(90)までの全体動画は、夜の電車で眠り込む場面から始まっていた。作り進めるうちに、この女性がなぜ疲れているのかを、説明の台詞ではなく映像で見せたくなった。最後まで残るオフィス、机の飲み残し、誰もいないフロアの消灯、通用口での警備員との短い挨拶。数秒ずつの場面を前に足すことで、電車で眠り込む姿に理由がつく。14版回して5本を採用し、全体は20カット・152.1秒になった。
先に要点
- 採用5本: 00091(残業と同僚2人の退勤、12.25秒)、00094(机上の時間経過、5.17秒)、00092(作業終了→ため息→退出→消灯、15秒)、00102(警備員への挨拶、10.125秒)、00103(通用口から屋外へ、5.17秒)。既存の104.3秒の前に置いて152.1秒。
- 孤独は表情でなく光と空間で: 彼女の区画だけ明かりを残し、無人の席を暗く。同僚の声は「背景通路の離れた位置から小さく」「彼女の返答は近く明瞭に」と、距離に応じた音量差を書いた(00090→00091)。
- 時間経過は机上の小物で: 飲み残しのコーヒー、食べかけのチョコ、丸めた包み紙。個別のアイテム図だけでは相対寸法が伝わらず巨大な箔が出たので、カップと同じ1枚に並べて比率を示した(00093→00094)。
- 通用口は言葉で方向を説明しても直らない: 内外2構図を1枚にした参照では入館する向きに。別画像に分けて「窓口は室内側では左、屋外側では右」と書いても、2カットを1回で作ると混乱が残った。「室内で挨拶」と「屋外カメラから退出」を別生成にして解決。退出(00103)は1回で採用。
- 音声参照は外し、台詞はひらがなと語尾で: 警備員の抑揚を当方の録音した声で参照させると、声そのものが出ているように聞こえた(当方の聴感)。録音を外し、台詞を「お疲れ様。遅くまでご苦労様」から「おつかれさま、おそくまでごくろうさまです。」に変えた00102が自然になった。ただし表記・語尾・音声参照の有無を同時に変えたので、どれが効いたかは分けていない。
- メモリと画素数: 15秒・0.6MP・画像5枚+約5秒の音声は、GPUの空きが22MiBで726MiBを確保できずメモリ不足で止まった。音声を外して0.5MPにした00097は成功。0.6MPで再試行した00098は動作と発話が悪くなった(当方の評価)。画素数を上げれば良くなるわけではない。
残業: 光と空間と、声の距離
広いフロアの整然とした机・椅子・PCの夜景を背景参照に、彼女の区画だけ明かりが残り、無人の席が暗い対比を指定した。前半は作業する顔の近景、後半は引きで「残される」印象を作る。
| 版 | 結果 | 判断 |
|---|---|---|
| 00090 | 同僚2人が退勤し、彼女はPC作業を続ける12秒。近景から引きへ。遠くの同僚の挨拶が、すぐそばの声のように大きい | 声量の距離差と暗部を書き足す |
| 00091 | 彼女の机周辺の光を保ち、無人区画を暗く。同僚の声は控えめ | 採用 |
| 00092 | 15秒で作業終了→ため息→バッグを取る→退出方向へ→消灯 | 採用。引きへの切替で通路照明の連続性は完全ではない |
00090で同僚の声が近すぎた理由は確定できない。実行したプロンプトでは両者の声を一括して「丁寧で控えめ」と書いていて、距離と音量の相対差が未指定だった、というところまで。音量は当方の聴感で、話者別の測定はしていない。

机上の小物: 寸法は同じ画像の中で示す
| 版 | 結果 | 判断 |
|---|---|---|
| 00093 | カップ、空きトレー、キーボードと手。大きく開いた箔が卓上にあり、丸めた箔も大きい。箱の形も参照と違う | 修正 |
| 00094 | カップと同じ画像で比率を示し、トレー中央の仕切り、片列に残るチョコ、約5mmに丸めた箔3個に整理 | 残課題を了承して採用 |
カップのアイテム図とチョコのアイテム図を別々に渡した00093では、箔と箱が大きく出た。00094ではカップ・箱・箔を1枚に配置して相対寸法を示した。生成に使った箱や口径の寸法は比較のための仮の目安で、実測ではない。
00094には、チョコが楕円でなく丸い、指が不自然な位置のキーを押す、打鍵音が聞こえない(聴感)という残課題がある。直ったとは書かず、採用判断として記録する。

