AI短劇の複数人物対話シーン：肩越しショットと目線の軸線管理で顔の混ざり・崩れを防ぐ

なぜ1つのプロンプトに2人を書くと破綻するのか：特徴の平均化と混ざり合い

AI動画で登場人物同士の対話シーンを制作しようとするクリエイターが最初につまずくのが、1つのプロンプトの中に2人の人物をまとめて描写してしまう罠です。「チャコールグレーのスーツを着た男性と、エメラルドグリーンのシルクドレスを着た赤髪の女性が、テーブル越しに激しく言い争っている」といった指示を与えると、拡散モデルの潜在空間では高確率で「特徴の平均化（Identity Averaging）」とクロスアテンションの混濁が発生します。ノイズ除去のステップが進むにつれて2人の特徴が溶け合い、同一人物のような顔立ちになってしまったり、フレームが進むにつれて髪型や衣装の色が入れ替わったりする変異が起こります。

この問題の根本的な原因は、厳密な空間的バウンディングボックス（境界領域）がない状態で、クロスアテンション機構が複数の被写体トークンを同時に処理してしまう点にあります。1つのテキスト指示の中に「被写体Aの髪型」「被写体Bの服装」「男性的な輪郭」「女性的な目元」といった属性が混在すると、モデルのアテンション重みが画面全体に分散されます。人物が動いたり身振りをしたりするにつれてアテンションの局所性が崩れ、スーツに緑のシルクの質感が混入したり、女性の顔立ちが男性化したりします。現在の生成AI動画において、1本の連続生成の中で2人の独立した人物の同一性を同時に維持することを期待するのは、制作現場の基準としては非現実的です。

このボトルネックを現場で解決する方法は、無意味なネガティブプロンプトを大量に書き連ねたり、運頼みのガチャ生成を繰り返したりすることではありません。映画の撮影現場で培われてきた古典的な「切り返し（Shot-Reverse-Shot）」の文法を生成AIのワークフローに正しく組み込むことです。2人の顔を1つのフレームに同時に収めようとするのをやめ、関係性を示すマスターショットで位置関係を確定した上で、肩越しショット（OTS）と単独のリアクションショットへ分解します。1つの生成ノードに対して常に1人の人物リファレンスだけをバインドすることで、潜在空間の汚染を根本から断ち切ります。

AI対話シーンの3段階カバレッジ法則：肩越しショットと切り返し

映像制作の現場における対話の撮影法は、AIの絵コンテ制作においてもそのまま強力な武器になります。具体的には4つの基本カットへ分解します。カット1は関係性を示す「マスターショット（2人中景）」で、登場人物同士の距離感と視線の軸線を提示します。ここでは表情の細部よりも空間配置の整合性が主眼となります。カット2は「肩越しショット（OTS）」で、人物Aの肩越しに人物Bを捉え、ピントと参照画像を人物Bだけに集中させます。カット3は逆側からの「切り返し（リバースOTS）」で、人物Aに焦点を当てます。カット4は感情の揺れを切り取る「リアクション特写（クローズアップ）」です。

カット2とカット3を安定して出力するための決定的なプロンプト技術は、手前のボケた肩をどう記述するかにあります。もし「人物Aの背中と肩」のように人物として直接プロンプトに書いてしまうと、モデルは手前の人物の後頭部にも顔のパーツや耳、崩れた髪の毛を生成しようとしてしまいます。これを防ぐには、over-the-shoulder shot, out-of-focus dark foreground shoulder silhouette in lower corner, sharp focus on [人物B] のように光学的な遮蔽物として記述します。手前の人物を単なる「暗いボケのシルエット」として扱うことで、モデルが焦点の合っている人物の顔へ集中的にアテンションを向けやすくなります。

カット4の「単独リアクション特写」は、縦型ショートドラマ制作における最大の武器です。9:16の画面比率は本質的にポートレート（人物画）であり、単身のクローズアップはスマートフォン画面上で強烈な感情の密度を生み出します。相手の言葉を聞いて息を呑む2秒間のリアクションカットには競合する被写体が存在しないため、顔の破綻リスクが最も低くなります。さらに外部編集ソフトに素材を持ち込んだ際、このリアクションカットは台詞の隙間を埋めたり、前後の繋がりの不自然さを吸収したりする万能のクッションとして機能します。

