同じAIキャラクターがコミックのコマごとに顔、服、髪型を変えるのはなぜ？

2026-08-13

AI生成の赤毛キャラクターを3回描画し、コマごとに顔の形、髪型、ジャケットの細部がわずかに変化していることを示す比較ストリップ

コマ間のアイデンティティドリフトを引き起こす真の原因は、プロンプトの表現か、それともモデルアーキテクチャか？

AIコミックにおけるキャラクタードリフトは、プロンプトのミスではなくアーキテクチャ上の制約です。テキストから画像を生成するモデルは、各コマを過去の出力を記憶しない独立したサンプリング事象として生成します。そのため、「トレンチコートを着た赤毛の探偵」という説明は、毎回同じ人物ではなく、統計的にもっともらしい人物として解釈されます。最も信頼性の高い解決策は、テキストではなく参照画像とアセットシステムを通じてアイデンティティを保持することです。ComicInk、LTX Studio、Figma Weave、JenovaのComic Creatorはいずれも、異なるアプローチからこの原則に行き着いています。

ドリフトに強いワークフローと、ドリフトを起こしやすいワークフローを分ける要素は次のとおりです。

✅ 参照アンカー型生成 — アイデンティティを各コマで文章として再記述するのではなく、画像アセットで保持する
✅ 属性の分離 — 顔、髪、衣装、背景を個別に固定し、シーン変更でキャラクター全体が入れ替わらないようにする
✅ 前景と背景の分離 — 顔が維持されていても背景の細部はドリフトすることが研究で示されています（CharaConsist、ICCV 2025）
✅ 語彙の規律 — 「茶色のトレンチコート」は常に「茶色のトレンチコート」とし、「コート」や「ジャケット」に変えない
✅ 動きへの許容度 — キャラクターのポーズやアクションが変わると、一貫性維持手法の性能は急激に低下する

ツールやワークフローを正直に評価するには、「キャラクターが違って見える」という単一の症状の背後に隠れた、4つの異なる失敗メカニズムをまず理解することが役立ちます。

キャラクタードリフトを引き起こす4つの技術的原因とは？

ドリフトには分離可能な4つの原因があり、それぞれに異なる対策が必要です。これらを1つの問題として扱うため、多くのクリエイターは完全には機能しないプロンプト調整を繰り返すことになります。

1. 記憶メカニズムがない。 各生成は独立した事象です。LTX Studioの技術解説では、モデルは「以前に生成したキャラクターの特徴を記憶できない」と明確に述べられています。そのため、すべてのレンダリングはテキスト記述から再開されます。プロンプトは仕様書ではなく確率分布です。「緑の目、30代半ば」という指定には、有効な顔が何百万通りも存在します。

2. スタイルとアイデンティティの絡み合い。 モデルは、キャラクターが誰であるかと、画像がどのように見えるかを分離するのが苦手です。コマごとにアートディレクションを変えると、たとえば劇的な照明や広い画角にすると、顔の形状も一緒に変化します。モデルはそれらを独立変数として学習していないためです。

3. パースと3D推論の不足。 同じ人物を新しい角度から描画するには、モデルが持っていない暗黙的な3D理解が必要です。横顔や後ろ姿でドリフトが最も起きやすいのはこのためであり、LTXが後工程での柔軟性のために正面の参照画像を推奨する理由でもあります。

4. 注意の分散。 モデルは、キャラクター、衣装、背景、スタイルに対して有限の注意を同時に割り当てます。物語の複雑さを加えるほど、キャラクターの細部は競争に負けやすくなります。

🎯 顔よりも衣装がドリフトしやすい理由

衣装は最も語られていない失敗モードです。ICCV 2025のCharaConsist論文では、IP-AdapterやPhotoMakerを含むアイデンティティ参照手法は「顔のアイデンティティ保持のみに注力しており、衣服やシーンなど、ほかの属性の一貫性を保証できない」とされています。顔を固定するツールでは、顔を安定させながらもジャケットの色が変わり、襟の形が変わり、アクセサリーが消えることがあります。これらのシステムは、そもそもそうした要素を保持するように訓練されていないためです。

