AIで動画を作り始めると、たいてい誰もが同じ壁にぶつかります。最初のシーンでは綺麗に描かれたキャラクターが、次のカットでは顔つきが変わり、服の色が変わり、別の人のように見えてしまう。これは"ドリフト"呼ばれる現象で、視聴者が自然と違和感を覚える問題です。特にアバターのキャラクターものの動画、企業ブランディング、長編のストーリー動画では、見た目の一貫性が信頼に直結します。
ここでは、複数枚の参照画像を組み合わせる手法を中心に、AI動画でアバターの一貫性を保つための実践的な考えかたとワークフローを解説します。特定のツールに依存せず、どの生成サービスでも応用できる基本原則と、それを実現する具体的な手順をまとめます。
なぜアバターが毎回変わるのか
生成モデルは、プロンプトと入力画像をもとに新しいフレームを毎回推論して作り出します。モデルは"このキャラクターは本当は誰か"という固定された概念を持っておらず、毎回似たものを作り出そうとはしますが、細部を安定して再現できません。瞳の位置、ほくろ、髪の生え際、服の裾の色といった細かい特徴が、フレームごとにわずかに揺らぎます。
一度の生成の中での揺らぎは小さくても、カットが変わるとモデルは文脈を引き継ぎにくくなり、より大きな変化が生じます。ショットのつなぎ目こそが、一貫性が崩れやすいポイントです。
プロンプトの言葉だけではなかなか解決できません。"同じキャラクターで"と書いても、モデルには"同じ"という概念の具体的な参照物がないからです。そこで重要になるのが、参照画像によるアイデンティティの固定です。
参照画像を複数組み合わせる意味
一枚の参照画像だけでは、そのアングルから見た顔しかモデルに伝わりません。正面の写真だけでは横顔がわからず、モデルは横顔を"想像"して描くことになり、それがドリフトの原因になります。
複数枚の画像を組み合わせる手法は、顔の正面・横・斜め、全身、服、特徴的なマークなど、キャラクターの情報をより多角的にモデルに与えます。モデルは複数の視点から"このキャラクターがどんな見た目か"を組み立てられるようになり、どの角度から描いても同じ人物になりやすくなります。
ここで重要なのは"質"です。何十枚も適当な写真を渡すよりも、共通点のそろった、クリーンで被写体のはっきり写った3〜6枚の画像のほうが効果的です。それぞれの服の色や髪型が違う写真を混ぜると、かえってモデルを混乱させます。すべての参照画像がほぼ同じ外見を表していることを確認してください。
参照画像を用意するときのポイント
よい参照画像は、イラストや写真を問わず、以下の条件を満たすものを選びます。被写体に大きな余計な物が映っていない、背景がごちゃごちゃしていない、被写体が画面の中ではっきりと写っている。背景が複雑だと、モデルがキャラクターのアイデンティティと背景の要素とを混同するおそれがあります。
可能なら背景を抜き、被写体だけが目立つ画像にしてください。光は均一に当たっているものが望ましいです。強い影や逆光は顔の特徴を隠してしまい、当てにできない情報になります。
すべての画像を同じ絵柄に統一するのもポイントです。写実的な写真一枚と、フラットなイラスト一枚を混ぜると、モデルはどちらを基準にしていいか迷います。自分が作りたい最終的な絵柄と同じ絵柄の参照画像をそろえましょう。
アイデンティティとスタイルを分けて考える
一貫性を安定させるためのもう一つの考え方が、"アイデンティティ（誰であるか）"と"スタイル（どう見えるか）"を分離することです。アイデンティティは顔、体型、服、目印など、変えてはいけない安定した部分。スタイルは、照明、カメラアングル、動き、雰囲気など、シーンごとに変わる外側の要素です。
アイデンティティは参照画像で固定し、スタイルはプロンプトで制御する。この役割分担がうまくいくと、モデルの"余計な想像"の余地が減り、一貫性が上がります。プロンプトでは何をしているか、どんな雰囲気か、どこから撮るかを指定し、顔の細部は参照画像に任せます。
この考え方は、アニメでありがちな"アニメ定規"の概念にも似ています。設定画(参考画)でキャラクターを固定し、各シーンはその設定画を守って描く。AI動画でも同じ規律を取り入れることで、安定感が生まれます。
プロンプトの書きかたで安定させる
複数の参照画像を使うのに加えて、プロンプトの書きかたも一貫性に影響します。具体的に、そして文脈を統一して書くことが大切です。
