はじめに
最近、1枚の静止画から数秒の動画を生成する「Image-to-Video(画像→動画)」系のAIが急速に実用レベルになってきました。
本記事では、仕組みをざっくり整理したうえで、ローカル環境を用意せずにブラウザだけで試す手順と、きれいに動かすためのコツをまとめます。
Image-to-Video の仕組み(ざっくり)
多くの画像→動画モデルは、以下のような流れで動いています。
- 入力画像のエンコード:静止画を潜在空間(latent)に変換し、1フレーム目の条件として使う
- 動きの条件付け:テキストプロンプトや「エフェクト」のプリセットで、どんな動きをさせるかを指定
- 時間方向の拡散生成:拡散モデルが複数フレームをまとめてノイズ除去し、フレーム間の一貫性を保ちながら動画を生成
- デコード:潜在表現を実際のフレーム画像に戻し、動画として書き出す
ポイントは「1フレーム目が強く固定される」ことです。そのため 元画像の品質がそのまま動画の品質を左右します。
ローカルで動かす場合の課題
オープンソースのモデルを自前で動かすことも可能ですが、
- VRAM 16GB以上のGPUが実質必要
- 依存関係(PyTorch / CUDA / 各種ノード)のセットアップが重い
- 1本生成するのに数分〜十数分かかる
といったハードルがあります。まず「どんな動きが出せるのか」を確認したいだけなら、ブラウザ型のサービスで試すのが手っ取り早いです。
ブラウザだけで試す手順
今回は AI Photo Animator を使いました。インストール不要で、新規登録するとクレジットカード登録なしで無料クレジットが付与されるので、検証用途にちょうどいいです。
- 公式サイトにアクセスしてサインアップ
- 動かしたい画像をアップロード
- 動きをプロンプトで指定するか、プリセットのエフェクトを選ぶ
- 生成して、MP4をダウンロード
プロンプトを毎回考えるのが面倒な場合は、エフェクト一覧 から用途に合ったテンプレートを選ぶだけで、ハグ・キス・ダンス・変身などの動きを適用できます。どの条件付けでどんな動きになるかを比較する用途にも便利でした。
きれいに動かすためのコツ
実際に何本か生成してみて、効いたポイントをまとめます。
| 項目 | おすすめ | 理由 |
|---|---|---|
| 解像度 | 長辺1024px以上 | 1フレーム目が劣化すると全体がぼやける |
| 被写体 | 顔・体がはっきり写っている | 動きの推定が安定する |
| 背景 | シンプルなもの | 背景の破綻(ちらつき)が減る |
| プロンプト | 動きを1つに絞る | 複数の動作を指定すると崩れやすい |
| カメラワーク | 「slow zoom in」など控えめに | 大きなカメラ移動は歪みの原因になる |
プロンプト例:
The woman slowly turns her head and smiles, hair gently moving in the wind, slow zoom in, cinematic lighting