現在の手法で、実際にどの程度の一貫性を実現できるのか？

測定可能な一貫性は存在しますが、完全ではありません。アイデンティティを完全固定できる手法はなく、数値は各アプローチがどこで破綻するかを明確に示しています。CharaConsistチームは、前景（CLIP-I-fg）と背景（CLIP-I-bg）に分けたCLIP画像類似度、および顔埋め込み類似度（ID Sim）を用いて、主要4手法をベンチマークしました。

報告された結果では、背景維持タスクにおいてCharaConsistはCLIP-I-fg 0.883、CLIP-I-bg 0.916を記録し、ConsiStoryの0.876と0.895を上回りました。特に、多くの手法が完全に無視している背景一貫性で差が広がっています。

同論文で報告された人間による選好調査では、評価者はベースラインに比べてCharaConsistを、衣装の一貫性で64%、**背景の一貫性で98%**の割合で選びました。一方、テキスト整合性の選好率は57%にとどまり、アイデンティティの固定とプロンプト追従の間に測定可能なトレードオフがあることを示しています。

このトレードオフこそ、この分野全体における中心的な緊張関係です。すべての一貫性メカニズムは生成器に制約を加え、制約にはプロンプト応答性の低下という代償があります。論文のアブレーションでも、CharaConsistを適用したFLUX.1は、未改変のベースモデルよりCLIP-T（テキスト整合性）が低くなっています。

📊 動きの問題

一貫性維持手法は、動きが加わると性能が低下します。CharaConsistの著者らは、「前景のキャラクターが大きな動作変化を行うと、アイデンティティと衣装の細部に不整合が明らかになる」と直接指摘しています。キャラクターが走り、戦い、身振りをし、反応するコミックでは、これが最も厳しい制約です。会話中心のコマはアクションコマよりはるかに安定し、静的なポートレートだけを比較するツール評価は、実際の制作パフォーマンスを過大評価しています。

利用できるアプローチには何があり、どう比較できるのか？

異なるアーキテクチャに基づく4つのアプローチがあり、いずれもセットアップコスト、一貫性の強さ、創作の柔軟性という3つの軸でトレードオフを伴います。

項目	汎用生成器（Midjourney、DALL·E）	ComfyUI + IP-Adapter/ControlNet	参照アセット型プラットフォーム（LTX、Figma Weave、ComicInk）	Jenova Comic Creator
一貫性の仕組み	Seedの再利用 + プロンプト反復	学習済みアダプター、LoRA、顔埋め込み	生成ごとに再利用する保存済みキャラクターアセット	永続的な会話メモリ + 保存済みキャラクター定義
顔の一貫性	弱い — ユーザーから主要な失敗として報告される	強い — IP-Adapter FaceIDはアイデンティティに最適化	強い — アセットアンカー型	定義済みキャラクターでは強い。選択モデルにより変動
衣装の一貫性	弱い	弱い — アイデンティティ参照手法で文書化された欠点	衣装バリエーションで対応（LTXの複製・変更）	セッションメモリ内の明示的なキャラクターシートで維持
セットアップコスト	最小限	高い — ワークフロー構築、モデル重み、GPU	中程度 — まずキャラクターライブラリを構築	低い — 会話型セットアップ、技術設定不要
ポーズ・アクションの柔軟性	高いが不安定	中程度 — ControlNetでポーズを制御	中程度 — 正面参照への偏りが角度を制限	中程度 — 極端なアクションではドリフトが増加
ローカルハードウェア	不要	オフロードモードにより3–37 GB VRAM	不要	不要
料金	Midjourney/DALL·Eのサブスクリプション階層	ソフトウェアは無料。ハードウェアと電力のコスト	Figma Weaveの無料枠 + 有料プラン、ComicInkは4ページの無料トライアル	無料枠、Plusは無料枠の30倍の利用量で月額$20
最適な用途	印象的な単体画像、コンセプトアート	最大限の制御を求める技術志向のクリエイター	繰り返し登場するキャストを標準化するチーム	会話形式でマルチコマの物語を書く、ストーリー優先のクリエイター

