Stable Diffusionで動画制作を行う際に難しいポイントのひとつが、「同じ人物・同じ服装・同じ背景を維持したまま、少しずつ動きを変える」ことです。単純にSeed固定や同じプロンプトで生成しても、構図や表情、人物の細部は完全には固定できません。
特に「少年が神社の中を歩いて鳥居へ向かう」といった短編映像を作る場合は、1枚の高品質な画像を基準にして、キャラクター情報と構図情報を維持しながら段階的に変化させる工程が重要になります。
Seed固定だけでは同じキャラクターの連続画像が難しい理由
Stable DiffusionではSeed値を固定すると、同じ条件から似た画像を再生成できます。しかしSeed固定は「完全なキャラクター固定」ではなく、あくまでノイズパターンを固定する仕組みです。
プロンプトやモデルの状態が同じでも、画像編集や構図変更を行うと人物の顔、服装、体型などが変化することがあります。そのため、動画用の連続カット制作ではSeed固定だけに頼る方法は一般的ではありません。
例えば、最初の画像で完成度の高い少年を作成できても、「3歩前に移動」「横向きになる」「鳥居に近づく」という変化を加えると、別人化が起こりやすくなります。
現在主流の方法はキャラクター情報を固定する仕組みを使うこと
現在の画像生成動画制作では、1枚目の基準画像からキャラクター情報を保持する方法がよく使われています。代表的な技術として、IP-Adapter、InstantID、Reference系ノード、ControlNetなどがあります。
特に人物の顔や服装を維持したい場合は、以下のような役割分担にすると安定します。
| 目的 | 利用する技術 |
|---|---|
| 顔やキャラクター維持 | IP-Adapter、InstantID、Reference Image |
| 姿勢や位置制御 | ControlNet OpenPose、Depth |
| 背景や構図維持 | ControlNet Depth、Canny、Reference |
| 動画化 | Wan2.2 Image to Videoなど |
つまり「少年を3歩前へ移動させたい」という場合、文章だけで指示するのではなく、人物情報と移動後の構図情報を別々に制御する考え方が重要です。
おすすめの動画制作ワークフロー
安定した15秒程度の動画を作る場合、最初から動画生成するよりも、数枚のキーフレーム画像を作成してから動画化する方法がおすすめです。
一般的には以下のような流れになります。
- RealVisXLなどで完成度の高い少年と神社背景の基準画像を作成する
- IP-AdapterやReference機能で少年の特徴を固定する
- ControlNet DepthやOpenPoseで歩行位置を少しずつ変更する
- 5秒ごとのキーフレーム画像を複数作成する
- Wan2.2 Image to Videoなどで画像間を動画化する
- 動画編集ソフトで3本の動画を結合する
例えば15秒動画なら、「入口付近」「参道中央」「鳥居前」という3枚の重要画像を作り、それぞれを5秒動画にすると自然な流れになります。
Qwen Image EditやFlux Kontextを使う場合の考え方
Qwen Image EditやFlux Kontextのような画像編集モデルは、自然言語で画像変更できる点が大きなメリットです。しかし、「人物だけを数メートル移動させる」という用途では、指示の解釈が難しい場合があります。
画像編集AIは「何を変えないか」という制御が苦手なことがあります。そのため、犬が追加される、背景が変化する、服装が変わるといった意図しない変更が発生することがあります。
キャラクター固定が最重要の動画制作では、編集AI単体よりも、Reference系・ControlNet系を組み合わせたワークフローの方が安定しやすいです。
ComfyUIで組む場合の実践的な構成例
ComfyUIを利用する場合、以下のような構成が初心者から中級者向けの現実的な構成になります。
- ベースモデル：RealVisXLなど高品質SDXLモデル
- キャラクター固定：IP-Adapter Face系またはInstantID
- 構図制御：ControlNet Depth、OpenPose
- 画像調整：Inpaintで部分修正
- 動画生成：Wan2.2 Image to Video
RTX5060Ti 16GB環境でも、解像度やBatchサイズを調整すれば、このような構成は十分試せます。
重要なのは、毎回新しい画像を生成するのではなく、「完成した少年の設定資料」を作り、それを参照画像として使い続けることです。
自然な歩行動画にするためのポイント
AI動画では、いきなり大きな変化を指定すると破綻しやすくなります。そのため、移動距離やポーズ変化は少しずつ変える方が自然になります。
例えば、1枚目では鳥居から遠い位置、2枚目では数歩進んだ位置、3枚目では鳥居の前というように段階的な変化を作ると、動画生成時の負担が減ります。
また、顔の向きや服の揺れなど細かい変化は動画生成モデル側に任せ、人物の基本情報だけを固定する方が自然な映像になりやすいです。
まとめ
Stable Diffusionで「同じ少年が同じ神社を歩く」という連続動画を作る場合、Seed固定だけでは十分ではありません。
現在一般的な方法は、IP-AdapterやInstantIDなどでキャラクターを固定し、ControlNetで位置や構図を制御したキーフレーム画像を作成してから、Wan2.2などの動画生成モデルで動きを付ける方法です。
高品質なAI動画制作では、1回で完成動画を生成するよりも、「キャラクター設計」「構図制御」「動画化」という工程を分けることで、安定した15秒作品に近づけることができます。
コメント