(104)では、Blenderの白動画を動作の参照にして、主役のレーンに板が出ない通過(00108)を採用した。左右のレーンに板が残るのが宿題だった。今回はその続き。現地で撮った実写を参照にして、改札のカットを作り直した。
先に要点
- 採用は00111。主役のレーンは最初から開いていて、確認したフレームでは通路をふさぐ板が現れない。女性は近づき、右手を読み取り部に伸ばして通り抜ける。本人評価は「これがいちばんいい」。
- 参照は3枚だけ。女性のキャラクターシート、トートバッグ、実写から切り出した改札機の詳細1枚。白動画も音声の参照も入れていない。
- 実写は当方が撮った。11月21日に東京駅丸の内北口の入口から改札まで歩いて撮った53.6秒の縦動画から、入口2枚・改札の手前2枚・改札機の詳細2枚を切り出した。
- 参照を増やした2本(00109・00110)は板が残った。00109は電子音がタッチより早く鳴り、00110は隣の改札まで動いた。
- 実行履歴を見直すと、00109と00110は意図した4枚ではなく5枚が入っていた。古い背景画像が残っていて、プロンプトの「Picture 3」「Picture 4」の説明と実際の並びがずれていた。00111は3枚で、説明と並びが一致している。
- 静止画の参照は、増やせば整うとは限らない。閉じた改札が写った画像や古い背景を外し、開いた通路がはっきり写った1枚を背景の唯一の基準にした版が採用になった。

実写から参照を作る
| 項目 | 内容 |
|---|---|
| 撮影 | 11月21日、東京駅丸の内北口の入口からドームの下を通り改札まで。縦向き1080×1920、53.6秒、HDR |
| 変換 | HDRを通常表示用(SDR)のPNGに変換。構造や人物を生成で直す加工はしていない |
| 切り出し | 入口A(0.5秒)・入口B(5.5秒)/改札の手前A(39.5秒)・手前B(41.0秒)/改札機の詳細A(43.5秒)・詳細B(45.0秒) |
| 使ったもの | 手前Bと詳細B(00109・00110)、詳細Bのみ(00111) |
実写は昼間で人が多い。プロンプトでは「夜23時ごろ、人は控えめ」と指定し、実写は建物・機器・配置の基準として使う、と書き分けた。
3本の経緯
| 版 | 実際に入った参照 | 文の方針 | 結果 |
|---|---|---|---|
| 00109 | 画像5枚(女性・トート・旧背景・改札の手前B・詳細B)+実写から切った3秒の音声 | 改札は開いたまま。電子音はタッチと同時に1回 | 生成は成功(約580秒)。板が残り、終盤に通路から消える。電子音がタッチより早い。本人評価「板は従来の引き込み式のまま」「環境音が中途半端」 |
| 00110 | 画像5枚(同上)。音声の参照を外した | 「常に開いた状態」「隣の機器は固定」を強めた | 生成は成功(約691秒)。板が残り、隣の改札まで動いた。採用せず |
| 00111 | 画像3枚(女性・トート・詳細B) | 動きとカメラの方針は同じ。詳細Bを、開いた通路と背景の唯一の基準に指定 | 生成は成功(約655秒)。主役レーンに板が出ないまま通過。採用 |
00109の電子音は、出力の音を周波数で見ると約1.3〜1.6秒に短い強い音があり、手とカードが読み取り面に重なるのは約1.7〜1.9秒だった。0.2〜0.5秒ほど音が先に出ている、という本人の指摘と合う。
音声の参照には経緯がある。最初は電子音だけを0.65秒で切り出したが、「2秒以下の音声は無音と判断される場合がある」という画面の警告が出たため、前後の環境音を含む3秒に取り直した。
履歴で見つけた「番号のずれ」
00111を採用したあと、3本の実行履歴(読み込んだ画像の一覧と、参照への接続)を確かめた。
| 版 | 意図した参照 | 実際に入っていた参照 |
|---|---|---|
| 00109 | 画像4枚+音声 | 画像5枚(女性・トート・旧背景「東京駅(丸の内北口)」・手前B・詳細B)+音声 |
| 00110 | 画像4枚 | 画像5枚(同上) |
| 00111 | 画像3枚 | 画像3枚(女性・トート・詳細B) |
00109と00110では、(92)(104)で使っていた古い背景画像が読み込みに残っていた。そのため、プロンプトで「Picture 3は改札の手前、Picture 4は改札機の詳細」と説明していても、実際の3枚目は古い背景だった。文の説明と画像の並びが1つずれていたことになる。
00111で入れた文(抜粋):
<Picture 3> is the sole reference for the station environment and ticket gate. It defines the green and silver housings, the fully open passage between them, the blue-lit IC reader on the right-hand housing, the illuminated “IC” indicator on its front, and the surrounding station interior.
