実践的視点
AI動画生成：難易度は生成ではなく「検収」にある
AI動画をビジネスとして展開する際、ボトルネックはモデルの良し悪しではなく、納品前にその動画が破綻していないかを見極められるかどうかにある。今日の生成モデルは、公式サイトに載せられるほどの高品質な映像を生み出す一方で、「コンベアが勝手に伸びる」「3爪チャックが回転するうちに爪が消える」といった一目で破綻しているとわかる映像も生み出す。そしてこれら2つの結果は、同じモデル、同じパラメータから、たった1つのプロンプトの違いだけで生まれるのだ。量産できるかどうかは、「そもそもAIに任せるべきではないショット」を見極める判断力と、1秒ごとにチェックする検収プロセスを持っているかどうかに依存する。モデル選定は最も簡単なステップであり、同時に最も重要ではないステップでもある。
4つの結論
01
AI動画の破綻は「離散的な動作」と「複雑な幾何学的回転」に集中する。次々と落下する製品、ワークを挟んで高速回転するチャック、噴出する液体などだ。同じモデルでも「カメラ移動＋機械の静止」であればはるかに安定する。これはモデルの優劣の問題ではなく、タスクの種類の問題である。
02
静的なフレーム抽出による検収では、動的な欠陥をすべて見逃してしまう。構造の変形、オブジェクトの増殖、方向の誤りはすべてタイムライン上で発生する。0.5秒ごとのグリッドによるコマ送り比較に切り替えたところ、最初の3ラウンドで「問題なさそう」に見えた成果物がすべてボロを出した。
03
忠実度は秒数とともに減衰する。最初のフレームが最も信頼できる（それがソース画像そのものだから）。後に行くほどモデルは自由に振る舞う。実務的な対策は、長尺を生成して前半部分だけを使用し、複数の短いショットの素早いカットで単一のロングショットを代替することだ。短いショットの素早いカットには副作用としてのメリットもある。2秒の欠陥はほとんど気づかれないが、15秒の欠陥は動画全体を廃棄することになる。
04
最も安いモデルは往々にして最も高くつく。我々は4つの低価格モデルに対してプロンプトの前処理をテストしたが、最も安いモデルは推論予算をすべて内部処理で消費して何も出力せずに終わった。もう一つの「動く」モデルは「よりはるかに小さい」を「約半分」と解釈し、ユーザーに問題が解決したと錯覚させながら、実は元のエラーを増幅させた。安くて間違った出力のコストは、バッチ全体のやり直しである。
なぜ「より良いモデルへの乗り換え」では解決できないのか？
破綻の原因はモデルの能力不足ではなく、タスクがモデルの確率的性質に反しているからだ。
生成モデルが出力するのは「もっともらしく見える次のフレーム」である。しかし機械の動作の本質は等速、反復、単方向、離散的であり、モデルの傾向は漸変、ランダム、双方向、連続的である。両者が衝突する箇所が破綻点となる。「次々と生産される製品」に必要なのは因果関係（前の製品が去り、次の製品が現れる）だが、モデルはそれを連続的な変形として曖昧にぼかすだけだ。どれほど高価なモデルに変えても、この構造的衝突は消えず、目立ちにくくなるだけである。
真に効果的なアプローチは、脚本作成段階でこのような指示を出さないことだ。同じメッセージは、実現可能なショットで伝えられる。「製品が次々と落下する」瞬間を撮るのではなく、「すでに整列した完成品＋ゆっくりとしたプッシュイン」を撮れば、視聴者が自ら因果関係を補完する。プロフェッショナルな産業用b-rollはそもそもこのように撮影される。ダイナミズムはカメラワークと編集のリズムから生まれ、機械が画面内で曲芸をすることからではない。
なぜプロンプトは直接モデルに送らず、事前に書き換える必要があるのか？
ユーザーは自然と、モデルが体系的に誤解する言葉を使ってしまうが、それらの言葉は列挙可能だからだ。
最も典型的なのは相対的なサイズだ。「チャックよりはるかに小さい直径」の細い棒材を要求すると、モデルは元の2、3倍太いワークを生成する。相対的な数量詞が逆に解釈されるのだ。修正方法はモデルを変えることではなく、具体的なアンカーに置き換えることだ。「約20mm、成人の指の太さ」「鉛筆のように細長い」といった具合に。同様の問題には、正確な数量（「1列に3つ」）、モデルに中国語を描かせること（必然的に崩壊する）、そして物理的に存在すべきではない要素（常温の機械から蒸気が出る）などがある。
