一貫したキャラクターとは何か：単発生成と連続映像の決定的な違い
AI動画生成ツールを使い始めたばかりの頃は、1本の短いクリップが思い通りに動くだけで大きな満足感が得られます。海辺の夕暮れ、雨に濡れたネオン街、蛍光灯の下の実験室。テキストで情景を指定すれば、驚くほど自然な映像が返ってきます。ところが、同じ人物が登場する3本、5本、10本のカットをつないだ瞬間、視聴者はある種の違和感を覚えます。顔の輪郭がわずかに変わり、髪の長さが揺れ、服の色味がカットごとにずれていく。これがキャラクタードリフトと呼ばれる現象です。
単発の映像生成と、複数カットで構成されるシーケンスの制作は、似ているようで根本的に別の作業です。前者は「その瞬間の説得力」を競う作業であり、後者は「時間をまたいだ同一性の維持」を競う作業です。この違いを理解せずに制作を進めると、どれだけ各カットの品質が高くても、最終的な作品は破綻して見えます。
単発生成が得意なこと、苦手なこと
テキストから数秒の映像を作る技術は、情景の描写や雰囲気の再現において非常に高い性能を持っています。光の質感、粒子の舞い方、カメラのわずかな揺れといった要素は、プロンプトの工夫だけで大きく向上します。一方で、苦手なのは「同じものをもう一度」という要求です。同じ人物、同じ服装、同じ部屋をもう一度出そうとすると、モデルは毎回わずかに異なる解釈を返します。
カット割りが増えた瞬間に崩れる理由
動画生成モデルは、与えられた条件から確率的にフレームを組み立てます。条件が強いほど出力は安定し、条件が弱いほどモデルは学習データの平均的な人物像へと寄っていきます。1カットだけなら気にならない程度の差でも、カットが連続すると差が蓄積され、視聴者には明白な不一致として認識されます。
「似ている」と「同一人物」の差
似ている肖像を作ることはできます。しかし、物語が求めるのは同一人物です。同一性は、輪郭、目尻の角度、眉の太さ、鼻筋、髪の分け目、体型、服装のディテール、歩き方といった多数の要素が同時に保たれて初めて成立します。つまり一貫性とは、単一の特徴を固定する作業ではなく、多数の特徴を同時に固定する作業です。
キャラクタードリフトが起きる仕組みを理解する
対策を考える前に、なぜ崩れるのかを正確に把握しておく必要があります。原因を誤解したままプロンプトを書き足しても、問題は解決しません。
モデルはフレームを独立した画像として扱いがち
多くの動画生成モデルは、内部で各フレームを画像生成の問題として処理します。フレーム間に時間的な記憶が十分に働かない場合、前のフレームで成立していた人物の特徴は、次のフレームで再解釈されてしまいます。結果として、カメラが動いた瞬間に顔立ちが変わるという現象が起こります。
参照情報が薄いと平均顔に寄っていく
キャラクターの具体的な情報を与えずに「30代の女性」とだけ指定した場合、モデルは学習データに存在する無数の30代女性の平均的な姿を出力します。これは特定の誰かではなく、統計的な平均です。平均は毎回わずかに異なる位置に現れるため、安定しません。
服装・髪型・体格はもっと崩れやすい
顔よりも崩れやすいのが、服装、髪型、体格、アクセサリーです。特に柄物の服、編み込みなどの複雑な髪型、筋肉質な体型は、カットをまたぐと再現度が落ちやすくなります。顔だけを固定しても、服装が変われば視聴者は別人だと判断します。
動きの激しさと一貫性のトレードオフ
激しいアクション、早いカメラワーク、頻繁な遮蔽物の通過は、いずれも一貫性を損なう要因です。動きが大きいほどモデルは形状を推測する必要が増え、推測の余地が増えるほど個体差が生まれます。一貫性を最優先する場面では、動きの設計を意図的に控えめにする判断も必要です。
マルチ画像融合という解決アプローチ
キャラクターの同一性を保つための最も実用的な考え方が、複数の参照画像を組み合わせてモデルに渡す方法です。ここでは仕組みと考え方を整理します。
複数の参照画像を「記憶」として与える
1枚の参照画像は、そのアングルと照明におけるキャラクターの情報しか持っていません。正面の1枚だけで横顔を作ろうとすれば、モデルは推測します。正面、斜め、横、背面、笑顔、真顔といった複数の参照画像を渡すことで、モデルはキャラクターの三次元的な構造を推測しやすくなり、結果としてカット間の揺れが減ります。
テキストプロンプトと参照画像の役割分担
