生成AI研究室(89) 夜の電車で「眠気に抗う間」を描く——参照6枚と2カット分割で、走る女性は13クリップ94秒に

生成AI研究室(89) 夜の電車で眠気に抗う間を描く

(87)の夜道の前に、もう1場面足した。残業帰りの女性が電車で眠り込み、隣の乗客にもたれ、目覚めて小声で謝る。狙いは、疲れを大きな身振りで見せるのではなく、反応の遅さ、眠気に抗う小さな動作、気づいてもすぐには動けない間。5版回して2カット(00081・00082)を採用し、全体は13クリップ・94秒になった。

全体 13クリップ・94秒(電車00081→00082→夜道→玄関→ソファー→既存の朝のカット)。672×928・24fps、圧縮版
目次

先に要点

  1. 採用: 00081(舟をこぐ胸上クローズアップ、8秒)と00082(斜め前から、もたれる→間→目覚めて理解→戻って「すみません」、10.125秒)。既存75.875秒の冒頭に足して94秒。
  2. 参照は6枚: ①主人公 ②トート ③夜の車内背景 ④眼鏡の男性(もたれる相手) ⑤紺スーツの男性 ⑥40代の女性。顔は顔アップから、衣装・体格は全身像から、と役割を分けて書いた。
  3. 座席順は「画面の左右」で書く。画面左から「40代女性→眼鏡男性→主人公→紺スーツ男性」。人物自身の左右と混同すると配置がずれる(当方も一度間違えた)。
  4. 全員を1枚に収めない。参照6枚で各人物の再現は良くなったが(00080)、全員を入れる広い構図では主役が小さくなる。眠気のカットと、やり取りのカットに分けた。
  5. 感情の形容より、時間の順序を書く。「はっと目覚める」をやめ、「肩に頭を預けたまま短い間→半分開いた目→肩の位置を見て状況を理解→疲れた小さな努力で身体を戻す→小さく顎を下げて囁く」の順で書いた。
  6. 残る課題: 00081の終わりで頭が傾いているのに00082の冒頭はやや起きた姿勢で、カット境界で姿勢が少し戻る。音(走行音の下に囁きを埋める狙い)は聴取評価をしていない。

作りたかった場面と、背景・人物の用意

23時ごろでも乗客の多い車内。当方が撮った車内の写真を基に、茶系の座面・オレンジ系モザイクの背もたれ・白い仕切り・黒い三角の吊り革・ステンレスの手すりを整理した背景シート(正面座席・斜め・車内全景の3構図)を画像生成した。写真そのものは載せない。実車の設計図ではない。

隣の乗客は、最初の00078に映った眼鏡の男性のフレームからキャラシート(全身の正面・背面・側面と顔の正面・横顔)を作り、さらに60歳前後の紺スーツの男性、40代ボブの女性、25歳前後のグレースーツの男性を作った。25歳の男性は作っただけで採用版には使っていない。

5版の経緯

版結果と判断
00078居眠り→謝るの流れは良い。ただし見える車内が2人中心で空席が多く、動作も大きめ。無人の背景画像と、周囲の乗客の指定不足が一因の可能性
00079控えめな仕草と間は良い。隣に主人公に似た女性が出て、顔がぼけた。実行した本文には差し替えたaction/performance/audioだけが入り、参照の役割の記述が抜けていた
00080参照6枚と座席位置の指定で、各人物の描写は良好。しかし複数人を入れる広い構図で主役が小さくなった
00081舟をこぐ胸上クローズアップを8秒で。「いい感じ、このまま採用」
00082少し引いた斜め前から、もたれる・間・目覚めて理解・戻って囁く。「およそイメージ通り」で採用

00079の隣人の顔がぼけた件は、全身キャラシートの顔ぼかしが引き継がれた可能性を当方は疑ったが、被写界深度など他の要因と切り分けていないので、原因が分かったとは書かない。対応としては、人物ごとに「顔はこの顔アップから、衣装と体格はこの全身像から」と参照の役割を明示した。

