(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。
先に要点
- 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。
- 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。
- 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)。
- 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。
- 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。
- 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。

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 |
| 6 | 40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。

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。

コメント