The central passage shown in Picture 3 is her selected lane. It is fully open and unobstructed from the first frame to the last.
参照の画像は、生成の前に「何枚入っているか」「番号と説明が合っているか」を履歴で確かめる。今回の制作で一番の収穫はこの手順だった。
00111の出来と、残っているところ
- 通った点: 主役レーンは最初から開いていて、3コマ/秒で全編を見た範囲では、通路をふさぐ板が出ない。女性は近づいて右手を読み取り部に伸ばし、通り抜ける。トートは左肩側。後ろから追う構図が成立している。
- 冒頭の入り方: 女性が画面の左から入り、最初の数コマは体の一部が切れている。「最初から頭と全身を同時に見せる」という指定は満たしきれていない。
- 表示の変化: 読み取り面が青から橙に変わり、正面の「IC」表示が一時的に消える場面がある。
- 時間帯: 出力は実写と同じく明るく人が多い。「夜23時・人は控えめ」の指定は反映されていない。
- 板の動き: 採用したのは「開いた通路をそのまま通る」絵で、板が回る動きを再現したものではない。
- 電子音: 音声の参照を外した00111で、電子音とタッチのずれをコマ単位で確かめる作業はこれから。合わせる必要が出たら、タッチのコマに実写の短い音を後から重ねる。その場合は生成された音と二重にならないよう、既存の音を外して環境音をつなぐ。
実行の条件
| 項目 | 値 |
|---|---|
| 機材 | RTX 5060 Ti 16GB(Windows 11) |
| サイズ | 672×928・24fps・124フレーム(5.17秒) |
| 生成時間 | 00109 約580秒/00110 約691秒/00111 約655秒 |
| 空きRAM | 監視した時点で00109は約6.6〜7.2GiB、00111は約6.7〜7.3GiB。メモリ不足や保護停止はなし |
空きRAMは監視した時点の値で、全時間の最低値ではない。
全体編集
22カットのうち改札の00108だけを00111に置き換えた。全体は162.458秒・672×928・24fps・3,899フレーム。電車の走行音のミックスと、ほかの21カットの順序と長さはそのまま。全編のデコードとフレーム数の照合で確認した。
今回の結論と限界
- 参照は「足す」より「整理する」が効いた。閉じた改札が写った画像と古い背景を外し、開いた通路が写った1枚に絞った版が採用になった。
- ただし単一の変更の比較ではない。00110から00111では、参照の枚数と文の両方が変わっている。どちらがどれだけ効いたかは切り分けていない。
- 「H3が日本の改札の仕組みを理解できない」とは言えない。参照の番号がずれていた以上、00109と00110の結果をモデルの理解のせいにはできない。
- 実写の参照は、昼の人混みが写っていても建物と機器の基準として働いた。一方で、時間帯と人の量は実写側に寄った。夜の絵にするには、夜に撮った参照か別の手当てが要る。
- 白動画なしでも通過の動きは成立した。(104)の白動画ありとの同条件の比較はしていないので、歩きがどちらで良くなるかは述べない。
続報(11月21日): 同じ実写を入口にも使ったら昼の光が入った。看板だけ直す方針に変えて採用 → (115)

コメント