崩れる瞬間を防ぐ：画像から動画へのキャラクター・スタイル一貫性プロンプト実践講座

2026年8月10日

今日は「一貫性・参照画像の使い方」がテーマ。中でも見落とされがちなのが、静止画から動画を作るimage-to-video（I2V）の工程で、参照画像のキャラクターやスタイルが動いた瞬間に崩れる問題だ。Kling・Runway・Veo・Hailuo・Seedanceそれぞれの「参照専用機能」の使い分けと、崩れを防ぐプロンプトの書き方を、自作サンプルとともに分解して解説する。

なぜI2Vで「崩れる」のか——仕組みをおさらい

Image-to-Video（I2V）は、アップロードした静止画を最初のフレームとして扱い、そこにテキストプロンプトで「動き」を与えて映像化する仕組みだ。Runwayの公式I2Vプロンプトガイドは、「画像が構図・被写体・照明・スタイルを決め、プロンプトの役割はそこで何が起こるか（動き・カメラワーク・時間経過）を書くことだけ」と明言している。

つまり、プロンプトで画像の中身（服装や顔立ちなど）を重ねて説明し直すと、モデルが「新しい指示」として解釈してしまい、それが顔の変形や衣装の変化＝キャラクタードリフトの引き金になる。RunwayのGen-4プロンプトガイドでも「画像内の要素を細かく再描写すると動きが減ったり予期しない結果につながる」と注意されている。Hailuo（MiniMax）のキャラクター一貫性ガイドも同様に「プロンプトは行動と環境の変化に集中させ、外見は参照画像に任せる」よう推奨している。

崩れを防ぐ5つの基本ルール

見た目は画像、動きはプロンプト。役割を混ぜない。服の色や髪型を書き直したくなっても我慢する。
カメラワークは最初シンプルに。複雑な旋回や急なズームは破綻の原因になりやすい。Hailuoのガイドも「極端なアングルや速い動きはAIを混乱させる」と指摘する。
短尺から検証する。同ガイドは「5秒のクリップの方が15秒より一貫性を保ちやすい」とし、短く生成してから編集で繋ぐ手法を勧めている。
核となる説明文を一字一句変えない。Hailuoのドリフト対処ガイドは、キャラクターを特定できる最小限の説明（Core Subject）を一度決めたら、シリーズを通して一文字も変えずに使い回すことをチェックリスト化している。
専用の参照機能を使う。テキストで似た説明を繰り返すより、各ツールが用意する参照専用の入力枠（後述）に画像を渡す方が圧倒的に安定する。

要素	画像（基準フレーム）に任せる	プロンプト（テキスト）に書く
外見・衣装・顔立ち	◎ ここで固定	△ 再度書くとブレの原因に
構図・背景・小道具の配置	◎	触れないのが安定
色調・光源	◎ ベースを決める	変化させたい時だけ微調整
動き・カメラワーク・尺	×	◎ ここが本体
音声・セリフ（Veo等）	×	◎ 明示しないと誤生成される

ツール別・参照機能とサンプルプロンプト

① Kling AIの「Elements」でキャラと小道具を固定する

Kling AIは「Elements」という参照専用の仕組みを持つ。1枚の画像だけでなく、被写体を2〜4枚の多角度画像（または映像）から登録でき、プロンプト内で @名前 の形で呼び出せる。Kling公式のVideo 3.0モデルガイドによれば、被写体をElementに束縛（bind）することで見た目と声のトーンの両方が複数ショットにわたって安定するという。

@Maya (calm barista, cropped auburn hair, forest-green apron) stands behind
the counter holding @BrassGrinder. She glances up, gives a small nod, then
turns to pour steaming water into a dripper. Static camera, waist-level
framing, soft window light from the left, gentle steam rising. No camera
movement, no zoom.

効いている要素: @Mayaと@BrassGrinderはあらかじめ登録したElementを直接指すため、テキストで外見を再定義する必要がない。「No camera movement, no zoom」という否定的な指定は、動きの範囲を限定してドリフトの余地を減らす役割を果たす。

② Runway Gen-4.5——プロンプトを「動きだけ」に絞る

RunwayのGen-4.5は1枚の高画質な入力画像を基準フレームとして使い、プロンプトは動きの記述に徹する設計だ。

The bottle remains upright and motionless at the center. The camera
performs a slow clockwise arc, revealing the label's texture as soft
studio light sweeps across the glass. A thin bead of condensation
trickles down near the end of the move. Subject stays sharp and stable
throughout.