テキストプロンプトは「何が起きるか」を指定するのに向いています。歩く、振り返る、窓の外を見るといった行動や、カメラの位置、光の方向、時間帯の指示です。一方、参照画像は「誰が」を固定するのに向いています。この役割分担を混同すると、プロンプトが長くなるほど人物の記述が薄まり、一貫性が下がるという逆説的な結果になります。
参照画像の枚数と品質のバランス
参照画像は多ければよいというものではありません。照明条件がばらばらで、画角も背景も異なる画像を大量に渡すと、モデルはどれを基準にすべきか判断できず、平均化された別人を作り出します。実務的には3枚から8枚程度、同じ人物であることが明確で、画質が均質なセットが扱いやすいと言えます。
参照画像セットの作り方
一貫性の8割は、生成を始める前の準備で決まります。ここからは具体的な準備手順を説明します。
キャラクター設定書を先に作る
最初に作るべきは映像ではなく、テキストの設定書です。年齢、性別、体型、身長の印象、髪色と髪型、瞳の色、肌のトーン、服装の各パーツ、アクセサリー、そして性格や歩き方の傾向まで書き出します。この設定書は、プロンプトの固定部分の原稿になります。
必要なアングルと表情のリスト
ストーリーの中で実際に使うアングルを先に洗い出します。会話シーンが多いなら顔のアップと斜め45度、移動シーンが多いなら全身の横と背面が必要になります。使わないアングルの参照画像を大量に用意しても、生成の役には立ちません。
照明と背景の条件をそろえる
参照画像は、できれば同じ照明条件でそろえます。屋外の強い日差しと室内の柔らかい光が混在すると、肌の色味や影の落ち方が変わり、モデルはどちらが正しい肌色か判断できなくなります。背景もシンプルで統一されている方が、人物の抽出精度が上がります。
避けたい参照画像のパターン
避けたいのは、極端な逆光、顔の半分が隠れている構図、強いフィルター加工、低解像度の画像、そして顔が小さすぎる引きの構図です。また、第三者が写り込んでいる画像は、モデルが別の人物の特徴を混入させる原因になります。
生成ワークフロー：7つのステップ
ここからは、実際の制作を7つのステップに分解して説明します。短い動画でも、この順序を守ることで手戻りが大きく減ります。
ステップ1：キャラクターの固定要素を言語化する
設定書をもとに、絶対に変えてはいけない記述を10項目以内に絞ります。項目が多すぎるとプロンプトが冗長になり、モデルが優先順位を誤ります。髪色、髪型、瞳の色、肌のトーン、服装の上着、ボトムス、靴、体型、年齢感、印象的な特徴の10項目が目安です。
ステップ2：参照画像を3枚から8枚に絞る
アングル別、表情別に参照画像を選びます。選定基準は「その画像1枚だけで、この人物だと説明できるか」です。微妙に異なる似た画像を並べるより、正面・斜め・横・全身といった違いのある画像の方が情報量が多くなります。
ステップ3：ショットリストを作る
映像全体をカット単位に分解し、各カットについて、画面サイズ、カメラの動き、人物の動作、背景、時間帯、感情を表にまとめます。この表があることで、生成時に毎回ゼロから考える必要がなくなり、判断が安定します。
ステップ4：プロンプトをテンプレート化する
固定部分と可変部分を分けてテンプレートを作ります。固定部分には人物の記述と参照画像の指定を置き、可変部分には動作、カメラ、背景、光を入れます。テンプレート化により、カット間で記述の書き漏らしが起きにくくなります。
ステップ5：1カットずつ検証する
生成したら、必ず1カットずつ確認します。確認すべきは、顔の同一性、服装の一致、髪型の再現、背景の整合性、そして動きの自然さです。複数カットをまとめて評価すると、差が相対化されて見落としが増えます。
ステップ6：崩れたカットを部分修正する
失敗したカットは、全体を捨てるのではなく、原因を切り分けます。人物が崩れているなら参照画像の構成を見直し、動きが不自然ならカメラ指定を弱め、色味が違うなら照明の記述を調整します。原因を1つずつ変えて再生成することが、結果的に最短の修正方法になります。
ステップ7：編集で連続性を仕上げる
最後に編集ソフトでカットをつなぎ、色調をそろえます。カット間のわずかな色温度差や明るさの差は、グレーディングである程度吸収できます。また、カットの長さを短くして切り替えを速くすると、視聴者が差異に気づく時間が減り、体感の一貫性が上がります。
プロンプト設計の実践テクニック