図1: 00078〜00082の1秒・4秒・7秒のコマ。00080で人物は揃ったが主役が小さく、00081・00082で2カットに分けた
00081(8秒)。舟をこぐ胸上クローズアップ。小さな頭の傾きと持ち直しを2回、不規則な間で
00082(10秒)。斜め前から。もたれる→間→半分開いた目→状況を理解→身体を戻す→小さく「すみません」

参照6枚の役割と座席順

参照内容役割
1主人公顔・髪・ベージュのスカートスーツ
2ブルーグレーのトート膝の上の持ち物
3夜の車内背景座席の素材・配色・車内の構造
4ベージュのスーツに眼鏡の男性画面左隣、もたれる相手
5紺スーツの男性画面右隣
640代の女性眼鏡の男性のさらに左

左右は観客から見た画面基準。主人公は自分の右、つまり画面左へもたれる。複数人物の参照では、容姿だけでなく「参照番号と役割」「左右の基準」を分けて書くことが効いた。

図2: ComfyUIの構成。Media Loaderの参照6枚とTAG ORDER、Reference Splitterから「リファレンスから動画へ」への分配、出力プレビュー

演技の書き方: 形容詞を減らして、順序と遅れを書く

大げさな覚醒をやめ、時間帯ごとに何をするかを書いた。0〜3秒: 目を閉じたまま、頭が左隣の肩へ寄っていく。3〜4.5秒: そのまま静かに眠る。隣人はちらりと見るだけ。4.5〜6秒: 瞼が半分開く。しばらく同じ姿勢。視線が肩の方へ動き、状況を理解していく。6〜8秒: 疲れた小さな努力で頭と上体を戻す。8〜10秒: 隣人の方へ少し顔を向け、小さく顎を下げて「すみません」。隣人は小さく頷く。表情は弱く、動作は小さく、とperformanceで補った。

出力が指定の時刻や回数をそのまま再現したとは断定しない。採用は当方の鑑賞判断。

音の狙い(未検証)

走行音を背景に下げず、車輪のリズム・低いモーター音・車内の振動をやや大きめに保つ。「すみません」は隣人にだけ向けた囁きで、走行音の下にほぼ埋もれる狙い。台詞の瞬間に環境音を下げないと指定した。ただし今回の確認はコマ画像と実行メタデータが中心で、音声の聴取評価や音量比の計測はしていない。狙いと達成を混同しない。

全体編集

0〜8秒: 00081 / 8〜18.125秒: 00082 / 18.125〜94秒: 既存(夜道00077→玄関00066→ソファー00055→歯磨き→目覚め→洗面→朝の玄関→走る正面→横→顔アップ→ドローン)。両方の電車素材は全尺で使用し、音量の正規化やクロスフェードは入れていない。全体は94.0秒・2,256フレーム、H.264/AAC。ffprobeと全編デコードで確認。

設定はいずれも0.6MP・3:4・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、実際は10ステップ(出力PNGのメタデータで確認)。

今回の結論と限界

  • 参照を増やすだけでなく、誰をどの位置に何のために映すかを書く。
  • 人物の再現が良くても、全員を1枚に収めれば主役が小さくなる。演技と人物配置を別カットに分担する。
  • 疲れの表現は、大きな動作より気づくまでの間と、戻るときの小さな努力。
  • これは今回の制作での観察で、H3全般の性能を保証する比較実験ではない。

書いていないこと

  • プロンプト全文、seed、保存先。
  • 当方が撮った車内の写真(背景シートの元。公開しない)。
  • 音の評価(未実施)。

続報(11月15日): 歯磨きから翌朝への場面転換を和らげるBロール2本(夜景の消灯・朝のテーブル)を足し、全体は15クリップ・104.3秒になった。(90)を参照。

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