一貫したキャラクターのAI動画：全カットで同じ顔

動画モデルは、リクエストの間でキャラクターを記憶していません。毎回の生成は、プロンプトや場合によっては開始画像といった、渡された入力から始まります。「赤い短髪で緑のコートを着た女性」というプロンプトは、何百万通りもの人物像に当てはまるため、クリップごとに別の人物が選ばれてしまいます。開始画像が1枚あれば改善しますが、モデルが合わせるのは最初のフレームだけです。カメラが動くと、画像に写っていない部分を補うため、そのたびに異なる推測が入ります。

カメラアングルや照明が変わったり、クリップが長くなったりすると、ズレはさらに大きくなります。まさにそれらが、シーンを本物の映像らしく見せる要素なのですが。

長く詳細なキャラクター説明は効果がありそうに思えますが、多くの場合はランダム性の範囲を動かすだけです。効果があるのは視覚情報です。顔の角度を追加するたび、特徴的な部分のクローズアップを加えるたびに、モデルが自分で決めてしまう要素が減ります。

参照画像に対応したモデル（KlingのOmniシリーズ、Veo 3.1の参照からの動画モード、Seedanceの複数参照モード）は、被写体の画像を複数枚プロンプトと一緒に受け取り、それを登場人物の説明として扱います。現時点で最も効果が大きい改善策です。ただし結果は参照画像に大きく左右されます。照明が均一で、正面・斜め・横顔をカバーした鮮明な画像3〜10枚のほうが、完璧な肖像写真1枚よりも優れています。

モデルごとに限界と強みがあります。Kling 3.0 Omniは参照画像を最大7枚、または短い参照動画1本と画像最大4枚を受け付けます。Veo 3.1の参照モードは画像最大3枚です。特定のモデルに縛られたワークフローは、そのモデルの制限にも縛られることになります。

一貫性を静かに損なう最大の原因は、入力を変えてしまうことです。1本目で写真5枚を使い、4本目で別の3枚を使えば、わずかに違うキャラクターが2人できてしまいます。キャラクターの参照はキャストのように扱ってください。一度決めて保存し、すべてのシーンで全く同じセットを再利用します。衣装を変えるときは、意図的にそのキャラクターの新しいバージョンを作成してください。

1. 参照画像を撮影または選定：正面、左右の斜め、横顔、特徴的な部分（眼鏡、傷跡、服のロゴなど）のクローズアップを1枚。背景は無地、光は柔らかく、フィルターは使わない。

2. 1つの名前付きキャラクターとして保存。これ以降、キャラクターに関する情報はプロンプトに含めません。プロンプトはシーン、動作、カメラのみを記述します。

3. シーンのプロンプトは短く具体的に書きます。場所、キャラクターの動作、カメラの動きを明記。「雨の東京の夜の通りを歩く。カメラは後ろから追い、彼女がレンズの方を振り向く。」

4. クリップを並べて確認します。ズレたものがあれば、プロンプトの言い回しで直そうとせず再生成してください。ズレは通常、体系的ではなくランダムに起きるものです。

5. 各クリップを対応するキャラクターとともに保存し、次のシーンが同じ状態から始まるようにします。

ここまでの内容は、商品、マスコット、小道具にもすべて当てはまります。カットごとにラベルが変わるボトルは、広告では使えません。商品の参照画像には、メインの角度、背面、そしてロゴの鮮明なクローズアップを含めましょう。小さな印刷文字は、現在のすべてのモデルで最も弱い点なので、細かい文字が主役にならないカットを計画してください。

RefVidはこのワークフローを中心に作られています。キャラクターまたは商品を一度作成して参照画像をアップロードすれば、すべての生成でその参照セットがそのまま使われ、選択したモデルが求める形式に整えられます。アセットのクリップはすべて1つのシリーズ表示にまとまるため、ズレを簡単に見つけられます。モデルは裏側で変わっていきます。今日はKling 3.0 Omni、今後はKling 4。キャストを作り直すことなく対応できます。