解しすぎると管理が破綻します。目安として、1つのアセットにつき5〜15ブロック程度が扱いやすい範囲です。
分解したら、それぞれに「変えてはいけない属性」を書き出します。色、素材、おおよその寸法、位置関係。これをテキストファイルかスプレッドシートにまとめておくと、チーム内での共有が楽になります。
ステップ3：キーフレームと参照セットを作る
同じキャラクターを複数カットで使う場合、正面・側面・斜めの3方向の参照画像があると安定します。可能なら表情違い、ライティング違いも用意します。参照画像は、可能な限り同じ光源条件で作るのがポイントです。あるカットは逆光、別のカットは順光だと、モデルは素材の色そのものを推測し直してしまいます。
背景についても同様に、同じ場所を別角度から見た参照を2〜3枚用意します。これがあるだけで、カメラが回り込んだときの破綻が大きく減ります。参照画像は解像度よりも「整合性」を優先してください。低解像度でも方向が揃っているほうが役に立ちます。
ステップ4：ショットを分けて動きを指定する
1つの長いショットで物語を語ろうとすると、後半ほど崩れやすくなります。3〜5秒のショットに分け、それぞれに「カメラの動き」「被写体の動き」「変化してよい要素」を明記します。たとえば「カメラは左へパン、人物は軽くうなずく、服装と背景は固定」といった具合です。
カメラの動きは、生成が苦手な順に並べると理解しやすくなります。固定カメラが最も安定し、次にゆっくりしたパン、続いてドリー、もっとも難しいのが回り込みや手持ち風の揺れです。予算とスケジュールに余裕がない場合は、難しい動きを後回しにし、まず固定カットで映像を完成させる進め方が現実的です。
ステップ5：仕上げとバージョン管理
生成したクリップは、そのまま並べるのではなく、軽い色調整とノイズの統一を挟みます。カットごとに微妙に違う粒子感や色温度は、一貫性の印象を大きく損ないます。編集ソフトでカット間の色を合わせるだけで、見た目の統一感は格段に上がります。
バージョン管理も欠かせません。プロンプト、参照画像、使用モデル、設定値、書き出し日を1行のメモとして残しておくと、後から「あのときの状態」を再現できます。ファイル名に日付と連番を入れるだけでも十分です。名前を付けずに上書きを繰り返す運用は、後戻りできない事故につながります。
運用のコツ：レビューと再生成の線引き
すべての崩れを再生成で直そうとすると、時間がいくらあっても足りません。目安として、視聴者が気づくレベルの破綻（顔、手、文字）は再生成、気づきにくい破綻（背景の小物、遠景の質感）は編集で隠す、という線引きを決めておきます。この基準をチームで共有しておくと、判断が速くなります。
一貫性を保つための具体テクニック
参照画像は「3点セット」で用意する
参照は数より組み合わせが重要です。正面、斜め45度、横の3枚を基本とし、必要に応じて真後ろを足します。同じキャラクターでも、光の方向が違う参照を混ぜると、モデルは形と光を同時に推測しようとして崩れます。撮影であれば同じ時間帯、生成であれば同じ光源設定で作り直すのが基本です。
プロンプトで形状・素材・スケールを言語化する
プロンプトは文章ではなく設計メモだと考えます。形状の行、素材の行、スケールの行、カメラの行、動きの行。行ごとに役割を分けて書くだけで、どこを変えたときに何が変わるのかが追いやすくなります。とくにスケールの記述は見落とされがちですが、「人物の肩幅は画面幅のおよそ4分の1」といった指示は、構図の安定に直接効きます。
カメラワークと時間軸を管理する
時間の扱いも一貫性の一部です。同じシーン内で、あるカットは夕方、別のカットは昼という状態は避けます。もし時間経過を描きたいなら、意図的に変化させ、その変化をショット単位で管理します。意図しない変化と意図した変化を区別できることが、プロの進行管理です。
ツール選定の判断基準
チェックリスト
ツールを選ぶときは、次の観点で比較します。第一に、参照画像を何枚まで同時に扱えるか。第二に、カメラワークを数値やキーフレームで指定できるか。第三に、シード値を固定して再現できるか。第四に、書き出し形式と解像度が編集工程に合うか。第五に、1カットあたりの生成時間と費用が制作本数に見合うか。
| 観点 | 確認したいこと | 影響する工程 |
|---|---|---|
| 参照の数 | 複数枚を同時に条件指定できるか | キャラクター設計 |
| カメラ制御 | 動きを指定・固定できるか | 撮影設計 |
| 再現性 | 同じ設定で同じ結果が出るか | 修正・差し替え |
| 出力形式 | 編集ソフトに取り込めるか | 仕上げ |
| 所要時間 | 1カットの生成にかかる時間 | スケジュール |
用途別の組み合わせ例
短尺のSNS動画では、生成ツール1本で完結させるほうが速いことが多いです。一方、キャラクターが繰り返し登場するシリーズ物では、3Dツールで構造を作り、生成ツールで質感を作る分業が向いています。商品映像では、実写と生成を混ぜる手法が現実的です。実写で撮った手元や質感を基準にし、生成側で背景や演出を補うと、破綻のリスクを抑えつつ制作費を圧縮できます。