汎用生成器

MidjourneyとDALL·Eは、1枚ごとの美的品質では最高水準ですが、コマ間の一貫性では最も劣ります。クリエイターフォーラムでは同じパターンが一貫して報告されており、ユーザーは「全編を通じて同じ、あるいは似たキャラクターを登場させられない」と述べています。OpenAI開発者コミュニティには、「リクエスト間で顔の特徴、体型、肌の色、衣装、ポーズ」を保つことを明示的に求める、キャラクター一貫性とスタイル固定に関する公開要望スレッドがあります。Seedの再利用と単一ソース画像へのアンカーは有効です。Midjourneyの実務者は、1枚のソース画像と固定Seedを使い続けると衣装の安定性が高まると報告していますが、どちらの方法もアイデンティティを保証するものではありません。

ComfyUIアダプタースタック

技術的な到達点は最も高く、学習曲線も最も急です。IP-Adapterが外見とスタイルを保持し、ControlNetが構造を制御します。実務者は、どちらか一方だけでは不十分なため両方を組み合わせています。CharaConsistリポジトリはハードウェア要件を明確に記載しています。単一GPUでの動作には37 GB VRAMが必要で、逐次CPUオフロードを使えば3 GBまで下げられるものの、速度は大幅に低下します。この道は、ハードウェア要件だけで大半のコミック制作者を除外します。

参照アセット型プラットフォーム

実用的な中間案です。LTX StudioのElementsシステムは、@メンションで呼び出せる、永続的かつタグ付け可能なアセットとしてキャラクターを保存します。Figma Weaveは、「一貫性は偶然ではなく構造によって生まれる」というノードベースのアプローチを取っています。ComicInkは、まずキャラクター参照画像を生成し、それをすべてのページレンダリングに添付します。3つのツールは同じアーキテクチャ上の判断を共有しています。キャラクターを説明するのをやめ、キャラクターを参照することです。

実際のコミック制作でドリフトを防ぐには？

最も効果の大きい変更は、コマを1つでも生成する前に、キャラクターを説明からアセットへ変換することです。ほかの対策はすべて、その改善に向けた調整です。

共通のプリプロダクション手順：

まずキャラクターシートを作る。 1コマ目を作る前に、顔、髪、体格、衣装、カラーパレットを1枚の基準レンダリングに固定します。
語彙を固定する。 LTXのガイダンスは明確です。「『茶色のトレンチコート』は、後続の説明で『コート』や『ジャケット』にせず、常に『茶色のトレンチコート』とするべき」です。類義語のドリフトは視覚的なドリフトを招きます。
正面かつニュートラルな照明の参照画像を使う。 方向性の強い影や横向きの角度は参照画像に焼き込まれ、後のシーンと衝突します。
衣装を再記述するのではなく、意図的に衣装バリエーションを作る。 LTXでは、キャラクターを複製して衣装フィールドだけを編集することで対応します。これにより、@Sarah_casualと@Sarah_formalの間で顔のアイデンティティを保てます。

**JenovaのComic Creatorでは、**セッションの永続メモリがアンカーの役割を果たします。会話の中で一度キャラクターを確立すれば、エージェントがその定義を引き継ぎます。

「Mara Vossのキャラクターシートを作成してください。34歳、シャープな顎の輪郭、短く刈り込んだ銀髪、左袖口が破れた色あせたオリーブ色のフィールドジャケット、濃いグレーのカーゴパンツ。ニュートラルな表情、正面ビュー、柔らかく均一なスタジオ照明、フラットでニュートラルな背景。アメリカンコミックのインク画風。」

続いて各コマでは、再記述ではなく参照を行います。

「コマ3：Mara Voss — 同じキャラクターシート、左袖口が破れた同じオリーブ色のフィールドジャケット — 横転した車の後ろでしゃがみ、左を見ている。顔、髪、衣装をシートと完全に同一に保つ。」

**LTX Studioでは、**同等のフローは次のとおりです。Elements → Create New Element → Characterを開く → 5～12枚の参照画像をアップロードするか1枚を生成する → 名前を付ける → すべてのショットプロンプトで@CharacterNameをタグ付けする。保存済みElementの更新は、タグ付けされたすべての登場箇所に自動反映されます。

