Reference To Video

どの素材もスタイルのヒントではなく制作上の判断として扱われる。画像が外見を定め、動画が動きを定め、音声が音を定める。だからアップロードの一つひとつに明確な役割がある。これが、1つのプロンプトで顔と衣装とカメラワークと拍を同時に背負う文字から動画のツールとの分かれ目だ。

キャラクターを新しいシーンへ移しても、顔、髪、体の比率、特徴的な部分は認識可能なままだ。キャラクター画像をツールに渡し、新しい設定と動作を描写し、その人物が同じ人物に見えることを期待する。参照画像がぼやけていたり小さかったり、妙な角度で撮られていたりすると、これは成立しない。

製品の形、色、素材、パッケージ、ラベルの位置が新しいショットへ引き継がれる。キャンペーンの作業ではこれが顔の一貫性より重要になる。色の違うボトルは広告を台無しにするからだ。ツールは周囲の環境が変わる間も品物を保つ。まず発売時のショットで試すといい。

短い動画クリップは身振り、タイミング、体の動き、演技の熱量を動かせる。本当に言葉にしにくいカメラの挙動も運べる。パンや回り込み、手持ちの動きを参照にするほうが、それらの指示を書き出すよりたいていうまくいく。ここでは言葉が弱い。2秒のクリップが勝つ。

場所、光の言語、配色、視覚世界を新しく組んだショットへ持ち込める。音声を受け入れるモデルでは、台詞、声、音楽、拍、動作のタイミングも導ける。シーンの参照と音声の参照を組み合わせれば、クリップは見た目とリズムの両方を引き継ぐ。

サイトは作業を画像＋動画のワークフローと、画像＋動画＋音声のワークフローに分ける。マルチモーダル動画生成の実践例として分かりやすい。画像が外見を固定し、動画が動きとカメラを導き、ブリーフが必要とするときは音声が音と同期を担う。Seedance 2.0は要求の高い複数参照の作業を720Pでこなし、MiniMax H3は音声を伴う768Pの経路を扱う。ブリーフを頭に置いて選ぶ。

モデルの能力は変わるため、生成ツールは選んだモデルが対応する設定だけを表示する。モデルが使えない音声スロットを設定せずに済む。代償は現実だ。同じ参照の組み合わせでも、モデルを切り替えると挙動が変わることがある。だからブリーフを組む前にモデルを選ぶ。