なぜ「あのキャラ」が二度と出てこないのか？
「さっき生成された奇跡の1枚、もう一度別のポーズで出してほしい」
画像生成AIを触り始めたマーケターやクリエイターの誰もが、一度はこの壁にぶつかります。プロンプト（指示文）をどれだけ詳細に書いても、AIは毎回微妙に、時には劇的に違う顔を出力してくる。まるで気まぐれな画家のようです。
実務の現場では、「AIで作ったキャラクターを自社の公式マスコットにしたい」「Web漫画の連載に使いたい」というニーズが数多く寄せられます。しかし、多くの人が「プロンプトさえ極めれば固定できる」と誤解して、膨大な時間を浪費しています。
結論からお伝えします。
プロンプトだけでキャラクターを100%固定するのは、仕組み上ほぼ不可能です。
これは指示の出し方が悪いのではありません。AIの根本的な構造によるものです。本記事では、ツールの操作手順ではなく、「なぜ固定できないのか」という原理原則と、それを克服するために知っておくべき「技術用語」を体系的に整理しました。
これを知れば、エンジニアと対等に会話ができ、自社のプロジェクトに「どの技術が必要で、何が不要か」を論理的に判断できるようになるはずです。一緒に、AIの「気まぐれ」を「計算」に変えていきましょう。
なぜAIは「同じキャラクター」を描くのが苦手なのか？
まず、この技術的な「壁」の正体を理解することが重要です。AIが画像を生成する裏側では、私たちが想像する「お絵描き」とは全く異なる処理が行われています。ここを理解すると、なぜ高性能なモデルを使っても「同じ顔」を出し続けるのが難しいのかが腑に落ちるはずです。
確率論的生成とは何か
私たちが絵を描くとき、頭の中に明確なイメージを持って線を引きます。しかし、Stable Diffusionなどの多くの画像生成AI（拡散モデル）は、「ノイズ（完全な砂嵐）」から「意味のある画像」を復元するというプロセスをとっています。
現在、StabilityMatrixやComfyUIといったツールを用いて、効率的かつ高速に画像を生成する環境が普及しています。しかし、生成速度や品質がどれほど向上しても、根本的な仕組みは変わりません。極端に言えば、真っ暗な部屋でサイコロを振り続け、偶然浮かび上がってきた形の中から「これは猫に見える」「これは人間に見える」と判断して絵を完成させていくようなものです。これを専門的には「確率論的生成」と呼びます。
AIは「Aというキャラクター」という固定された記憶を持っているわけではありません。「Aというキャラクターに見える確率が高い画素の並び」を毎回計算して作り出しているだけなのです。そのため、モデルが高解像度化し、描写力が向上しても、サイコロの目が変われば出力される顔も変わってしまうという根本的な性質は変わりません。
潜在空間（Latent Space）の概念
この確率の計算が行われている場所を「潜在空間（Latent Space）」と呼びます。これは、あらゆる画像の可能性が詰まった多次元の座標空間のようなものです。
例えば、「赤い服を着たショートヘアの女性」というプロンプトを入力すると、AIはこの広大な宇宙の中からその条件に合う座標を探しに行きます。しかし、その座標周辺には無数の「似ているけど違う女性」が存在しています。前回と全く同じ座標にピンポイントで着地しない限り、微妙に違う顔が選ばれてしまうのです。たとえプロンプトを詳細に書き込んだとしても、この広大な空間の中で完全に同一の座標を指定することは不可能です。
一貫性を阻害する「ノイズ」の正体
画像生成のスタート地点である「砂嵐（初期ノイズ）」は、通常ランダムに生成されます。初期状態が違えば、最終的な到達点も変わります。これが俗に「ガチャ」と呼ばれる所以です。
キャラクターを固定するということは、この「ランダムな確率の波」を人為的に制御し、毎回同じゴールへ誘導するという、非常に高度な技術的介入が必要な作業です。プロンプトという「言葉」だけでこの波を完全にコントロールするのがいかに難しいか、想像できるでしょうか。
現在では、こうしたランダム性を制御するために、ControlNetのような追加の制御技術や、特定のキャラクターを学習させる手法が活用されています。単なるプロンプトによる指示出しだけではキャラクターの一貫性を保てないからこそ、こうした技術的な介入が不可欠となっているのです。
【基礎編】プロンプトのみで制御するための基本用語
追加の学習や複雑な外部ツールを使わず、テキストプロンプトと基本設定だけでどこまで制御できるかを解説します。これらはコストをかけずに試せる最初の一歩であり、すべての土台となる重要な要素です。
Seed値（シード）
「サイコロの振り方を固定する数値」
これが最も基本的な制御パラメータです。画像生成AIは通常、ランダムなノイズから画像を生成しますが、このSeed値を固定すると「全く同じパターンのノイズ」から生成を開始します。
- 役割: 同じプロンプト、同じ設定、同じSeed値であれば、理論上は全く同じ画像が生成されます。再現性を確保するための核となる数値です。
