今日拾ったネタ
HALさんは、特別なノウハウを使ったわけではなく、シンプルに道具がすごいのだと言い切っている。そのうえで、制作の流れをそのまま公開した。流れは大きく二段階で、まず画像生成で登場人物と場所を決めた静止画を作り、次にそれを最初のコマとして動画生成に渡す。
一段目で送った指示は驚くほど短い。放課後の同じ通学路を歩く高校生たちの日常を切り取った画像を四枚、人数や雰囲気は一枚ずつ変え、友達がスマートフォンで何気なく撮ったような自然な写真にし、カメラ目線にはしない、四枚とも同じ場所、同じ時間帯、同じ天候にそろえる、という内容だ。
| 作り物に見える瞬間 | 指示での防ぎ方 | ねらい |
|---|---|---|
| カメラの前で立ち止まりポーズを取る | 最初から最後まで歩き続け、ポーズを取らないと書く | 偶然撮った記録らしさを保つ |
| 整いすぎた顔や同じような顔 | 顔立ちや髪型に個性を持たせ、過度な補正を避けると書く | 実在しそうな人物の多様さを出す |
| カメラが自由に動き空間が崩れる | 撮影者は動かず向きだけで追うと書く | 空間の整合性を保つ |
| 音楽で作品らしくなりすぎる | 音楽を入れず足音や街の音だけにすると書く | 生活感のある音で本物らしさを出す |
これだけでもかなり写実的な画像ができた、と書き手は述べる。さらに作り込みたい人のために、詳しい版の指示も公開している。顔立ちや髪型や体格に個性を持たせ、整いすぎた顔や過度な化粧を避け、少し傾いた構図や自然な被写体ぶれ、肌の質感や制服のしわを表現し、映画的な照明や広告写真のような演出は入れない、と細かく指定している。
否定形の指示が多い。作り込んだポーズ、同じような顔、光沢のあるAI風の顔、全員が同じ表情をする演出、不自然な手や体、文字やロゴを避けるよう並べている。写実性を上げるために何を足すかより、AIが勝手に足しがちな整いすぎを一つずつ外していく発想が、画像の自然さを支えている。
二段目では、動画用の指示文を考える作業までChatGPTに任せた。共通の条件として、短い尺、横長の画面、ワンカット、手持ちカメラの自然な揺れを伝え、撮影者はその場から動かず向きだけで被写体を追う、高校生たちは歩みを止めず撮影に気づいて自然な反応とせりふを見せ、そのまま画面の端から出ていく、と指定した。
撮影者は喋らず、四本それぞれでせりふや反応が重ならないようにし、音楽は一切入れず、足音や衣擦れ、街の音だけにする。この共通条件を渡したうえで画像を一枚ずつ送ると、それぞれに合った動画用の指示文が返ってくる。人間が考えるのは全体の演出方針だけで、場面ごとの細かい書き分けはAIが担う。
返ってきた指示文は長く具体的だ。軽音部の二人組では、ギターケースを背負った子が歩きながら明るく手を振り、隣の子も歩きながら挨拶する、二人は最初から最後まで一度も立ち止まらない、元の画像の顔立ちや制服、位置関係を正確に保つ、口の動きと日本語のせりふを一致させる、といった条件が並ぶ。
で、何がすごいの?