ワークフローの中で最も差が出るのがプロンプトの書き方です。ここでは実務で効果の大きい技法を整理します。
固定記述と可変記述を分離する
プロンプトを書くときは、常に「変わらない部分」と「このカットだけの部分」を意識的に分けます。固定記述は毎回同じ順序、同じ語順で書くのが理想です。語順が変わると、モデルが受け取る重み付けも変わることがあります。
人物の記述は形容詞より名詞で
「美しい」「かわいい」といった評価の形容詞は、出力を不安定にします。代わりに「面長の輪郭」「切れ長の目」「太めの眉」「肩までのストレートヘア」といった名詞的な記述を使うと、再現性が高まります。形容詞はモデルにとって解釈の余地が大きく、その余地が個体差になります。
カメラワークとライティングを明示する
一貫性は人物だけの問題ではありません。カメラの高さ、レンズ感、被写界深度、光源の方向と色温度を指定することで、カット間の画のトーンがそろいます。特に光源の方向は、顔の影の付き方を左右するため、同一人物に見えるかどうかに直結します。
ネガティブ指定の使いどころ
ネガティブ指定は、崩れの傾向が特定できたときに絞って使います。たとえばカットごとに髪が短くなる傾向があるなら「短い髪」を除外し、背景が毎回変わるなら「異なる背景」を除外します。闇雲に大量の除外語を並べると、出力が硬直的になり、動きの自然さが失われます。
シードと再現性の関係
同じ条件で同じ結果を得たい場合、乱数シードの固定が有効です。ただしシードを固定すると、動きのバリエーションも固定されます。人物の同一性を優先するカットでは固定し、動きの豊かさが欲しいカットでは変更する、という使い分けが実践的です。
シーン別の活用例
一貫性の要件は、用途によって求められる水準が異なります。代表的な4つの場面で考えてみます。
SNS向けショート動画
縦型の短い動画では、1カットあたりの尺が短く、切り替えも速いため、多少の差異は目立ちにくくなります。ただし、シリーズとして毎回同じ人物を登場させる場合、初回の印象が基準になります。シリーズの第1話で参照画像セットを確定させ、以降はそれを再利用する運用が効率的です。
教育・解説コンテンツ
解説動画では、話者が毎回同じ人物であることが信頼感に直結します。顔のアップが長時間続くため、目の形や肌の質感のわずかな差も気づかれます。参照画像は正面と斜めの2枚を高解像度で用意し、照明条件を徹底的にそろえることが有効です。
広告キャンペーン
広告では、ブランドの世界観と人物の印象が結びつきます。複数のカット、複数の媒体、複数の尺で同じ人物を出す必要があるため、最初に参照画像セットとプロンプトテンプレートを資産として確立しておくことが重要です。この資産化を怠ると、媒体ごとに人物が変わり、認知の蓄積が起きません。
インディー映画のパイロット制作
自主制作の映像では、編集の自由度が高い反面、カット数が多く、照明条件も多様になります。夜のシーン、室内、屋外をまたぐ場合は、参照画像も条件別に複数セット用意します。1つのセットで全シーンをまかなおうとすると、どこかで破綻します。
よくある失敗と回避策
実務で繰り返し発生する失敗には、共通のパターンがあります。それぞれの原因と対策を整理します。
失敗1：参照画像を増やしすぎて別人になる
意図：情報を増やして安定させたい。
実際：条件の異なる画像が混ざり、平均化された人物が出力される。
対策：3枚から8枚に絞り、照明条件をそろえる。
失敗2：プロンプトが長すぎて人物記述が埋もれる
意図：細部まで指定したい。
実際：文章が長くなるほど、人物に関する記述の相対的な重みが下がる。
対策：人物記述は短く固定し、情景の記述を別の文に分ける。
失敗3：背景まで一貫させようとして破綻する
意図：世界観を統一したい。
実際：背景の固定に意識が向き、人物の一貫性が後回しになる。
対策：人物の一貫性を最優先し、背景はカットごとに許容する。
失敗4：1カットずつ見ずに全体で判断する
意図：効率よく確認したい。
実際：相対比較になり、差異を見落とす。
対策：必ず1カットずつ、等倍で確認する。
失敗5：動きを盛りすぎて形状が崩れる
意図：見栄えのする映像にしたい。
実際：激しい動きは形状推測を増やし、顔や服が崩れる。
対策：一貫性優先のカットでは動きを控えめにし、編集で緩急をつける。
ツール選定の判断基準
一貫性を重視する制作では、ツール選びの基準も変わります。見た目の派手さではなく、次の観点で比較することを勧めます。