- 限界: プロンプトを1文字でも変える（例：「立っている」を「座っている」に変更する）と、計算のプロセスが大きく変わり、顔や構図も別物になってしまいます。「全く同じ絵」を出すのには適していますが、「同じキャラクターで違うポーズの絵」を作る目的には不向きです。
Token（トークン）と重み付け
「AIへの強調指示」
AIは入力された言葉を単語そのものではなく、「トークン」という数値の列として解釈します。特定のトークン（例えば「青い目」「泣きぼくろ」など）を強く意識させることで、キャラクターの特徴がブレるのを防ぎます。
多くのツールでは (blue eyes:1.5) のように数値を記述して重み付けを行います。これは「この特徴だけは絶対に守れ」とAIに強く念押しするようなアプローチです。特にキャラクターのアイデンティティに関わる重要なパーツ（目の色、髪型、特定の服装など）は、重みを強めに設定しておくことで出力が安定しやすくなります。
Negative Prompt（ネガティブプロンプト）
「描いてほしくないもののリスト」
一貫性を保つためには、「何を描くか」以上に「何を描かないか」の指定が効果的です。「二重あご」「崩れた目」「別人の顔」などをネガティブプロンプトに指定し、AIが生成する可能性の幅を意図的に狭めることで、理想の形へと誘導しやすくします。
「Low quality（低品質）」を除外して品質を担保するだけでなく、「Monochrome（モノクロ）」を除外して色彩を安定させたり、特定の画風を弾いたりといった使い方も可能です。消去法によって正解を浮き彫りにする、非常に実用的なテクニックと言えます。
Character Sheet（三面図）
「AIに作らせる設計図」
これは技術用語というより実践的な手法ですが、プロンプトで「front view, side view, back view（正面、横、後ろ）」と指示し、1枚の画像の中にキャラクターの三面図を生成させるテクニックです。
同じキャンバス内であれば、AIは全体の一貫性を保とうとする性質を持っています。ここで生成された三面図をリファレンス（参照元）として保存しておくことで、後の工程における強力な基盤となります。
現在、この参照画像を活かすための制御ツールは進化を続けています。例えば、ComfyUI環境では従来のControlNet適用ノードが非推奨となり、より詳細な段階制御（start_percent/end_percent）が可能な「Apply ControlNet (Advanced)」へと移行しています。また、Stability AIの最新モデル専用ControlNet（Blur/Canny/Depthなど）を活用すれば、エッジや深度の精緻なコントロールが可能です。
さらに、特定のキャラクターを覚えさせるLoRA（追加学習モデル）を作成する際も、この三面図は良質な学習データとして機能します。ただし、LoRAを使用する際はベースモデルとの互換性（専用LoRAが必要な点）や、学習元モデルの商用利用規約に注意を払う必要があります。
「まずは三面図を作る」というアプローチは、最新の制御ツールと組み合わせることで、キャラクターデザインを固定するための極めて有効な手段となります。
【構造編】構図とポーズを支配する制御技術用語
プロンプトで「右手を挙げて走っている」と書いても、AIが思うようなポーズを描いてくれないことはよくあります。ここで登場するのが、画像の「構造」を直接指定する技術群です。
ControlNet（コントロールネット）
「AIに骨組みや下書きを与える技術」
この技術が登場したことで、画像生成AIの実用性は劇的に向上しました。プロンプト（言葉）だけでなく、画像（視覚情報）を使って生成を制御する拡張機能です。
「このポーズで描いて」「この線画に色を塗って」といった指示が可能になり、キャラクターの顔立ちを維持したままポーズだけを変えることが容易になりました。プロジェクトマネジメントの観点から見ても、このControlNetが使える環境かどうかで、制作効率は何倍も変わります。
OpenPose（オープンポーズ）
「棒人間によるポーズ指定」
ControlNetの一種で、人体の関節位置を検出して「棒人間」のデータにします。この棒人間をAIに渡すことで、「顔や服装はプロンプトで指定し、ポーズはこの棒人間通りに」という制御が可能になります。商用素材のポーズを真似させたい時などに重宝します。
Canny / Lineart（線画抽出）
「塗り絵の枠線指定」
元画像の輪郭線を抽出し、それを下書きとして利用します。例えば、デザイナーが描いたラフスケッチや線画があれば、それを入力することで、形を一切崩さずに色塗りや背景変更だけをAIに行わせることができます。「AIの暴走」を物理的に枠で囲って防ぐようなものです。
Depth（深度情報）
「奥行きの指定」
画像の「手前」と「奥」の情報を抽出し、立体的な構造を維持します。例えば、キャラクターが手を前に突き出しているような複雑な構図でも、奥行き情報を固定することで、手が背景に溶け込んだり、遠近感がおかしくなったりする失敗を防げます。3Dモデルと組み合わせる際にも有効な技術です。