これらはすべて自動化可能だ。実テストで蓄積した失敗パターンをルール化し、生成前に安価な言語モデルで一度書き換える。コストは画像1枚あたり2%未満だが、これが命中率を直接決定する。さらに重要な設計上の選択は、書き換えプロセスをユーザーに見えるようにすることだ。我々のアプローチは、入力中に「相対的なサイズはモデルが誤解しやすいため、具体的な比率への変更を推奨」とリアルタイムで促し、生成後に「記述を自動最適化しました」と表示して比較できるようにする。こっそり修正してしまうとクライアントは学べず、次回も同じ文章を書いてしまう。
4つのオープンソースプロジェクトから何を学び、それらに共通して欠けているものは何か？
4つの公開プロジェクトはそれぞれパイプラインの一部を解決したが、いずれも「出力が正しいとどうやって知るのか」には対処していなかった。
それらに共通する欠落は不注意ではなく、ポジショニングの違いだ。これらはデモプロジェクトであり、デモプロジェクトの成功条件は「一度でも見事な結果を出せること」である。対してビジネスの成功条件は「一度でも見苦しい結果を出さないこと」だ。この2つの間のすべての距離は、検収レイヤーにある。
同様に記録に値するのは、我々が採用しなかったものだ。その一つは精巧に設計されたマイクロコンテンツモデレーションモデルだ。無料でプロンプトを漏洩させないが、英語の成人コンテンツ専用であり、我々のトラフィックは中国語の産業機械の記述である。リスク領域が合わず、再トレーニングの投資対効果は現時点では成立しない。もう一つは「レート制限後にユーザー自身のAPIキーを入力させる」ものだ。これは、いかなるベンダーのキーも発行しないという我々の原則に真っ向から反する。検討した上で拒否することと、そもそも検討しないことは、全く別の事柄である。
AI映像制作ベンダーを評価する際、何を質問すべきか？
どのモデルを使っているかは聞くな。この4つの質問をしろ。どのショットは受けないのか、どうやって検収するのか、同じ動画のやり直しにはいくら掛かるのか、失敗の記録はどこにあるのか。
1つ目の質問に答えられない場合、彼らはまだ壁にぶつかったことがなく、あなたが彼らの試行錯誤の代償を払うことになる。2つ目の「目視確認します」は答えではない。どのような時間粒度で、どのような特定の失敗モードをチェックするのかを言えなければならない。3つ目、やり直しコストが高すぎて彼らがやり直したがらない場合、あなたが受け取るのは最初の結果だけだ。4つ目が最も重要だ。失敗の経験を体系的に蓄積しているチームは、次の動画が前の動画より良くなる。そうでないチームは、毎回ゼロからギャンブルをしている。
我々自身の答えはプロダクトに組み込まれている。受けないショットは明示的なルールであり、検収は1秒ごとのグリッド、生成失敗時は自動的にポイント返還、そしてすべての破綻は内部ナレッジベースに書き戻される。そのナレッジベースは今や我々が最も手放したくない資産であり、どの完成品よりも価値がある。
4つのオープンソースプロジェクト：それぞれが解決したものと、我々が採用したもの
| プロジェクト | 解決した課題 | 我々が採用したアプローチ |
|---|---|---|
| loras-dev | スタイルカタログ化された画像生成インターフェース | 各スタイルにプロンプト微調整ルールを紐付け——このフィールド設計から失敗モードのルール化を示唆された |
| violin | 動画翻訳のフルパイプライン：転写、翻訳、吹き替え、ミキシング | タイムスタンプ付きベンダー料金表＋案件ごとのコスト再計算、および「1つのスタイルプリセットに複数のパイプライン段階パラメータを同時にバインドする」データ構造 |
| blinkshot | リアルタイム画像生成と不正利用防止 | 多層防御の1層としてのソースチェック（ブラウザを経由しない直接呼び出しのブロック） |
| napkins | スクリーンショットからアプリへの変換 | 公開評価ベンチマーク（数百回のスコア記録）の維持——品質をデータとして管理する規律は模倣に値する |
なぜより強力なAI動画モデルに乗り換えても、映像の破綻問題は解決しないのか？
破綻の原因はモデルの能力不足ではなく、タスクがモデルの確率的性質に反しているからだ。生成モデルが出力するのは「もっともらしく見える次のフレーム」であり、機械の動作の本質は等速、反復、単方向、離散的である。対してモデルの傾向は漸変、ランダム、双方向、連続的である。この両者が衝突する箇所が破綻点となる。より高価なモデルに変えてもこの構造的衝突は解消されず、目立ちにくくなるだけだ。効果的なアプローチは、脚本作成段階でこのような指示を出さないことである。
撮影したい機械設備はあるが、どのショットが実現可能か分からない？
撮影したい設備と、そのターゲット層を教えてほしい。どのショットを受け、どれを受けないか、そしてその理由を率直にお伝えする。見積書よりも有益な情報となるはずだ。