効いている要素: 冒頭の「remains upright and motionless」は被写体を固定する宣言で、意図しない変形を防ぐ。「camera performs a slow clockwise arc」のようにカメラの動詞と方向だけを具体的に書き、ボトルのラベルや色は一切説明し直していない点がRunway公式ガイドの推奨どおりの形になっている。

③ Google Veo 3.1——複数の参照画像から1カットを合成

Google公式ドキュメントによれば、Veo 3.1は最大3枚の参照画像（人物・キャラクター・製品など）を受け付け、外見を保ったまま1本の動画に合成できる。Veoは音声も同時生成するため、音の指定を省くと誤った音（観客の笑い声など）が入りやすい点に注意。

Using the three referenced assets, the explorer adjusts her weathered
leather satchel and steps onto the rope bridge. Wood creaks under each
step. Wind gusts rustle her scarf.
Camera: static, waist-level, eye-line with the bridge.
Audio: creaking wood, distant wind, a single low string note underscoring
her first step.
She says: Almost there.

効いている要素: 「She says:」というコロン形式のセリフ指定は、Veoで字幕の誤生成を減らす書き方として知られる。Audio行を独立させて明記することで、環境音を狙い通りに割り当てている。

④ Hailuo（MiniMax H3）——参照映像からモーションだけを転写する

Hailuoのreference-to-videoモードは、画像・動画・音声を混在させて渡せる。商品写真の外見を保ったまま、別の動画からモーションだけを移す使い方が可能だ。

Apply the hand-tilt and slow rotate motion from the reference clip to the
ceramic mug in the reference image. Keep the mug's glaze color, the chip
on the rim, and the label position identical to the reference photo
throughout. Warm kitchen counter lighting, shallow depth of field, no
background change.

効いている要素: 「Apply the … motion from the reference clip to … in the reference image」という構文で、動きの出所（動画）と外見の出所（画像）を明示的に分離している。「Keep … identical」でチップ（欠け）のような細部まで固定対象として名指しし、ドリフトを起こしやすい微細特徴を守っている。

⑤ Seedance——マルチリファレンスでシリーズもののスタイルを継承する

ByteDanceのSeedanceは、Runway上の提供ページによれば画像・動画・音声を組み合わせた複数参照から1本の動画を生成できる。連作ショートのように、キャラクターと画風を別々の参照で固定したい場面に向く。

Reference 1 defines the protagonist fox (rust-orange fur, white chest
patch, torn left ear). Reference 2 defines the watercolor-wash art style
with visible paper texture and soft ink outlines. The fox trots along a
moonlit rooftop, tail flicking once, ears perking toward a distant sound.
Maintain the exact watercolor grain and outline weight from Reference 2
across the entire shot.
Camera: slow lateral tracking, three-quarter rear angle.

効いている要素: キャラクター用と画風用の参照を役割ごとに分けて明示し、「Maintain the exact … from Reference 2」で画風の継承先を名指ししている。これにより同じ狐キャラクターを次のカットでも同じ絵柄のまま登場させやすくなる。

主要I2Vツールの参照機能比較

ツール	参照方式	目安の上限	得意な用途
Kling AI（Video 3.0）	Elements（多角度2〜4枚を束縛）＋`@名前`参照	複数Elementを1プロンプト内で併用可	キャラ・小道具の複数ショット一貫性、声質の保持
Runway Gen-4.5	単一の高画質画像を基準フレームに	画像1枚（用途により複数参照ワークフローあり）	実写的なカメラワーク、雰囲気の保持
Google Veo 3.1	Reference Images（アセット参照）＋First/Last Frame	参照画像は最大3枚	人物・キャラ・製品の外見保持、音声同時生成
Hailuo（MiniMax H3）	画像・動画・音声を混在させたreference-to-video	画像最大9枚、動画3本（合計15秒）、音声3本	モーション転写、声質・環境音の継承
Seedance 2.0系	Multi-reference（画像・動画・音声を混在）	参照素材の合計12ファイルまで	スタイル継承、複数ショットの世界観統一

まとめ

I2Vで参照画像を崩さない一番のコツは、「外見は画像、動きはプロンプト」という役割分担を徹底し、各ツールが用意する専用の参照枠（Elements・Reference Images・reference-to-video・Multi-reference）を積極的に使うことだ。テキストで似た説明を重ねるより、専用機能に画像・動画・音声を渡した方がはるかに安定する。まずは短尺・シンプルなカメラワークから試し、崩れが出たら核となる説明文を固定するところから見直してみてほしい。