「30代の女性、話の途中、カメラをまっすぐ見つめて」——そんなプロンプトを書いて生成ボタンを押し、出てきたクリップを見てタブを閉じた経験はないだろうか。口は勝手に動く。目はどこにも定まらない。顔は「顔っぽい」。顔でないより、そのほうがずっと悪い。

このループから抜け出せないなら、解決策は顔のためのより良いプロンプトではない。カメラを顔に向けるのをやめることだ。

正面クローズアップは、現行の動画モデルに求めるものとして最悪の一言であり、それはモデルの性能とは何の関係もない。あなたは、視聴者が生涯をかけて専門家になってきた唯一の被写体に、レンズを向けてしまったのだ。

## 顔は、あらゆる誤差が一度に着地する場所

市場を歩く人物の中景は、十数か所が間違っていても、それなりに見える。布の折り目、背景の揺らぎ、手が戸口をかすめる様子——どれも「正確」である必要はなく、もっともらしければいい。顔にはその猶予がない。

正面クローズアップでは、三つの別々の要素が同時に一致しなければならない。音に対する口の形、視線の方向と生気、そして顔全体の微細な動き——まばたき、眉、顎まわりのわずかな緩み。それがその人を「ポーズ」ではなく「考えている」ように見せる。どれか一つでも破綻すれば、あなたは不気味の谷に落ちる。残り二つが救ってはくれない。ワイドショットなら見えなかった揺らぎが、顔が画面を埋めた瞬間、視聴者が見る唯一のものになる。

さらに第二の問題が積み重なる。音声リファレンスなしで喋る顔を求めると、モデルは同時に二つの仕事をこなす。口がどう動くかを決め、それが動く間に顔の残りがどうなるかを決める。結果として生まれるのは、発話を近似した顔だ——音に駆動された口ではなく、多数の口の平均で形作られた口。まさにその質感を、あなたの目は指摘する。

そして第三に、クローズアップは視聴者が一つのものを数秒間じっと見つめる唯一のショットだ。他のショットはどれも、目が泳ぎ、許すことができる。これだけはそれができない。

## あなたが生成しているのは顔ではなく、信頼だ

ここで発想を変えると、私のプロンプトの書き方は変わった。本当に欲しいショットは、めったに「人の顔」ではない。「何かを語っている人」「何かを感じている人」「まさに決断しようとしている人」だ。存在感。顔はそれを届ける八通りほどの手段のうちの一つにすぎず、今のところ最も高コストで最も信頼できない。

なので、ショットの引き出しを作り、デフォルトでそこに手を伸ばす。それぞれのプロンプトは短い——人を描写しているのではなく、カメラの位置と、フレームに何を許すかを描写している。

**後頭部、肩越し。** *肩越しのショット、被写体は背を向けて雨の筋がついた窓のほうを向く、ゆっくりした手持ちの揺れ、灰色の外光に対する暖かな室内光。* 人は残り、スケールも残り、感情も残る——「雨の窓辺に立つ人」は即座に空気を読ませる。そしてモデルには壊すべき顔がない。

**横顔。** 九十度回せば、リスクのほとんどが消える。四分の三か真横の視点なら、ピクセル単位で正確なリップワークを要求せずに、姿勢と顎のラインで表情を見せられる。*真横の横顔、被写体が話している、柔らかな窓光、固定カメラ、浅い被写界深度*——これは数秒間ホールドできる。

**手。** 手こそ、キャラクターの内容が実際に宿る場所だ。回されるマグカップ、二度叩かれるペン、伏せて置かれるスマホ。*手紙を折る手のクローズアップ、フレーム内に顔なし、冷たい昼光、わずかなプッシュイン。* 視聴者は、手のショット二つと乱れたベッドのショット一つから人物を組み立て、顔を見たいとは一度も思わない。

**空のフレーム。** 誰も映らないインサートは、間ではない——台詞の一行だ。引き出された椅子。湯気を立てるケトル。開けっ放しのドア。これらを顔の出ない人物ショット二つの間に挟めば、プロットのあるシーンが、レンダリングリスクゼロで手に入る。

**画面外の声。** 台詞を音声として書き、その言葉を顔のない映像に載せる。これはこのリストで最もてこの効く一手だ。本物の声が演技を担ってしまえば、映像は雰囲気であればいいからだ。同じ理由で、ドキュメンタリーや大半の「映像付きラジオ」もこう作られている。