まず、キャラクターの名前や通しの設定をプロンプトに入れて、常に同じ呼び名を使うようにします。モデルが対応付けを学習しやすい環境を作りましょう。次に、スタイルの記述を短い固定フレーズにまとめ、すべてのシーンで同じ文言を繰り返します。"暖色の自然光、リアルな質感"といった固定フレーズを変えないことで、シーン間に絵柄の差が出にくくなります。
カメラアングルと動きも文章で指示します。クリーンで具体的な指示はモデルの自由度を適度に制限し、結果が安定します。逆に漠然とした指示はモデルが自由に解釈し、それがドリフトにつながります。
長い動画をショット単位で作る
長編の動画を一度の生成で完成させようとするのは、現時点ではまだリスクが高いです。動きが長くなるほど、モデルが途中でキャラクターを"作り直す"可能性が高まります。そこで、動画をショット単位に分けて、それぞれを個別に生成するのが実用的です。
各ショットを生成するときは、参照画像を毎回入力に含めてください。カットのたびにアイデンティティを再固定する、というイメージです。その後、すべてのショットをつなげて一本に編集します。個々のショットで一貫性を確保していれば、編集の段階でつなぎ目の安定感を保てます。
このショット単位の考え方は、将来的にも基本になるはずです。技術が進化して生成が長くなっても、"細部を確実に保つ場面を作ってからつなぐ"という作り方は、表現の自由と安定のバランスを取りやすいからです。
生成後に必要なまとめチェック
生成が終わったら、動画を最初から最後まで通して見て、アバターがずっと同じに見えるかを確認します。個別のショットだけを見ていると気づかない変化も、通しで見ると見つけやすくなります。
チェックリストを用意しておくと便利です。顔の形、髪の色と流れ、服の色とデザイン、目印や小物、肌の色、体格が、各ショットで一貫しているか。身体のパースや手の形、変な揺れがないかも見ましょう。
問題が見つかったら、直すべき小さな"レバー"を探します。参照画像が悪いのか、モデルが弱いのか、プロンプトでスタイルが上書きされているのか。多くの場合、きれいな参照画像を用意することで解決します。すべてを一からやり直す前に、原因を分解して最小の手戻りで直すのが効率的です。
組織や複数人での制作を安定させる
一人で作る場合は習慣で何とかなることが、チームで作ると崩れやすいものです。複数人が別々に画像を生成すると、各人が少しずつ異なる前提で作業して、結果としてキャラクターがバラバラになります。
そこで、参照画像とプロンプトの"共通資産"を用意しましょう。キャラクターの参照セット、固定のスタイルフレーズ、採用手順を、全員が共有できるファイルやフォルダに保存します。必要ならデータベースを使って参照と生成結果を統一管理するのもよいです。
共通資産を用意したうえで、制作前のブリーフィングをしましょう。誰が、どのキャラクターを、どのシーンで使うのかを明確にします。共有の土台があるだけで、"そっちの絵と、こっちの絵が違う"という事故の多くは防げます。
よくある質問
参照画像は何枚必要ですか。質が高く共通性があるものなら、3〜6枚で十分です。量よりそろい方を重視してください。
どうしても一致しない場合はどうすればいいですか。顔を小さく写さず、動きを短く区切ることで揺らぎを抑えられる場合があります。また、編集段階で小さなずれを補正するテクニックも有効です。
写真かイラストのどちらを参照にすればいいですか。最終的に作りたい絵柄に合わせてください。イラスト作品を作るならイラストの参照を、リアルな感じなら写真をベースにすると安定しやすいです。
一貫するアバターが生む"信頼"という本質
アバターがブレないことは、見た目がきれいというだけでなく、視聴者に"この作品は丁寧に作られている"という確信を与えます。企業ブランディングならブランドの顔がぶれないことは信頼そのものですし、ストーリー動画ならキャラクターに没入できるかどうかを左右します。
複数の参照画像を組み合わせ、アイデンティティとスタイルを分離し、ショット単位で作り、通しでチェックする。この一連の規律は、特定のツールが勝手に解決してくれるものではなく、今の技術ではあなたが持ち込む判断力です。とはいえ、進化は早く、ツールの改善も目まぐるしい。基本となる考え方をちゃんと体得しておけば、どんな新しいツールが登場しても、安定したアバター動画を作り続けられるはずです。