通用口: 9版かかった
室内から外を見る図と、外から室内を見る図を1枚に並べた参照では、出るはずの女性が入館する向きになった。参照を2枚に分け、窓口の位置を左右で明記しても、「挨拶」と「退出」の2カットを1回で作ると混乱が残った。最終的には場面を分けた。
| 版 | 結果 | 判断 |
|---|---|---|
| 00095 | 内外2構図と挨拶・退出を15秒にまとめる | 外から入るような動線。予定外の台詞 |
| 00096 | 退出方向と女性の「失礼します」を明示 | 後半は良いが、冒頭の入館方向は残る |
| 00097 | 内外の参照を別画像にし、音声参照を外す。0.5MP | 一時採用 |
| 00098 | 0.6MPで再試行 | 動作と発話が悪化。画素数増で質は保証されない |
| 00099 | 挨拶だけを10秒の室内単独カットに分割 | 良い。警備員のアクセントは許容範囲 |
| 00100 | 当方の録音した声をアクセント参照に追加(自然文で指定) | 録音の声そのものが出る(聴感) |
| 00101 | 公式ガイドの参照書式で再試行 | 構図・動きは良いが、録音の声が残る |
| 00102 | 参照音声を外し、台詞を「おつかれさま、おそくまでごくろうさまです。」に | 発話が自然。採用 |
| 00103 | 屋外側のみ・5秒・会話なしで扉を出る | 1回で採用 |
分けたあとの指定はこうなった。挨拶(00102)は室内カメラ、画像①女性②バッグ③室内側の通用口④警備員、右手にバッグ、窓口へ向くのは顔と上半身だけで、進行方向は出口のまま。退出(00103)は屋外カメラの固定ショット、台詞なし、室内の扉直前の正面姿から閾を越えて歩道へ向きを変える。右手のバッグを共通にし、左手で扉を扱う。空間・動作・会話を1つずつ確認できる形にしたら、退出は1回で済んだ。

音声参照で起きたこと
警備員の台詞の抑揚を日本語らしくするため、当方が録音した短い声を参照に足した(00100・00101)。H3の公式ガイドには、音声の「再利用」と「参照」を分け、参照として宣言すれば声質やリズムの参考にできる旨がある。8月に同じ手順で成功した記録も当方にはあった。
今回は、参照書式どおりに書いた00101でも、録音の声が出ているように聞こえた。保存ノードの配線は生成音声のVAE出力で、録音を直結したものではない。波形の照合や独立した聴取はしていないので「録音をそのままコピーした」とは断定しない。過去の成功が毎回の分離を保証するものでもない。
採用の00102は録音を外し、台詞をひらがなで読みを示し、「ご苦労様」を「ごくろうさまです」にした。日本語の発話が不自然なときに、読みの明示と自然な語尾は試す価値がある。ただし「ひらがなにすれば必ず良くなる」とは書かない。
メモリと画素数
15秒・0.6MP・画像5枚+約5秒の音声の試行は、GPUの空きが22MiBで追加の726MiBを確保できず、メモリ不足で止まった。ComfyUIはその際にモデルを解放している。続く別の実行も止まったが、同じ原因とは断定しない。音声を外して0.5MPにした00097は成功。10秒に分割したあとの0.6MPは完了した。
設定はいずれも10ステップ・Euler・simple・denoise 1.0。ファイル名に残る「20step」は固定の接頭辞で、実際のステップ数ではない(出力PNGのメタデータで確認)。
参照の用意

全体編集
0〜12.25秒: 00091 / 12.25〜17.42秒: 00094 / 17.42〜32.5秒: 00092(末尾4フレームは静止で延長) / 32.5〜42.625秒: 00102 / 42.625〜47.79秒: 00103 / 47.79〜152.125秒: 既存(電車→夜道→玄関→ソファー→歯磨き→消灯→朝→ランニング)。全体は20カット・3,651フレーム・152.125秒、H.264/AAC。ffprobeと全編デコードで確認。会話の自然さは当方の聴取評価。
今回の結論と限界
- 疲れの理由は、台詞でなく場面を前に足すことで作れる。数秒のBロールで足りる。
- 空間の向きが混乱するときは、言葉で説明を足すより、カットを分けて1つずつ確認できる形にする。
- 小物の寸法は、個別の図でなく比較対象と同じ1枚で示す。
- 日本語の台詞は、読みの明示と語尾で変わりうる。音声参照は意図どおりに効くとは限らない。
- 0.5MPと0.6MPの差は画素数だけではない。これは今回の制作での観察で、H3全般の比較実験ではない。
書いていないこと
- プロンプト全文、seed、保存先。
- オフィスと通用口の参照シート(当方の撮った写真を基に生成したもの)、チョコのアイテム図(実在の製品に寄るため)、参照に使った当方の録音。
- 全14版の音声の独立した聴取評価と、話者別の音量測定(未実施)。
続報(11月15日): 通用口と電車の間に駅の入口5秒とIC改札5秒を足し、全体は22カット・162.5秒になった。改札の遮蔽板の動きは未解決。(92)を参照。
続報(11月16日): 音声参照で録音の声が出た件は、公式ガイドのaudio reference(音色参照)とaudio reuse(信号そのまま)の違いとして整理し、台詞を外の音声合成で作ってreuseで渡す方針に切り替えた。候補8本の比較は(95)を参照。

コメント