Say Actionのキャンバスノード連携と古典的な切り返し撮影法に基づく構成；9:16縦型動画に対応。

Say Action キャンバスにおける独立キャラクターノードの構築手順

Say Action の無限キャンバス上でこの対話ワークフローを実践するには、整然としたノード設計が必要です。まずキャンバス上に「キャラクター参照ノード」を2つ個別に作成します（人物A用と人物B用）。各キャラクターノードには、承認済みのビジュアル基準（正面0度のニュートラルな表情と、髪型や輪郭の立体感がわかる45度の半横顔）を格納します。これらのキー画像は、キャンバス内の画像生成ノード（Nano Banana など）で事前に出力するか、権利確認済みの設定画を配置します。2人のキャラクター資産を独立したノードに隔離しておくことで、動画生成前にプロンプトや特徴量が混ざり合う事故を完全に防ぎます。

次に、脚本ノードから台本を読み込み、編集可能な絵コンテ表へと変換します。4カット分割プランに沿って、台詞とリアクションを行ごとに交互に配置します。2行目（カット2：人物Bを狙う肩越しショット）の動画ノードを作成する際は、人物Bのリファレンスノードからのみ接続線を引き、Seedance 2.5 や MiniMax H3 などの動画モデルに接続します。3行目（カット3：人物Aへの反転切り返し）では、人物Aのノードからのみ接続します。1カットの尺は2〜4秒と短めに設定するのが鉄則です。短いクリップ単位で生成することで、AI特有の崩れを抑え、目線や表情の演技を意図通りに制御できます。

このようにノードを分離したキャンバス構成は、手戻りのコストを最小限に抑える上で不可欠です。もしカット3で頭部の不自然な回転が生じた場合でも、そのカットの運動プロンプトだけを微調整して単独で再生成すればよく、すでに完成しているカット1、2、4をやり直す必要はありません。消費クレジットは各カットの解像度と秒数に応じて個別に算出され、生成実行前に見積もりが明示されます。プラットフォームの課金と返金基準は公式の仕様に準拠します：モデル提供元が生成の失敗を明確に確認した場合、仮確保されたクレジットを返還します。通信が途切れるなど結果や料金が確認できない場合は、二重精算を避けるため確認待ちになります。 利用できるモデル、解像度、生成前のクレジット見積もりは制作画面で確認できます。最終的な消費クレジットは送信前に表示されます。 環境サービス料にモデル使用料は含まれません。API料金は別途です。

9:16 縦型絵コンテにおける180度ルール：目線の固定と禁忌事項

従来の横型映像でも、被写体同士を結ぶ仮想の線を越えてカメラを配置する「イマジナリーライン（180度ルール）の踏み越え（アクシス・ジャンプ）」は空間の混乱を招きますが、9:16の縦型ショートドラマではその破壊力はさらに増大します。スマートフォンの画面は横幅が極めて狭いため、対話する人物同士の距離が視覚的に縮まり、視聴者は「左右どちらを向いているか」という目線の向きだけを頼りに会話のキャッチボールを理解しているからです。もし人物Aがカット2で右を向いているのに、反転したカット3で人物Bも右を向いてしまえば、2人が向き合っておらず同じ方向を見ているように見えてしまいます。

生成カット間で完璧な目線の整合性を維持するためには、絵コンテ行のプロンプトに厳格な視線指示を書き込む必要があります。まず会話の片側にイマジナリーラインを引き、すべてのカメラをその同じ半円側だけに配置することを徹底します。Say Action の絵コンテ表では、プロンプトの記述を標準化します。人物Aには eye level, facing screen-right, gaze directed slightly right of camera toward off-screen listener（目の高さ、画面右向き、カメラのわずかに右に視線）、人物Bには eye level, facing screen-left, gaze directed slightly left of camera toward off-screen speaker（目の高さ、画面左向き、カメラのわずかに左に視線）と指定します。真横（90度）ではなく「わずかにカメラ脇」を向かせることで、表情の演技を正面近くで見せつつ、正確な視線の交差を実現します。

