物語を絵にする AI、キャラが別人になる問題を軽く解決

『ReCap』って具体的には何をやってるツールなの？プラグインみたいなイメージ？

ReCap は、プラグインというより「物語から絵を生成する AI 全体の中に組み込まれるロジック」に近いです。 具体的には、文章（台本や小説）を読んで絵を次々つくっていく AI が動く時に、「キャラクターが代名詞で呼ばれた瞬間」を検知するんですよ。『彼は〜』『彼女は〜』と出てきたら、その一語を合図に「ちょっと待って、このキャラ、前のフレームではこういう顔・髪・衣装だった」と前の画像を参照させる。そして新しいフレームを生成する際に「この条件を守りながら描いて」と指示する、という流れです。 ポイントは「毎フレーム参考にしない」ところ。全部の絵を毎回比較したら、計算が重くなって時間もかかります。だから「指名された時だけ」という限定的なやり方にした。15万パラメータというのは、この参照ロジック部分を実現するのに必要な追加分ということになります。 プラグインというより、生成 AI の内部ロジックに埋め込まれた「確認機構」と言えそうです。

この技術が完成したら、アニメやマンガを自動で作る時代が来るのかな？それって創作の仕事に影響しちゃうってこと？

物語から絵を自動で作れたら、確かに怖く感じますね。でも、ReCap が解いた問題は「キャラの一貫性」という一つの技術課題に過ぎません。実は、マンガやアニメを作るって、その比ではないほど複雑です。 物語の流れを視覚化するだけなら AI も得意ですが、フレーム構成や画角、キャラの感情表現、背景の時代感、そして何より「どう見せるか」という創作判断が、マンガやアニメを成立させています。同じセリフと登場人物でも、作り手の感性で全く別の作品になる。その部分は、今の AI には再現できていません。 むしろ現実的には、AI がキャラの一貫性を保てるようになると、人間のクリエイターが「下描き」「背景」「修正」といった時間のかかる単純作業から解放される。その分、本来の創作判断や企画、シナリオに力を使える可能性が高いのです。アニメやマンガの制作現場は、今もスケジュール崩壊が常態化していますから、こういう補助技術が入ってくる土壌があります。完全自動化よりは、人間が主導権を持ったまま「つらい部分を肩代わりしてくれるツール」になる方が、現実的な道筋に見えます。

キャラの外見がブレる問題って、ずっと前からあった課題なの？それとも AI が最近急に進化したから顕在化した問題？

両方だと思います。アニメーションやマンガの自動生成という領域そのものが、ここ2〜3年で初めて「実用レベルの品質」に達したばかりなんですよね。だから、昔からあった理論的な課題というより、AI が実際に「連続した絵を生成する力」を手に入れたことで、初めて現実の問題として浮上したというのが正しい。 いわば、自動翻訳が実用化する前は「文脈に応じた訳語の選択」が課題にはならなかった。翻訳システムが動くようになったから、初めて矛盾が目立つようになったのと同じ。 ただし、キャラの一貫性を保つこと自体は、CG 映画やゲームの世界では昔から重い問題でした。その時は人間が手作業で修正していた。AI がそれを自動でやり始めたから、「軽さとの両立」という新しい課題が生まれたわけです。つまり、古い問題が新しい文脈で再登場した形と言えるのかもしれません。

『代名詞が出た時だけ参考にする』って、要するに人間も同じことをしてるってこと？物語を読むときに『彼』って単語で一貫性を保ってる、みたいな？

面白い着眼点ですね。確かに似た構造ですが、ちょっと違うんです。 人間が物語を読むとき、『彼』という代名詞は「あ、同じ人のことね」という確認信号に過ぎません。私たちの脳には、その人物の外見イメージが既に立ち上がっていて、代名詞がそれを『指し示している』だけ。つまり、外見の一貫性は代名詞によって成り立っているというより、人間が勝手に想像した映像が頭のなかで続いているわけです。 ReCap の賢いところは、AI が『代名詞に注目する』ことで、前フレームの画像データを『参照するトリガー』として使ってる点。人間で言えば、代名詞が出たときに「あ、この人のこと。さっきの絵を見返して、同じ顔で描こう」と意識的に確認する感じに近い。 つまり、仕組みとしてはむしろ逆で、人間は『代名詞で内容を理解し、その内容から一貫性が自動的に生まれている』のに対して、AI は『代名詞というきっかけを使って、外見データを明示的に参照することで、初めて一貫性を保つ』という段階。代名詞の役割が、人間と AI で少し違うんですね。

キャラの見た目がわざと少しずつ変わる学習を『正す』って言ってるけど、それってむしろ人間キャラの自然な変化を AI が学んでしまってたってこと？

興味深い視点ですね。ただ、ここで「自然な変化」と「ノイズ」は分かれてるんだと思います。 人間のキャラクターが髪を切ったり、服を変えたり、表情筋が発達したりするのは、物語内の時間経過や心情の変化を表す「意図的な変化」。それに対して ReCap が正していたのは、生成 AI の限界から来る「無意図的なズレ」の方です。 同じプロンプトで何度も同じシーンを描かせると、毎回微妙に異なる顔が生成される。それが積み重なって、章が進むごとに別人化していく。これは AI が「一貫性を保つ能力」を持っていないせい。人間が小説を読んで頭のなかで映画化するとき、登場人物の顔はずっと同じですよね。それに近づけるために、代名詞で「ああ、このキャラが出てきたな」と思い出させて、前フレームを参考にさせる。 つまり ReCap は、人間が自然に読むときの「登場人物の記憶を保つ」という能力を、AI に疑似的に与えたということなのかもしれません。物語内の意図的な変化を潰しているというより、生成のたびに起きる揺らぎを抑える仕組みと言えそうです。