テキスト vs 画像 vs 参考画像：アニメに合った入力の選び方

たいてい5回目か6回目の生成のころ、「なぜこれは違って見えるのか」ではなく、「なぜ毎回違って見えるのか」と考えはじめる瞬間があります。それが、プロンプトを長くするのをやめて、入力モードを変えるタイミングです。

今のAIアニメ動画メーカーは、いくつかの種類の素材から始められ、それぞれが違う量の自由と引き換えに、違う量のコントロールを与えてくれます。正しいものを選ぶことは、たいていどんなプロンプトの磨き上げよりも大きく品質を左右します。

4つのモードをひと目で

テキストから動画：自由は最大、コントロールは最小

場面を説明すると、モデルがすべてを考えます。試しているとき——動画がどんな見た目になるべきかまだわからず、選択肢を見たいとき——に使うモードです。

使うとき：手持ちのイラストがないとき、アイデアを試すとき、毎回違うものが欲しいとき、キャラクターがほかに登場する必要がないとき。

本当の弱点は、同一性のブレです。キャラクターの見た目を決めるのはあなたの言葉だけなので、同じプロンプトで2回作ると2人の違うキャラクターになります。変わらない身体的特徴（「青い目と緑の目、へこんだ左肩」）は役立ちますが、目安であって保証ではありません。

実践のコツ：画面比率を自由に選べるのも、テキストから動画だけです。画像や元の動画を付けると、モデルはそのファイルの形を引き継ぎます。

画像から動画：最初のコマはあなたのもの

画像を1枚アップロードすると、モデルはそれを最初のコマとして扱い、そこからアニメにします。その画像に見えるもの——キャラクターのデザイン、配色、構図、光——は最初に固定され、保たれる傾向があります。

使うとき：すでにキャラクターデザイン、ロゴ、商品写真、コンセプトアート、動かしたい子どもの絵があるとき。テキストからの生成でアイデアは合っているのにスタイルが違うときにも。気に入った静止画を作って、それを動かしましょう。

ここでのプロンプトの役割はまったく変わります。もう見た目を説明する必要はありません。画像がもうやってくれました。説明するのは、何が起こるかです。「キツネが窓のほうへ顔を向け、耳をぴくっと動かす」は良い画像から動画のプロンプトです。「森にいるアニメのキツネ」は無駄なプロンプトです。もう渡した画像を説明しているだけだからです。

知っておきたい制約：出力は画像の画面比率を引き継ぎます。9:16の縦型動画が必要なら、アップロードの前に元の画像を9:16に切り抜いてください。このモードでは比率を上書きできません。

最初と最後のコマ：行き先を決める

画像を2枚——1枚を最初のコマ、もう1枚を最後のコマとして——渡すと、モデルは2枚の間の自然な動きをアニメにします。最も使われていないモードで、生成動画のいちばん厄介な問題、つまり終わり方を解決します。

普通の生成では、始まりは自分で選べても、終わりは選べません。特定のものに着地しなければならないものにとって、これは本当の制約です。最初と最後のコマは、それをひっくり返します。

使うとき：

• ロゴのジングル。混乱から始めて、ブランドガイドラインどおりのロゴで終わる。
• 変身。イモムシからチョウへ、散らかった机から片付いた机へ、下書きから完成へ。難しい中間はモデルが考え、両端はあなたが決めます。
• ビフォーアフター。結果が想像ではなく正確でなければならない商品デモ。
• ループ。最初と最後に同じ画像を使えば、始まりに戻ってくるクリップになります。背景のループや繰り返すSNS投稿にぴったりです。

制約：画面比率は最初のコマの画像から引き継がれ、2枚の画像には自然なつながりが必要です。30秒で水彩の森からピクセルアートの宇宙船へ移動するよう頼むと、ちぐはぐなものになります。モデルは補間するのであって、瞬間移動はしません。

参考画像から動画：多くの場面で同じ姿を

1コマではなく、参考画像のセット——いくつかの角度のキャラクター、小物、場所——を渡すと、モデルはそれらを、どの参考画像にも写っていない新しいショットに連れていきます。

これが、動画を作ることとシリーズを作ることの違いです。参考画像があれば、第4話にも第1話と同じだとわかるキャラクターを、撮影したことのない場所で、描いたことのないことをさせて登場させられます。

使うとき：マスコット中心のブランド、繰り返し登場するキャスト、関連して見える必要のある広告のセットなど、統一感こそが大事な作品を作るとき。

良い参考画像の準備：

• キャラクターをはっきり大きく、できれば無地の背景で写す。
• 1つの角度より2〜3つ。正面と斜め45度があれば、顔についての迷いはほとんどなくなります。
• 光はニュートラルに。参考画像の強い色の光は、キャラクターの配色の一部と読み取られます。
• プロンプトでは短く同じ呼び名——「オレンジ色の猫のマスコット」——で呼び、言葉と画像が誰のことかで一致するように。

1回の生成に複数の参考画像を渡せるので、キャラクター、衣装、小物、環境のどれかを選ぶのではなく、まとめて渡せます。

判断の流れ

実際には、ほとんどの人はこの順番で進めるのがおすすめです。

1. テキストから始める。手早い生成を3〜4回して、うまくいくコンセプトとスタイルを探します。これは探索なので、まだ磨かないこと。
2. ほぼ狙いどおりになったら、1コマを取り出す。その生成から気に入った静止画を取り出し、画像から動画に切り替えて最初のコマにします。これで見た目が固定されます。
3. 終わりが大事なら、最後のコマを足す。特にロゴ、商品、決めのポーズで終わるものは。
4. 2本以上の動画が必要なら、参考画像をそろえる。残したいキャラクターができたら、きれいな静止画を2〜3枚集め、以降はすべて参考画像モードにします。

ほとんどの人がやってしまう失敗は、ステップ4の仕事をステップ1の道具でやろうとすることです。画像でしか固定できないキャラクターを、どんどん細かいテキストのプロンプトで固定しようとしてしまいます。テキストは説明し、画像は指定します。正しいほうを使いましょう。

そして欲しいのが数分の長いお話なら、こうしたことを手作業で組み立てる必要はありません。スタジオで長さを選べば、お話全体が最初から最後まで同じキャストで計画されます。

どのモードでも直らないこと

どの入力モードでも残る限界が2つあり、それを前提にプロジェクトを計画する前に知っておく価値があります。画面内に描画される文字——看板、ラベル、字幕——は、現在のどのモデルでも不安定です。後から編集ソフトで加えましょう。そして録音済みのナレーションにコマ単位で正確にタイミングを合わせることは、まだ指定できません。クリップが00:14でビートに合う必要があるなら、映像を音に合わせるのではなく、音を映像に合わせて編集する計画にしましょう。

それ以外は、正しい出発点の素材を選ぶかどうかの問題です。AIアニメ動画メーカーで同じアイデアを2つのモードで試してみてください。1回ずつ生成すれば、コントロールの違いがはっきりわかります。