同じく重要なのが、対話シーンにおけるカメラワークの自制です。アクションシーンであれば派手なトラッキングやクレーン移動が効果を発揮しますが、対話シーンでカメラを不用意に動かすと、せっかく固定した空間座標が崩壊します。肩越しショットのプロンプトに「被写体の周りを旋回（orbit）」や「素早いパン」を含めるのは厳禁です。拡散モデルが旋回運動を描画する過程で、途中で左右の向きを反転させてしまう事故が頻発するためです。三脚に固定した「完全静止カメラ（locked-off tripod shot）」か、緊張感を高める「極めてゆっくりとした微細なドリーイン（slow subtle dolly-in, 0.5x speed）」に限定するのが最も確実です。

クリップの書き出しと外部編集ソフトでの音声同期：自然な会話テンポの構築

Say Action キャンバス上で対話カットの生成が完了したら、整理されたアセット管理によってポスプロ（編集）工程へと引き継ぎます。Say Action のローカル優先保存機能を活用し、生成された MP4 クリップをローカル環境の専用プロジェクトフォルダへ直接書き出します。ファイル名は Scene03_Shot01_Master、Scene03_Shot02_OTS_CharB、Scene03_Shot03_Reverse_CharA、Scene03_Shot04_Reaction_CharA のように、シーン番号とカット番号を厳格に反映させます。体系的なファイル命名を徹底することで、CapCut、Premiere Pro、DaVinci Resolve などの外部編集ソフトに読み込んだ際、素材の取り違えやリンク切れを完全に防止できます。

タイムライン上では、古典的な「Jカット」や「Lカット」といった音声の先行・後追い編集を駆使して対話を組み立てます。映像と音声を同時にバツンと切り替えるのではなく、人物Aの顔が映る直前の0.5秒前に声を先行させたり、人物Aの台詞が終わる手前で人物Bのリアクション顔へと映像を先行して切り替えたりします。縦型ショートドラマでは、1.5〜3.0秒ごとにカットを小気味よく割っていくテンポ設計が視聴維持率を高める鍵となります。もしAI動画の末尾で口元の動きにわずかな違和感が生じたとしても、音声だけを残して映像をリアクションカットへ逃がすことで、不自然さを完全に隠蔽できます。

最後に、映像の演技生成と音声の最終同期を明確に切り離して運用します。Say Action は脚本のカット割り、絵コンテ管理、キーフレーム生成、マルチモデル動画生成に注力しており、最終的なキャラクターの声付けは外部編集ソフトでの音声トラック配置や外部リップシンクツールを組み合わせて完成させます。もし編集段階で「このカットの目線が少し甘い」「もっと強い怒りの表情がほしい」となった場合でも、シーン全体を破棄する必要は一切ありません。Say Action の該当ノードに戻ってプロンプトを微調整し、そのカットだけを単独で再生成してタイムラインに差し替えるだけで修正が完了します。

自分のAPIと外部のAPI中継サービスを接続する

モデルの接続設定でBase URLとAPIキーを入力し、提供元のドキュメントに従ってAPIの方式、モデルID、必要なヘッダーを設定します。生成前に、使いたい画像・動画の生成方式に対応しているか確認してください。パス、解像度、開始・終了フレームの指定方法は接続先によって異なります。未対応サービスの接続リクエストは、対応を保証するものではありません。

BYOKではAPIの接続先、モデルのキー、カスタムヘッダーを設定できます。OneAPIやNewAPIなどを使う場合は、実際のAPIに合うOpenAI・Gemini・Claudeの方式を選び、モデルIDと画像・動画APIの対応状況を確認してください。すべての中継サービスや独自仕様に自動対応するわけではありません。BYOKでのモデル利用にはプラットフォームの上乗せ料金や生成クレジットの消費はありませんが、ワークスペースとモデル提供元の利用料金は別途かかります。

信頼できる提供元だけに接続し、本番環境ではHTTPSを使用してください。リクエストはログイン認証されたバックエンドを経由し、必要なプロンプト、参考素材、認証情報が送信に使われます。APIキー、パスワード、秘密情報を含むヘッダーを公開キャンバスやスクリーンショット、サポートへの申請に載せないでください。