Image-to-Videoを安定させるための考え方：Seedance 2.0で「崩れない動画」を作るワークフロー

Image-to-Videoは、次のように説明されがちです。

画像をアップロードする
  -> 動きを指示する
  -> 動画ができる

ただ、実際に使ってみると、被写体の顔が途中で変わる、服や背景がちらつく、商品のロゴが崩れる、といった問題にすぐ当たります。

これは「プロンプトが弱い」だけの問題ではありません。1枚の静止画には、被写体の正面やその瞬間に見えている情報しかありません。そこから大きなカメラ旋回、全身の歩行、激しい身振りを要求すると、モデルは見えていない面や姿勢を推測して補う必要があります。

本記事では、Seedance 2.0を含むImage-to-Videoモデルを、プロンプトの小技ではなく制約を設計する問題として扱います。プロダクト画像、人物ポートレート、承認済みのキービジュアルを、動画素材として安定して使うための実践的な考え方です。

モデルの入力上限、料金、提供状況、商用利用条件は変わります。実運用の前には、利用するサービスの公式ドキュメントとライセンスを確認してください。

Text-to-VideoとImage-to-Videoの使い分け

Text-to-Videoは、モデルに映像世界そのものを発明してもらう用途に向きます。人物、光、構図、背景、動きをゼロから組み立てるため、雰囲気重視のB-rollや抽象的な表現では強力です。

一方、Image-to-Videoは、すでに決まっている見た目を保ちたい場合に向きます。

シーン	まず選ぶべき方式	理由
ECや広告向けの商品カット	Image-to-Video	形状、色、素材、ラベルを崩したくない
同じ人物が複数カットに登場する映像	Image-to-Video	ヒーロー画像を基準に一貫性を保ちやすい
クライアント承認済みの静止画を動かす	Image-to-Video	すでに承認されたアートディレクションを守れる
雰囲気だけが欲しいB-roll	Text-to-Video	被写体の同一性より、発想の広がりが重要
抽象的なコンセプト映像	Text-to-Video	正確さより、シーンの創造性が重要
既存のブランド写真を動画化する	Image-to-Video	写真ライブラリを動画制作の入力にできる

要するに、両者の役割は次のように分けられます。

Text-to-Video: シーンを発明する
Image-to-Video: 制約付きのシーンを動かす

後者は制約が多いぶん、正しく入力を作れば予測可能性も高くなります。

元画像は「最初のフレーム」ではなく契約書

元画像は、動画全体で何を守るべきかをモデルへ渡す契約書です。生成前に、次の5点を確認します。

1. 解像度は十分か

短辺は最低でも768px、人物やプロダクトを扱うなら1024px以上を目安にすると安定しやすくなります。

低解像度の画像を後からアップスケールしても、元から存在しない顔の細部、商品のエッジ、布の質感は復元できません。動画生成では、その不足分をモデルが推測するため、フレーム間の揺れにつながります。

2. 背景は被写体を助けているか

被写体が主役なら、透過PNGやシンプルなスタジオ背景が扱いやすいです。モデルが保持すべき対象を読み取りやすくなり、背景側の予期しない動きも減らせます。

複雑な背景を使うこと自体は問題ではありません。ただし、人混み、反射ガラス、細かい壁紙、複数の小物があるほど、時間方向に整合させるべき要素が増えます。まず短いテスト生成を行うのが安全です。

3. 光は被写体を読める状態か

ドラマチックな照明は使えますが、顔の輪郭や商品の形が見えないほど暗いと、同一性を維持するための手がかりが減ります。

最初は、被写体の形状が明確に読める光から始めるのがおすすめです。基準となる映像が安定してから、コントラストの強い演出を試します。

4. エッジはきれいか

透過PNGの切り抜きが粗い、背景のピクセルが残っている、白いフリンジがある。このような状態では、輪郭が動画内でちらつきます。

alphaチャンネルを整える数十秒は、後工程で不自然な輪郭を修正する時間を大きく減らします。

5. トリミングは欲しい動きに合っているか

フレーミングは、そのまま「動きの予算」になります。

元画像の構図	得意な動き	苦手な動き
顔のアップ	まばたき、表情、軽い顔の向き変更	歩行、大きなジェスチャー、カメラの大旋回
腰から上	会話、軽い手の動き、ゆっくりしたドリー	激しい全身動作
全身	ポーズ、シルエット、広めの構図	細かな顔の同一性
商品の寄り	push-in、光の移動、小さな横移動	見えていない面を大きく見せる動き

見栄えする3秒の安定したショットは、途中で破綻する派手なショットより、編集素材としてはるかに価値があります。

「小さく動かす」を基本戦略にする

最も安定するのは、元画像がすでに持つ情報の範囲に収まる動きです。これは映像を退屈にするという意味ではありません。見えない形状や新しい人体のポーズを、無理に補完させないという意味です。

安定しやすい動き

• Slow push-in：被写体へゆっくり寄る。人物、商品、室内で使いやすい。
• Gentle pull-back：周囲に余白がある画像で、ゆっくり引く。
• Subtle parallax：前景と背景に奥行きがある場合の、わずかな横移動。
• Soft light sweep：被写体の形を変えず、表面にハイライトを移動させる。
• Micro-action：自然なまばたき、少しの笑み、わずかな首の傾き。
• カメラ動作の明示：eye-level slow dolly-in のように書く。

