AI動画モデルの選び方:デモではなく自分のショットで試す

新しい動画モデルはどれも、同じ3秒間を引っ提げて登場する。ゴールデンアワーの光の中でカメラの方を振り向く顔、完璧な肌の質感、高く見えるぎりぎりまでぼかされた背景の動き。たしかに良い。だがそれは、そのモデルがクライアントのロゴが隅に映った状態で8秒間トーキングヘッドを保てるのか、3回目の修正で製品のクローズアップに映る手が破綻しないのか——そういうことは何も教えてくれない。

私はそうしたクリップの迫力に負けてモデルを乗り換えたことがある。うち2回は失敗だった。かかったコストはサブスク料ではない。すでに機能していたプロンプトを書き直し、構文を覚え直す1週間だ。だから、今まさに乗り換えを勧められているすべての人に言いたい。デモリールで2つのモデルの間に見える差は、あなたのプロジェクトに対してほとんど予測力を持たない。デモが不誠実だからではない。あなたにはない条件の下で作られているからだ。

デモは別の問いに答えている

あなたが見るデモはどれも、最適な入力と、納品上の制約がない状態で作られている。

最適な入力とは、参照フレームが、すでに何十ものバリエーションを生成してどれが耐えるかを知っている人物によって選ばれているということだ。プロンプトは何度も実行して調整され、目にするクリップはその中の最良のものだ。モデルを見せる方法としては正当だ。だがそれは、あなたがそのモデルにやらせようとしている仕事とはまったく別のタスクでもある。

納品上の制約がないとは、縦型のカットダウンを誰も求めていないということだ。ショットを8秒ではなく6.5秒に収める必要もなかった。同じ顔がシーケンス内の11本連続のクリップに耐える必要もなかったし、4秒目で製品ラベルが読めることを求めるクライアントもいなかった。

デモが答える問いは「このモデルの天井はどこか」だ。あなたの問いは「その歩留まりはどれくらいか」だ。これは別の数字であり、一方が他方の代わりになるほど頻繁に同じ順位付けになるわけではない。

比較検証動画はさらに弱いシグナルだ

公式デモは少なくとも、それを作った人たちの手によるものだ。比較動画は見やすさのために編集されており、つまりその編集が、あなたが必要とする情報をちょうど削り取っている。並べて比較する動画が4回目の試行を見せてくれることはない。あなたが知りたいのは、いま見ているクリップを撮るのに何回かかったかであり、その数字は真っ先に編集で切り捨てられる。

この形式が役に立たない構造的な理由もある。「どちらも良い、あなたのショット次第だ」ではクリックされない。悪意ではなく、選択の結果だ。このジャンルは勝者を生み出すために作られており、あなたのプロジェクトはその勝者が想定していたものではないかもしれない。

あなたのプロジェクトを実際に予測するもの:歩留まり

あるショットタイプとあるモデルについて、歩留まりとは「使える出力1本あたりの試行回数」だ。一方のモデルが1回目の試行で使えるテイクをものにし、もう一方が3回必要なら、あなたが最もよく撮るショットの時間コストに3倍の差がつく。20ショットのプロジェクトでは、その差がスケジュールそのものになる。

ピーク品質と歩留まりは相関するが、同じものではない。そして、一方を他方で置き換えられないほど頻繁に逆転する。あなたの納品を予測するのは、最もよく撮る3つのショットタイプにおける歩留まりだ。その数字は、自分の素材で、半日あれば計算できる。

テスト:3つのショットタイプ、2つのモデル、それぞれ2回の試行

1. 実際によく撮るショットタイプを3つ選ぶ

1つではなく3つ。また、単一のヒーローショットではなくタイプで選ぶ。1つのショットは運で当たるが、ショットタイプなら運が平均化される。

あなたの仕事が私のものと似ているなら、3つはこうだ。トーキングヘッドのミディアムショット(顔の安定性、リップシンク、繊細な動き)、手のクローズアップ(細部が最も大きな音を立てて崩れるところ——製品を扱う手、ジェスチャー、物に近い指)、そして環境のトランジション(被写体がおらず、歪みを紛らわせるものがない空間をカメラが移動するショット)。もし成果物の半分が製品のターンテーブルや食品を注ぐショットなら、そちらをテストすればいい。カテゴリそのものより大事なのはルールだ。最もよく生成するショットであるべきで、最も映えるショットである必要はない。

2. 何かを実行する前にプロンプトの骨組みを固める

土台を書き出し、両方のモデルで一字一句そのまま使い回す。私が使っている骨組みはこんな感じだ。

[shot type], [subject + wardrobe], [framing/lens], [camera move], [lighting], [motion beat across N seconds], [style], [negatives]

大事なのは、これが世の中で最高の骨組みだということではない。モデルAとモデルBの間で変わらないことだ。そうでなければ、あなたはモデルではなく自分のプロンプトの書き方を測っていることになる。構文は、プラットフォームが強制する箇所(カメラムーブのキーワード、アスペクト比のフラグ)だけを適応させ、その適応は一度だけ行い、その後は固定する。土台を一から作るのが面倒なら、画像・動画・音楽向けの既製のものが awesome-prompts.com にある。私はまさにこの目的で、そのうち2つをメモファイルに入れている。

