AI動画で複数ショットの一貫性を保つには？

ショットがずれていく理由

動画モデルは、ランダムなノイズから出発し、プロンプトに合うフレームに変えることでクリップを作ります。同じプロンプトでも、2回の生成は別のノイズから始まるため、顔が少し違ったり、コートのボタンが違ったり、俳優の後ろの窓が違ったりします。1つのクリップの中では、モデルが全フレームをまとめて見るので安定します。別々の2つのクリップの間では、記憶がまったくありません。

研究者も同じ隔たりを指摘しています。論文 Long Context Tuning for Video Generation（2025年）は、長い1ショットを作れるモデルでも、一貫したマルチショットのシーンを作るのは依然として難しいと指摘し、シーン全体のショットにわたってモデルのアテンションを広げて、シーンレベルの一貫性を学ばせる方法を提案しています。商用モデルの中にも、ネイティブのマルチショット生成を打ち出すものが出てきました。たとえばSeedance 1.0の技術レポートは、被写体が一貫したマルチショットの物語の整合性を特長に挙げています。

ネイティブのマルチショット機能は役に立ちますが、執筆時点では、1回の生成の中の短いシーケンスに限られます。短編映画やエピソードは、今も多数の生成から組み立てるため、以下の方法が作業の中心であることに変わりはありません。

変えてはいけないもの：コンティニュイティシート

撮影クルーは、数日にわたって撮影したシーンを1つの瞬間に見せるために、コンティニュイティ（つながり）のメモを取ります。プロンプトを書く前に、同じことをしましょう。以下の各行は、変更せずに使い回す、短い固定のテキストブロックか参照画像です。

方法1：説明ではなく参照画像を使う

テキストだけでは、固定する力が弱いものです。「黒のショートヘアの女性」は、何百万もの顔に当てはまります。参照画像は、1つの顔を固定するので、はるかに強い固定になります。執筆時点では、多くのツールが被写体やキャラクターの参照画像を受け付けます。たとえばGoogleのVeoのドキュメントには、人物、キャラクター、製品の画像を1〜3枚使って、出力でも被写体の見た目を保つ参照モードが書かれています。

参照は先に、やり直しが速い静止画で作ります。

1. キャラクターシート：同じ人物の正面、斜め、横顔に加え、最終的な衣装の全身を、無地の背景で。
2. シーンに出てくる場所ごとのロケーション静止画を、最終的なアスペクト比で。
3. 物語で物が重要なら、主要な小道具のシート。

キャラクターシートには、無地で均一な光を使います。参照に強い色付きの光があると、それがすべてのショットにコピーされやすく、各シーンの光と衝突します。

方法2：フレームでショットをつなぐ

ひと続きのアクションを二つに分けるときなど、2つのショットを自然に流れさせたいなら、テキストではなくフレームで接続します。

• 最後のフレームの引き継ぎ：ショットAの最後のフレームを書き出し、画像から動画を作る機能で、ショットBの最初のフレームとして使います。Bの始まりが、Aの終わりとぴったり合います。
• 最初と最後のフレーム：ツールが両方に対応しているなら、ショットが始まるべきフレームと終わるべきフレームを渡し、間の動きをモデルに補わせます。ショットCが、すでに計画したキーフレームにたどり着く必要があるときに便利です。
• キーフレームのストーリーボード：まず同じ参照からすべてのキーフレームを作り、まとめて確認してから、1枚ずつ動かします。

引き継ぎには代償があります。小さな誤差が積み重なるのです。ショットAの終わりで少しぼやけた顔が、ショットBの開始時の顔になり、何度かつなぐうちに、キャラクターがずれていくことがあります。数ショットごとに、最後のフレームからではなく、元の参照から作った新しいキーフレームから始めて、基準を取り直しましょう。

方法3：ブロックを共有してプロンプトを書く

プロンプトを、固定のブロックと、変わるブロック1つに分けて考えます。ショットごとに変わるのは、ショットのブロックだけです。

[CHARACTER] Leo, a man in his 20s, curly brown hair, round glasses,
mustard-yellow knit sweater, dark blue jeans.
[LOCATION] Small bookshop interior, tall wooden shelves, one large front window.
[LIGHT] Late afternoon sun through the front window from screen right, warm tones.
[SHOT] Medium shot, eye level. Leo pulls a red book from the shelf and opens it,
facing screen left. Slow push-in.

次のショットでは、最初の3つのブロックを正確にコピーし、[SHOT] ブロックだけを置き換えます。物語が新しい場所や別の時間帯に移るなら、新しい [LOCATION] や [LIGHT] のブロックを一度書き、以降はそれを使い回します。

方法4：直せないものは編集で目立たなくする

参照を使っても、いくつかの違いは残ります。編集者は昔から、小さな不一致を見えなくする技法を使ってきました。

• アクションでつなぐ。動きの途中でカットします。目は動きを追うため、細部を見逃します。
• カットごとにショットサイズを変える。ワイドの次にクローズアップを置くと、背景の違いが隠れます。ミディアムが2つ続くと露呈します。
• インサートとカットアウェイを使う。手、物、場所のショットが、顔のショット2つの間で、視聴者に息抜きを与えます。
• シーケンス全体を一緒にグレーディングする。すべてのクリップの上に1つの色補正をかけて、光に統一感を持たせます。
• カットの下に連続した音を敷く。複数のショットにまたがる空気音や音楽が、それらを1つの瞬間のように感じさせます。

公開前の品質チェック

シーケンスを3回見て、毎回1種類の問題だけを探します。

1. 同一性：各顔で一時停止し、参照と比べます。年齢、目の色、生え際、メガネ、傷あとを確認します。
2. 物：小道具と服をショットごとに追います。どちらの手が何を持っているかを確認します。
3. 空間と時間：画面上の向き、光の方向、窓の外の天気を確認します。

失敗したショットだけを再生成します。採用したショットごとに、参照画像、プロンプト、設定の記録を残しておくと、後で合う代わりのショットを作れます。