この写実性を支えているのは、モデル自体の改良だ。ByteDance Seedの公式ブログは、AI動画にありがちな作り物っぽい見た目に対処するため、Seedance 2.5が物の質感、肌や目の特徴、照明、彩度といった細部を体系的に最適化したと説明している。HALさんが道具がすごいと言い切る背景には、こうした地道な改善がある。
ただ、道具の性能だけで今回の映像ができたわけではない。動画用の指示文を読むと、写実性を損ないやすい動きを先回りして封じていることが分かる。カメラの前で立ち止まる、横一列に並んでポーズを取る、歩く速度を落とす。作り物に見える典型的な瞬間を、一つずつ禁止しているのだ。
撮影者は動かさない、という指定もされている。カメラが自由に動くと、空間の整合性が崩れやすくなる。その場に立ったまま向きだけで追い、最後まで追い切らずに被写体が画面から出ていく。スマートフォンで偶然撮ったような不完全さを演出として明示的に指定することで、本物らしさが生まれている。
音の設計も効いている。音楽を入れず、足音、衣擦れ、バッグの揺れる音、遠くの街の音だけにする。音楽があると映像は作品らしくなるが、日常の記録らしさは薄れる。音の生活感は、映像以上に本物らしさの手がかりになる。
画像を一枚ずつ送り、それぞれに合った動画の指示を書かせる分業も合理的だ。四枚の画像は人数も雰囲気も違うので、せりふや反応を書き分ける必要がある。共通の方針は人間が決め、場面ごとの具体化はAIに任せる。
四本の動画でせりふが重ならないようにする指定もある。同じ通学路で別のグループが次々に挨拶する映像で、全員が同じ言葉を口にすれば、見る人はすぐに作り物だと気づく。明るい挨拶、落ち着いた会釈、驚いた一言と反応を散らすことで、同じ場所に別々の人生が行き交っているような連作らしさが生まれている。
一方で、この記事は写実的なAI動画が持つ危うさも同時に示している。書き手自身が、本物と見分けられる自信がないと書くほどの映像だ。実在しそうな人物が、実在しそうな場所で、実在しそうな会話をする。作り手が意図しなくても、見る側が本物の記録と受け取る可能性は高い。
公開の仕方には配慮が要る。Seedance 2.5の公式ブログが示すように、作り物っぽさを減らす方向の改良は今後も進むだろう。AIで作ったことを明示する、実在の人物や学校を連想させる要素を避ける、特に未成年に見える人物の扱いには慎重になる、といった線引きを、作り手の側で先に決めておきたい。
実際どう使う?
この方法を自分の制作に取り入れるなら、まず一段目の画像づくりに時間をかけたい。動画生成は最初のコマに強く引っ張られるので、場所、時間帯、天候、人物の雰囲気を画像の段階でそろえておくことが、全体の統一感につながる。同じ場所で別のグループを撮った連作に見せる、という指定はその好例だ。
指示文は、足すことより外すことを意識して書く。整いすぎた顔、作り込んだポーズ、映画的な照明など、AIが得意とする見栄えの良さは、日常を描くときにはかえって邪魔になる。避けたい要素を具体的に並べるだけで、仕上がりの自然さは大きく変わる。
動画の指示では、人物とカメラの動きの約束を明確にする。誰が、いつ、何を言い、どう動き、カメラはどこまで追うのか。止まらない、ポーズを取らない、といった禁止事項も書き添える。曖昧な部分が残ると、AIは見栄えのする方向に補ってしまい、記録らしさが失われやすい。
指示文づくりをAIに任せる場合も、共通の条件は人間が決める。尺、画面の比率、カメラの位置、音の方針、せりふが重ならないこと。この枠組みを先に渡すからこそ、AIは場面ごとに一貫した指示を返せる。枠組みなしに任せると、四本の雰囲気がばらばらになりかねない。
細かな調整は、ChatGPTと相談しながら少しずつ直せばよいと書き手は勧めている。一度で完璧を狙うより、生成結果を見て、どこが作り物っぽく見えたかを言葉にし、その部分だけ指示を足していくほうが早い。直した指示と結果を記録しておけば、次の作品で使える自分なりの型が育つ。
広告や企業の映像でこの手法を使う場合は、写実性の高さがそのまま信頼の問題になる。架空の利用者の声や、実在しない日常の風景を本物のように見せると、見る人を誤解させる恐れがある。表現としての写実性と、事実のように見せることの違いを、企画の段階で依頼主とすり合わせておきたい。
道具が進歩するほど、何を作るかと同じくらい、どう見せるかの判断が作り手に求められる。技術の手順と公開の作法を、セットで身につけていきたい。
AI編集部のつぶやき