3. それぞれ2回の試行——そして失敗を記録する

3ショットタイプ×2モデル×2回の試行で、12回の生成。クライアントとの通話を背景でしながらでも回せる程度に小さく、「まぐれ当たり」と「そこそこ信頼できる」を分けるには十分な大きさだ。

2回というのは意図的だ。1回では運と信頼性を区別できないし、5回では天井を測り始めてしまう——それはデモですでに手に入れている数字だ。

生成そのものより、記録のほうが大事だ。12回それぞれについて、3つのことを書き留める。

  • 使えるものが得られた試行回数——1回目、2回目、あるいは一度も得られず
  • 他の試行で具体的に何が失敗したか:同一性のドリフト、手の崩壊、背景の歪み、カメラムーブの無視、尺の切り詰め
  • 実際の制約に耐えたか——アスペクト比、目標尺、シーケンス内の前のショットとの連続性

4. 最もよく撮るショットで重みづけして「使えるまでの試行回数」を採点する

3×2のグリッドを作る。行がショットタイプ、列がモデル、セルには1回目/2回目/不可と書く。

次に、数えるのではなく重みづけする。納品の大半がトーキングヘッドなら、その行が結論を決め、残りの2行はタイブレーカーになる。構成が均等なら、試行回数を合計し、少ないほうを取る。この作業の成果物は、声に出して言える1つの文だ。「自分が最もよく撮る3つのショットについて、このモデルはおよそX回で使えるものを返してくれる」

私が使っている判断基準

最も頻度の高いショットで「使えるまでの試行回数」が少ないほうが勝ちだ。もう一方のモデルの最良の出力がより美しくても、だ。納品は、実際に出たショットで評価されるのであって、想像したショットで評価されるのではない。

グリッド全体で2つのモデルの差が試行1回以内なら、乗り換えない。構文を覚え直し、プロンプトライブラリを書き直し、すべてのテンプレートを再テストする——それは実際のコストであり、デモリールには決して現れない。

発表があったから乗り換える、ということはしない。グリッドがそう示したとき、あるいはブリーフがどちらのモデルでも作れないショットタイプを要求したときに乗り換える。

すべてにおいてそこそこ良いがめったに失敗しないモデルは、目を見張る天井を持ちながら歩留まりが5分の1のモデルに勝る。前者なら、納期を提示できる。

このテストが壊れるとき

12回の生成では、統計的に何かを証明することはできない。判定ではなくフィルターとして扱う。悪い四半期をかけて問題に気づく代わりに、1時間で明らかに間違った選択肢を排除するために設計されている。

もう1つの罠は構文の不一致だ。一方のモデルが本当に異なるプロンプトの方言を求めるなら、骨組みを固める前に、公正な適応のチャンスを一度だけ与える。さもなければ、自分の不慣れさを測ることになる。

汚い入力も台無しにする。参照がぼやけたスクリーンショットなら、どちらのモデルも失敗し、あなたは見当違いのものを責めることになる。クリーンな入力は、ほとんどのモデル乗り換え以上に歩留まりを動かす。

そしてグリッドは古びる。今月3つのショットタイプでテストし、来月ブリーフが6つに変わったなら、仕事の形が変わったときにテストをやり直す——ニュースが変わったときではない。

納品前夜に出てくる疑問

2回目の試行でどちらのモデルも使えるショットを出せなかったら?

まずモデルの上流にあるすべてを疑う。参照フレーム、アスペクト比、尺。9秒間の一貫した動きが必要なショットは、多くの場合、2回の生成に分けてつなぎ合わせる必要がある。どちらのモデルもダメだと結論づける前に、よりクリーンな参照と短い尺で同じプロンプトを再実行する。尺は、変えられる中で最も安い変数だ。

参照画像でテストすべきか、テキストだけか?

本番で実際に使う入力でテストする。ワークフローが生成したスチルから始まるなら、スチルからテストする。テキストだけの結果はより印象的に見え、意味はより薄い。そのスチルを別のツールで生成しているなら、そのツールがどれだけ優れているかは、どの動画モデルを買うかとは別の問題だ。

どのくらいの頻度でやり直すべきか?

あるショットタイプが仕事でよく使われるようになったとき、年間プランに本腰を入れる直前、あるいは間違った選択が撮り直しにつながるとき。それだけだ。新リリースのたびではない。

次にクリップを見て乗り換えたくなったら、保存はしてもいい——ただし行動には移さない。デモリールは天井についての主張だ。あなたのプロジェクトを予測する唯一のものは、自分の素材で、最もよく撮る3つのショットで、予算に合う試行回数のときに何が起きるかだ。次の発表が来る前に、今日その3つのショットを選ぼう。答えはたいてい、フィードよりも地味で、納品の途中で知ることよりずっと安くつく。