複数のツールを使う場合は、どれを「正」とするかを最初に決めます。構造の正は3Dツール、色の正は参照画像、動きの正は編集タイムライン、というように役割を決めておけば、ツール間で矛盾が起きたときの判断がぶれません。
よくある失敗とリカバリー
失敗の多くは、原因が特定できれば数分で直せます。逆に原因が分からないまま再生成を繰り返すと、時間だけが消えます。代表的なパターンを整理しておきます。
第一に、顔がカットごとに別人になるケース。原因は参照画像の不足か、光条件の不一致です。対策は、同じ光源で作った3方向の参照を用意し、シードを固定することです。第二に、手や指が崩れるケース。原因は解像度と構図です。対策は、手を画面の端に逃がす、手袋や小物で隠す、あるいは手のアップを別カットとして独立させることです。第三に、背景の文字が化けるケース。対策は、文字を生成に任せず、編集ソフトで後から合成するのが原則です。
第四に、色温度がカットごとに揺れるケース。対策は、書き出し後に編集ソフトで統一のLUTや色調整を適用することです。生成段階で完璧を目指すより、仕上げ工程で吸収するほうが効率的です。第五に、動きが速すぎて残像が汚くなるケース。対策は、モーションの速度を落とすか、フレーム補間を編集側で行うことです。
第六に、何度生成しても同じ場所が崩れるケース。これは構造そのものが無理をしている可能性があります。たとえば細い線が交差する構造、透明な物体の重なり、鏡の反射。これらは別カットに分けるか、実写素材と組み合わせるのが現実的な解決策です。
応用シナリオ：どこで効くのか
商品・EC映像
商品は形状が命です。ボトルの輪郭、パッケージの角、ロゴの位置が1ミリでも変わると、視聴者は違和感を覚えます。ボクセル的に主要な寸法を固定し、回転カットを3D側で作ってから質感だけを生成で乗せる進め方は、この用途と相性が良い方法です。
キャラクターアニメーション
シリーズ物では、同じ人物が何十カットにも登場します。頭身、髪型、服装のパーツ数を設計図として持ち、カットごとに参照を差し替える運用にすると、破綻が激減します。表情のバリエーションは参照の枚数で担保し、体の構造は変えない、という切り分けが有効です。
教育・解説コンテンツ
図解や手順説明では、同じ物体が何度も登場します。色と形を固定し、動きだけを変化させると、視聴者は内容に集中できます。逆に、毎回デザインが変わると、たとえ内容が正しくても理解度は落ちます。一貫性は演出ではなく、理解を支える基盤です。
よくある質問（FAQ）
ボクセルを使うには3Dソフトの習得が必須ですか
必須ではありません。考え方としてボクセル的に構造を決めるだけでも効果があります。ただし、簡単な3Dツールを触れると作業効率は大きく変わります。ブロックを置いて寸法を確認する程度の操作で十分です。
参照画像は何枚あれば足りますか
正面・斜め・横の3枚が実用的な最小構成です。カメラが真後ろに回るカットがあるなら、後ろ姿を追加します。枚数を増やすより、光条件を揃えるほうが効果は大きいです。
生成がうまくいかないとき、最初に何を見直すべきですか
まず参照画像の整合性、次にプロンプトの行分け、最後にシード値です。多くの場合、原因は参照画像の光の不一致か、1つの行に複数の指示を詰め込んでいることです。
一貫性を優先すると、表現の幅が狭くなりませんか
狭くなるのは「形の自由度」だけで、光や色、カメラワークの自由度はむしろ広がります。構造が安定すると、演出の変化が意図として伝わるようになります。
少人数のチームでも運用できますか
運用できます。むしろ人数が少ないほうが決定が速く、一貫性は保ちやすくなります。重要なのは、決定事項を記録し、全員が同じ設計図を見られる状態にすることです。
既存の制作フローにどう組み込みますか
企画段階で構造を決め、絵コンテ相当の工程で参照を作り、生成段階でカットを分ける。既存の工程に「構造の決定」という1ステップを足すだけで、後工程の手戻りが減ります。
まとめ
生成AI映像の一貫性は、モデルの性能だけで決まるものではありません。映像を2次元の絵の連続として扱う限り、奥行きと内部構造の情報は失われ、視点が動くたびに推測が入り込みます。ボクセルという考え方は、その推測の余地を減らすための設計手法です。形状を塊として定義し、キーフレームで契約を固定し、素材と光を後から決める。この順番を守るだけで、破綻は目に見えて減ります。
今日から始められる最初の一歩は、手元の作品の主要なアセットを5〜15のブロックに分解し、それぞれの寸法と素材をテキストに書き出すことです。派手な作業ではありませんが、この1枚の設計メモが、以後のすべてのカットの安定性を左右します。技術は手段であり、目的は伝わる映像を作ることです。構造を整え、演出に集中できる環境を整えていきましょう。