破綻しやすい動き

• 1枚の画像から走る、踊る、全身で回転する。
• カメラ旋回、人物の歩行、背景のパンを同時に要求する。
• make it dynamic のような、方向のない指示。
• 4〜5秒の中に複雑な行動を詰め込む。
• 被写体の動きだけを書き、カメラの位置や動きを指定しない。

こうした指示では、モデルに複数の未定義な再構成問題を同時に解かせることになります。

プロンプトは4つの責務に分ける

Image-to-Videoのプロンプトでは、次の4つを混ぜずに書くと安定します。

[identity anchor]
[camera behavior]
[subject behavior]
[continuity constraints]

たとえば、次のような構成です。

Reference image @image1 defines the subject and wardrobe.
Slow eye-level dolly-in from a medium shot to a close-up over 6 seconds.
The subject makes a subtle natural blink and a slight smile.
Keep facial structure, hair color, skin texture, clothing, and lighting consistent with @image1 throughout the clip.

この例では、カメラは動きますが、人物の動きは小さく抑えています。また、@image1 が人物の同一性を決めると明記しています。

「この人物を使って映画のような動画を作って」よりも、モデルが守るべき条件を解釈しやすくなります。サービスが名前付きReferenceをサポートしているなら、人物用、スタイル用、動き用の素材を混同しないためにも活用しましょう。

最初の生成は完成品ではなく診断結果

1回目の出力を最終素材として扱う必要はありません。どの制約が弱いかを調べる診断ランとして扱います。

確認順序は以下です。

1. 同一性：被写体は元画像と同じに見えるか。
2. 動き：カメラと被写体は指示どおり動いたか。
3. 時間方向の連続性：フレームごとに質感や形が急変していないか。
4. 音と雰囲気：音声が映像の邪魔をせず、シーンを補強しているか。

1番目で崩れている場合、色味や音を調整しても根本解決にはなりません。元画像を改善するか、動きの要求を小さくするべきです。

よくある失敗の切り分け表

症状	主な原因	最初に試す修正
顔や商品の形が途中で変わる	解像度不足、光が不均一	より鮮明で均一に照らされた元画像へ置き換える
動きがガタつく	指示が多すぎる	カメラ1つ、被写体の小動作1つに絞る
髪や布の柄が泳ぐ	細かい繰り返しテクスチャ	元画像の質感を単純にするか、動きを小さくする
映像がせわしない	尺に対して行動が複雑	行動を減らすか、長さを増やす
顔がワックスのようになる	見えていない角度や大きすぎる動きを要求	動きの強さを下げ、ショットを短くする
輪郭がちらつく	切り抜きエッジが粗い	透過PNGを作り直す
別の人物や物に置き換わる	Referenceの役割が明示されていない	@image1 defines the subject のように明記する

画像、プロンプト、尺、アスペクト比を同時に変えると、改善したとしても理由が分かりません。1回の生成で変える変数は1つに限定するのが、最終的には最短ルートです。

複数クリップで一貫性を保つ

良いヒーロー画像は、1回だけ使う素材ではなく、プロジェクト全体の共有入力として扱えます。

Hero reference
  -> Clip 1: 最小限の動きで被写体を確立する
  -> Clip 2: 同じhero reference + Clip 1の最終フレーム
  -> Clip 3: 同じhero reference + 前クリップの最も安定したフレーム
  -> Edit: 動き、光、または音の変化でつなぐ

前のクリップの最終フレームを追加Referenceにすると、カット間の見た目をつなぎやすくなります。同時に、hero referenceを毎回使い続けることで、被写体そのものの同一性を固定できます。

商品映像なら、次のように分けられます。

1. 正面ラベルへゆっくり寄る。
2. 質感を見せる小さな横移動。
3. 光の移動と、最後のクローズアップ。

各クリップに役割を1つだけ持たせることで、編集後に「たまたま出た3本」ではなく、意図されたショットリストに見えるようになります。

モデル名ではなく、守りたい制約から選ぶ

Seedance 2.0は、複数Referenceや一貫性が重要な場面で有力な選択肢です。ただし、すべてのショットに同じモデルが最適とは限りません。

守りたいこと	注目すべきモデル特性
商品・人物の同一性	複数Referenceの制御と一貫性
1枚の画像からSNS用短尺を早く作る	設定負荷の低いsingle-image I2V
複雑な自然光	光の再現性とフォトリアルさ
画面内テキストと複数ショット	テキスト描画とショット制御
抽象的・雰囲気重視の映像	Text-to-Videoでのシーン生成能力

マルチモデルの環境では、プロジェクト単位ではなくショット単位でモデルを選ぶのが合理的です。たとえばSeedance 2.0は、Reference自体が主な制御信号になるカットに使い、同一性が重要でないカットにはより軽いモデルを使う、といった分け方ができます。

まとめ

安定したImage-to-Videoは、魔法のプロンプトから生まれるわけではありません。必要なのは、次の4つです。

読み取れる元画像
+ 元画像が支えられる範囲の動き
+ 明示的なカメラ指示
+ 1変数ずつの反復

まず、被写体が明確に見える元画像を使います。最初は「少なすぎる」と感じる程度の動きから始めます。各出力を診断結果として読み、1つずつ変数を調整します。

この流れを守ると、Image-to-Videoは派手なデモではなく、編集に使える映像素材を継続的に作るための制作工程になります。