**シルエット、逆光、反射、影。** 人の形と顔の気配が必要なら、光で顔を奪う。*白飛びした戸口を背にしたシルエット、被写体がわずかに振り向く、顔の細部は見えない。* ショーウィンドウや暗い画面への映り込みも同じ役割を果たし、逃げているのではなく意図的に見える。

**遮蔽。** 湯気、戸口、手前の植物、ぼけた肩。レンズと顔の間に何かがあれば、許しが生まれる。不完全な情報は、間違った完全な情報よりずっと信じやすい。

## ブリーフが顔を隠させてくれないとき

タイアップコンテンツ、トーキングヘッドの解説、顔そのものが商品のブランド——いつも迂回できるとは限らない。ならば交渉する。交渉の対象はいつもフレームサイズと時間だ。

引く。顔がフレームのごく一部を占めるミディアムワイドやワイドのショットは、クローズアップより劇的に安全だ。視聴者の注意が体や部屋と共有されるからだ。プロンプトで言い切る。*ミディアムワイド、被写体はフレーム内で小さく、全身が見える、部屋にピント。*

顔に動きを与える。歩く、振り向く、傾ける、何かの陰を通過する——動いている顔は、誤差が歪みではなく動きとして読まれる顔だ。固定された静止のポートレートが最悪のケースで、それは短く保つ。

一度のテイクで台詞をホールドしない。振り向き、息継ぎ、仕草で切る。喋る顔が二秒、次に手、次にリアクション、そして戻る。観客は吟味するだけの長さを決して与えられず、編集は回避策ではなくエネルギーとして読まれる。

顔の半分に光を。片側に硬い影、強い逆光、戸口から半分外れた被写体——輪郭とコントラストが、ピクセルにはできない仕事をする。そしてそれは撮影監督が下した選択に見える。

ショットを再設計する。商品が要点なら、ショットは商品に触れる手だ。主張が要点なら、ショットはそれを他人が言うのに対する顔の反応だ。リアクションショットは、演説より説得力をもって偽装しやすい。

## 編集はシンクの道具だ

私が目にするリップシンクの不満のほとんどは、実はレンダリングの失敗ではない——編集の失敗だ。視聴者がミスマッチに気づくのは、視聴者が探し始めた瞬間をショットが越えてホールドしたときだ。その前に切る。カットアウェイは隠蔽ではなくリズムであり、問題が存在したことに誰も気づかないまま消える方法だ。

音声から先に作る。ボイストラックを録音または生成し、それに合わせて画を組み立てる。映像プロンプトを書いて、モデルがそれに合う演技を発明してくれることを願うのは、難しい部分を間違ったコンポーネントに任せている。

### なぜ口だけがずれて見えるのか

そこだけが実世界の参照点を持つ部位だからだ。視聴者は「この文」が口でどう見えるかを知っている。モデルは「とある文」がどう見えるかを生み出している。顔の他のすべては感覚で判断されるが、口は比較で判断される。

### ポストプロダクションでリップシンクを直せるか

音声に合わせて口の領域をリタイミングするツールで、ときには可能だ——しかしその労力は、作品内で最もリスクの高いショットに注がれている。五分を使ってカメラアングルを変えたほうがいい。安くつき、見た目も良くなる。

### トーキングヘッド動画に顔は本当に必要か

いいえ。私が今年作った中で最も説得力のあるキャラクターコンテンツには、声と、手と、部屋と、一つのシルエットがある。顔が物語を運んでいたことは一度もない。演技が運んでいた。

### 視聴者が私の顔を期待している場合は

それはレンダリングの問題ではなく、関係性の問題だ。ワイドで、十分に明るく、動きのあるショットで顔を見せ、クローズアップは喋っていない瞬間に取っておき、言葉は手と部屋に載せる。定期的に見てくれる視聴者は、声とフレーミングが一貫していれば、多くのことを許してくれる。

## 次にやること

プロンプトファイルを開き、「カメラをまっすぐ見て、クローズアップ」をすべて削除する。最初の一つを肩越しに、二つ目を手に置き換える。不気味な感じのどれだけが、モデルのせいですらなかったかに気づくだろう。

私はこうしたショットの骨組み——背中、手、インサート、シルエット——の小さなライブラリを、自分のメモの山ではなく、再利用可能なプロンプトブロックとして書き出して持っている。そしてその構造は、[Awesome Prompts](https://awesome-prompts.com) に集められた動画・画像プロンプト集から借りてきた。フォーマットを借り、自分のショットリストは自分で保ち、そもそも持ちこたえるはずのなかった顔を午後いっぱい再生成するのはやめよう。