**ComfyUIでは、**グラフを構築します。アイデンティティ用にIP-Adapter FaceIDノードを読み込み、ポーズ構造用にControlNetを連結し、キャラクターでLoRAを学習させるか、すべてのレンダリングで固定参照画像をアイデンティティソースとして使用します。

⚠️ 機能しないこと

プロンプトに「一貫したキャラクター」や「前と同じ人物」を加えても効果はありません。モデルには「前」が存在しないからです。この失敗に関するコミュニティの記録は率直です。多くの人はAIに何が欲しいかを伝えるだけで、システムが固定できる参照を提供していないと指摘されています。テキストだけでは、欠けている記憶メカニズムを補えません。

キャラクターが維持されていても、なぜ背景はドリフトするのか？

背景がドリフトするのは、ほぼすべての一貫性維持手法が前景の被写体だけを最適化し、環境をコマごとに自由に再生成しているためです。CharaConsistの著者らは、これを先行研究の中核的な欠点として挙げています。既存の学習不要手法は「一貫した背景の細部を維持できず、適用可能性を制限している」のです。

測定上のコストは大きなものです。人間による選好調査では、背景の一貫性がすべての評価軸で最大の差を示しました。背景を明示的に扱う手法への選好は98%で、2つのベースラインはそれぞれ2%と0%でした。これはわずかな改善ではなく、ベースラインが実質的に背景保存を試みていないことを示しています。

コミックでは、単体イラスト以上に重要です。同じキッチンを舞台にした2ページの会話では、そのキッチンは同じキッチンであり続ける必要があります。コマの間でキャビネットの色が変わると、読者は理由を言語化できなくても、シーンに連続性がないと感じ取ります。

CharaConsistの技術的解決策は、注意の差分から導出した前景・背景マスクです。これにより、「前景と背景の一貫性を分離して制御」できます。連続シーケンスではシーンを固定し、ロケーション変更時には意図的に解除できます。大半の消費者向けツールはこの制御を公開していないため、実用的な回避策は、まず背景の導入カットを別途生成し、シーケンス全体で画像参照として再利用することです。

AIコミック制作に向け、複数のポーズと表情で一貫したヒーローとヴィランのデザインを示すキャラクターデザインシート

キャラクターを固定すると、どのようなトレードオフがあるのか？

一貫性を高めるたびに何かを犠牲にすることになり、最も一般的なコストはプロンプト応答性とシーンの多様性です。これを理解すれば、制約を強めた結果、なぜモデルが指示に従わなくなったのかと悩むサイクルを避けられます。

一貫性とプロンプト追従。 CharaConsistのアブレーション研究は、この点を異例なほど率直に示しています。FLUX.1に一貫性維持手法を適用すると、ベースモデルに比べCLIP-Tのテキスト整合性スコアが低下しました。選好テストでのテキスト整合性は57%で、測定されたすべての評価軸の中で最も低い結果でした。強い参照アンカーは、生成を参照画像へ引き寄せ、新たな指示から遠ざけます。

参照バイアスと角度の範囲。 正面の参照画像は後工程での再利用性を最大化しますが、出力も正面に偏らせます。正面に固定されたキャラクターから、本物らしい斜め45度や俯瞰のコマを得るには、アンカーと戦う必要があります。

静的な忠実性とアクション。 一貫性ベンチマークは通常、比較的構図の整ったシーンで測定されます。コミックには動きが必要であり、CharaConsist論文が明示的に性能低下の発生箇所としているのも動きです。

セットアップへの投資と柔軟性。 ComfyUIのLoRAおよびアダプターパイプラインは最も高い到達点を提供しますが、実務者はその実用上の負担にも言及しています。あるワークフロー制作者は、「キャラクターごとのチェックポイントファイルを保存する」必要がないことを魅力として挙げています。つまり、多くのワークフローではまさにそれが必要になるということです。

実務者は、この技術の現在地をどう見ているのか？

実制作向けのコミックワークフローを構築している人々の間では、参照アンカーによって問題の大部分は解決され、残る失敗は動きと衣装に集中しているという見方が一致しています。