参照画像を複数受け付けるか
複数の参照画像を同時に渡せるかどうかは、一貫性の出発点です。1枚しか受け付けないツールでは、アングルをまたぐ安定性に限界があります。
参照の強度を調整できるか
参照画像の影響度を数値で調整できると、カットごとに「人物の同一性」と「動きの自由度」のバランスを取れます。この調整幅があるかどうかは、実務での使いやすさに直結します。
カメラと動きの制御ができるか
カメラの移動、ズーム、被写体の動作を個別に指定できると、カット間の連続性を設計しやすくなります。指定できない場合、一貫性は運任せになります。
出力の解像度と尺
解像度が低いと、顔の細部が潰れて差異が判別しにくくなります。また、1回の生成で得られる尺が短いほど、カット数が増え、一貫性を保つ難易度が上がります。用途に対して十分な解像度と尺があるかを確認します。
反復生成のしやすさ
同じ条件で何度も生成し、比較する作業がどれだけ簡単かも重要です。履歴の管理、パラメータの再利用、部分的な再生成といった機能は、作業時間に大きく影響します。
編集工程との接続
生成した素材を編集ソフトに持ち込む流れがスムーズかどうかも確認します。色調をそろえる工程を前提にすると、生成段階でそろえるべき項目が明確になります。
FAQ
キャラクターの一貫性を保つために最低限必要な参照画像は何枚ですか
用途にもよりますが、顔のアップが多い作品では正面と斜め45度の2枚、全身が写る作品では正面、斜め、横、背面の4枚が実務的な最低ラインです。表情のバリエーションが必要な場合は、笑顔と真顔を加えます。重要なのは枚数より、照明条件と画質がそろっていることです。
参照画像は自分で撮影した写真でも使えますか
使えます。スマートフォンでも、同じ照明条件で同じ背景を使い、顔の向きだけを変えて撮影すれば十分な参照セットになります。避けるべきは、強い逆光、過度なフィルター加工、顔が小さすぎる構図です。
服装だけをカットごとに変えたい場合はどうすればよいですか
人物の固定記述から服装の項目を切り離し、カットごとに差し替えます。ただし、髪型や体型まで同時に変えると、視聴者は別人だと判断します。変更する要素は1カットにつき1つまでに抑えるのが安全です。
同じプロンプトでも毎回結果が変わるのはなぜですか
生成には確率的な要素が含まれるため、同じ入力でも出力は毎回わずかに異なります。乱数シードを固定すると再現性は上がりますが、動きのバリエーションは失われます。人物の同一性が重要なカットではシードを固定するのが有効です。
生成した映像の肌の色がカットごとに違う場合の対処は
まず参照画像の照明条件を見直します。次にプロンプトで光源の方向と色温度を明示します。それでも差が残る場合は、編集段階でのグレーディングで吸収します。生成と編集のどちらで解決するかを事前に決めておくと、作業が止まりません。
一貫性を優先すると映像が単調になりませんか
単調になるリスクはあります。対策として、人物の一貫性は固定したまま、カメラアングル、背景、時間帯、カットの長さ、音の設計で変化をつけます。変化をつける対象を人物以外に移すことが、一貫性と見栄えを両立させる考え方です。
参照画像セットはどのくらいの頻度で作り直すべきですか
作品ごと、あるいはシリーズの開始時に一度作れば、基本的には使い回せます。作り直しが必要になるのは、照明条件が大きく異なるシーンを追加する場合、服装や髪型の設定を変更する場合、解像度の基準を上げる場合です。
まとめ：一貫性は「設計」で手に入る
画像から動画を作る技術は、もはや特別なものではありません。しかし、複数カットを通して同じ人物を成立させる作業は、いまもって制作の中心的な課題です。そしてこの課題は、より高性能なモデルを待つだけでは解決しません。
解決の鍵は、参照画像の設計、プロンプトの固定と可変の分離、カット単位の検証、そして編集での仕上げという、地味だが再現性の高い工程にあります。キャラクター設定書を作り、参照画像を3枚から8枚に絞り、テンプレート化したプロンプトで1カットずつ確認する。この流れを一度確立してしまえば、以降の制作は驚くほど安定します。
最初から完璧を目指す必要はありません。まずは3カットの短いシーケンスで試し、どこで崩れるかを観察してください。崩れる箇所が分かれば、対策は具体的になります。一貫性は才能ではなく、設計と反復によって手に入るものです。
