生成AI研究室(92) 駅への寄り道を5秒×2で足す——入口は通ったが、IC改札の遮蔽板の動きは未解決。静止画の参照は可動部の軸までは伝えない

生成AI研究室(92) 駅への寄り道、5秒×2

(91)で会社の通用口を出た女性は、次のカットでそのまま電車の中にいた。話としては通じるが、駅へ移動した時間と場所を少しだけ見せたい。そこで東京駅丸の内北口の入口へ歩く5秒と、ICカードで改札を通る5秒を足した。入口は1回で採用。改札は2版回して、遮蔽板の動きが実写らしくならず、暫定採用のまま未解決。全体は22カット・162.5秒になった。

全体 22カット・162.5秒。残業→机上→消灯→挨拶→退出→駅の入口(00104)→改札(00106)→電車→夜道→玄関→ソファー→歯磨き→消灯→朝→ランニング。672×928・24fps、圧縮版
目次

先に要点

  1. 採用: 00104(夜の入口へ後ろ姿で歩く、5.17秒)。暫定採用: 00106(改札、5.17秒)。00105は比較用。挿入位置は通用口の退出のあと、電車の前(47.79〜58.125秒)。
  2. 入口は成立した。赤レンガ、緑の案内板、階段、右の手すり。駅の雰囲気と歩き方は良い。ただし終端でも女性は階段手前で、入館までは描かれていない。バッグは「左肩」と書いたが右肩に出た。次のカットは右肩に合わせた。
  3. 改札は未解決。00105は「通路が開く」とだけ書いたら、遮蔽板が左右に引っ込むように見えた。00106で「垂直軸を中心に、進行方向へ水平に回転し、開いた状態では筐体の側面に沿う」「板の大きさと高さを保つ」と具体化したが、コマで追っても回転の軸と軌跡がはっきり成立したとは判断できなかった。
  4. 静止画の参照は、色と形は伝えるが、可動部の軸と動作までは示さない。改札全景の参照シートで筐体の色や配置は再現できたが、板がどう動くかは別の情報が要る。
  5. 参照シートは1枚に3構図(入口・ホール・改札)を並べ、カットごとに「上段の入口を使う」「右下の改札を使う」と指定した。複数構図の混同は、今回の2カットでは起きていない。
  6. 次回案(未実施): 対象機種を決め、閉・途中・開の近接資料か短い動作参照を用意し、人物なしで機構だけを先に確認する。改札の再検証は日を改める。

参照の設計

当方の撮った4枚の写真を基に、夜の丸の内北口の参照シートを画像生成した。上段に屋外の入口、下段左にホール、下段右に改札正面。実測図や現況の再現ではなく、映像制作用の参照で、生成された案内表示の文字は正確な駅案内として使わない。写真そのものと参照シートは載せない。

参照の順序は①女性のキャラシート②ブルーグレーのトート③駅の参照シート。入口の動画では「上段の入口」、改札では「右下の改札」を対象に指定した。

3版の経緯

版意図と結果判断
00104夜の入口へ後ろ姿で歩く5秒。駅の雰囲気は良い。終端は階段手前で入館までは描かれず、左肩指定のバッグは右肩採用。次カットも右肩に合わせる
00105右手にICカードを持ち、斜め後ろから改札へ近づいて通過。開閉は「通路が開く」という汎用の指定全体は良いが、遮蔽板が引っ込むように見える
00106女性・構図・照明は保ち、板だけ「垂直軸を中心に進行方向へ水平回転、大きさと高さを維持、開状態で筐体側面に沿う」と具体化回転の軸と軌跡は確認できず。暫定採用して編集を進める
図1: 駅の入口と改札 00104→00106の1秒ごとの5コマ
00104(5秒)。夜の入口へ後ろ姿で歩く
00106(5秒)。右手のICカードで改札へ。遮蔽板の動きは未解決のまま暫定採用

改札で分かったこと

00106は0.5秒間隔の10コマで確認した。女性がカードを右側の読取部に近づけ、同じレーンを通る流れは成立している。一方で、扉がどの軸でどう動いたかは、コマからは判断できない。

当方の実感としては「このモデルは日本の改札の構造を知らないのではないか」だが、それは今回の結果に対する感想で、モデル全般の能力を示した結論ではない。学習データに別の国の地下鉄の改札が多いのでは、という推測も未検証。

改札の可動部には、鉛直軸で回転するフラップを記載した特許資料がある(JP2008250633A)。ただしそれが丸の内北口の現物の機種とは限らないし、常時開いた状態で通す運用の改札もある。「ICをタッチするたびに閉→開になる」と一般化はしない。今回の指定は、当方が見せたい「閉→回転して開く」の演出として扱う。

全体編集

0〜47.79秒: (91)の5カット / 47.79〜52.96秒: 00104 / 52.96〜58.125秒: 00106 / 58.125〜162.46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22カット・3,899フレーム・162.458秒、H.264/AAC。ffprobeのフレーム数照合と全編デコードで確認。音声の独立した聴取はしていない。

設定は0.6MP・10ステップ・Euler・simple・denoise 1.0。ファイル名の「20step」は固定の接頭辞。

今回の結論と限界

  • 場所の移動は5秒のカットで足りる。入口は参照シートで1回で通った。
  • 動くものは、静止画の参照だけでは動きが決まらない。色・形・配置は伝わるが、軸と軌跡は別に示す必要がある。
  • 指定を具体化しても1回で直らないことはある。未解決は未解決と書いて、編集は暫定で進める。
  • 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。
  • 当方の撮った駅の写真と、それを基にした参照シート。
  • 00104〜00106の音声の独立した聴取評価(未実施)。

関連

よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!

この記事を書いた人

コメント

コメントする

目次