「多くの人がAIコミックに持ち込むメンタルモデルは、1コマ目から間違っています。彼らはプロンプトを、モデルが読み取り実行する仕様書だと考えます。しかし、そうではありません。プロンプトはサンプリング上の制約です。『赤毛の探偵』と書くと、可能な顔の空間を数十億から数百万へ絞り込んだにすぎず、1人に特定したわけではありません。各コマは、その絞り込まれた空間からの新たな抽選です。このことを理解したクリエイターは、プロンプトを書き直すのをやめ、参照アセットを作り始めます。そうすれば問題の大部分は解消します。」

「意外に思われるのは、顔は簡単なほうだったことです。顔の固定には、複数のアーキテクチャにまたがる強力で十分に訓練された解決策があります。頑固なのは衣装です。衣服は顔より自由度が高く、一貫性保持に割かれた学習シグナルもはるかに少ないからです。私たち自身のテストでは、キャラクターの顔は12コマのシーケンスを通じて維持される一方、ジャケットの襟が気づかれないまま3回変わることがあります。私たちはクリエイターに、衣装を一般的な説明ではなく、固定語彙を持つ名前付きの存在として扱うよう伝えています。たとえば、単なる袖口ではなく、具体的に『左の破れた袖口』とするのです。特徴的で名前を付けられる細部は残りやすく、一般的な細部は残りません。」

「誰も宣伝しない正直な限界はアクションです。一貫性ベンチマークは比較的構図の整ったショットで実行されます。コミックは整ったショットではありません。人々がパンチの途中、転倒の途中、疾走の途中にいる媒体です。まさにそこですべての現行手法は保持力を失います。戦闘シーケンスを計画しているなら、反復作業のための余裕を見込み、8つの独立したアクションコマに整合性を期待するより、1枚の広い導入コマを基準にシーケンスを固定することを検討してください。」

— Jenovaプロダクトチーム、マルチコマAI生成ワークフローの構築経験6年

自分の状況にはどのアプローチが適しているか？

適切なツールは、技術的な習熟度、必要なコマ数、ストーリー生成が画像生成と同程度に重要かどうかという3つの変数で決まります。

**汎用生成器を選ぶべきなのは、**少数の印象的な画像が必要で、視覚的一貫性を受け入れられる場合、または連続する物語ではなくコンセプトアートを制作する場合です。純粋な画像美学では、Midjourneyが依然として最も強力な選択肢です。

**IP-AdapterとControlNetを組み合わせたComfyUIを選ぶべきなのは、**GPUを利用でき、技術的な忍耐力があり、最大限の制御を必要とする場合です。特に、キャラクターLoRAの学習を正当化できるほどの制作量がある場合に適しています。FaceID Plus V2のワークフローは、現在の実用的な標準です。

**参照アセット型プラットフォームを選ぶべきなのは、**固定キャストで繰り返し制作し、一元化されたアセット管理を求める場合です。Figma Weaveはキャラクター基準を共有するチームに、LTX Studioは動画に近い制作に、ComicInkは迅速なエンドツーエンドのコミック出力に適しています。

**JenovaのComic Creatorを選ぶべきなのは、**ボトルネックがアートだけでなくストーリーにもある場合です。このエージェントは、脚本、コマ割り、生成を1つの会話スレッド内で処理し、セッションメモリによって長期プロジェクト全体でキャラクター定義を引き継ぎます。利用先はjenova.ai/a/comic-creatorです。縦スクロール形式には、エピソード構成とスクロールのリズムを扱うWebtoon Creatorがあり、Manga Creatorはモノクロのコマ表現の慣習に対応します。ここにも正直な制約があります。極端なアクションポーズや複雑な複数キャラクターのコマでは、依然として反復作業が必要であり、プラットフォームは研究グレードの手法が備える前景・背景マスキング制御を公開していません。無料枠には利用上限があり、Plusはその30倍の利用量で月額$20です。

どの道を選んでも、根本原則は同じです。キャラクターの一貫性は、プロンプトエンジニアリングの衣装をまとったアセット管理の問題です。 まず参照を作り、すべての特徴的な細部に名前を付け、同じ語を再利用し、アクションコマには追加の試行が必要になることを受け入れてください。