【学習編】特定の顔と服装を焼き付ける追加学習用語
ControlNetでポーズや構図を制御する技術は日々進化しています。公式ドキュメントによると、例えばComfyUIでは旧版のノードが非推奨となり、新たに「Apply ControlNet (Advanced)」が統合されました。これにより、生成プロセスのどの段階（開始・終了のパーセンテージ）で制御を適用するかを細かく調整できます。また、Stability AIの最新モデル専用のControlNet（Blur、Canny、Depthなど）も提供されており、イラストに最適なエッジ抽出や、低解像度から高詳細への変換が可能になりました。FLUXモデル向けにも複数の制御を統合したControlNet Unionが活用されるなど、その制御力は飛躍的に向上しています。影響度（strength）を0.7〜0.8程度に調整する手法が、公式でも推奨されています。
しかし、このように高度なツールを使ってポーズや輪郭を完璧に制御できたとしても、複雑な衣装デザインや特定の顔立ちそのものをプロンプトだけで正確に描き出すことには限界があります。そこで、AI自体にそのキャラクターの特徴を直接「記憶（学習）」させる技術が必要になります。
LoRA（Low-Rank Adaptation）
「特定のキャラ専用の追加パーツ」
現在、最も主流な追加学習手法です。巨大なAIモデル全体を最初から再学習させるのではなく、特定のキャラクターの特徴や衣装のディテールだけを学習した小さなファイル（追加パーツ）を作成し、画像生成時にベースモデルに組み合わせて使用します。
- メリット: 学習にかかる時間が短く、ファイルサイズも数十MBから数百MB程度とコンパクトです。さらに、複数のLoRA（例えば「キャラクターAの顔のLoRA」と「特定の制服のLoRA」）を同時に組み合わせて適用することも可能です。
- 用途: 固有のキャラクターの顔立ちや、特定の衣装デザインなどを安定して固定したい場合に最適です。「このキャラクターのLoRAを作成してください」という指示は、現在のAI画像制作の現場で標準的に通じるアプローチとなっています。
Textual Inversion（埋め込み学習）
「新しい単語を辞書に登録する」
例えば「S-chan」という新しい言葉（トークン）に対して、特定のキャラクターの概念を紐付ける手法です。LoRAよりもさらに軽量で扱いやすいのが特徴ですが、複雑な造形や細かな装飾の再現度という点ではやや劣る傾向があります。
数枚の少ない画像素材から、特定の「画風」や全体的な「雰囲気」をAIに学習させる用途に向いています。キャラクターの厳密な固定よりも、特定のテイストを再現したい場面で活躍します。
Dreambooth（ドリームブース）
「モデル自体の脳を書き換える」
LoRAが後付けの「追加パーツ」であるならば、Dreamboothは「モデル本体の根本的な改造」と言えます。AIモデルの内部に、特定の被写体やキャラクターの情報を深く強力に刻み込みます。
- メリット: キャラクターの再現度は極めて高く、プロンプトの指示にも忠実に従いやすくなります。
- デメリット: 生成されるファイルサイズが数GBと巨大になり、学習に必要なマシンスペックや計算コストも高くなります。また、特定の概念を強く学習させすぎると、モデルが元々持っていた他の汎用的な生成能力（例：全く関係ない動物や風景を描く能力など）が低下する現象が起こることがあります。LoRAではどうしてもキャラクターを固定できない場合の、強力な最終手段として捉えておくと良いでしょう。
Checkpoint / Model（モデル）
「画風の土台」
アニメ調の表現が得意なモデル、リアルな実写表現が得意なモデルなど、画像生成のベースとなる大元のファイルのことです。キャラクターのデザインを安定して固定したい場合、追加学習（LoRAなど）を作成する際に使用したモデルと、実際に画像を生成する際に使用するモデルの相性が極めて重要になります。
「どのベースモデルを基準にしてLoRAを作成したか」を正確に把握し、環境を合わせることが、キャラクターの一貫性を維持するための隠れた重要ポイントです。
【修正編】細部の一貫性を整える仕上げ用語
どんなに優れたプロンプトや学習モデルを使っても、AIは時々指を6本にしたり、遠くの顔を崩したりします。商用利用レベルにするには、生成後の「修正（リタッチ）」技術が不可欠です。一発出しを狙わず、修正で完成させるワークフローを組みましょう。
Inpaint（インペイント）
「デジタル修正液」
生成された画像の一部だけをマスク（選択）し、その部分だけを再生成する技術です。「顔だけ描き直す」「指だけ修正する」「服のロゴを変える」といった使い方ができ、全体の良さを残したまま欠点をつぶせます。デザイナーが画像編集ソフトで行う修正作業を、AIにやらせるイメージです。
Upscale（アップスケール）とDenoising Strength
「高画質化と書き込み」
解像度を上げる処理ですが、単に拡大するだけでなく、AIが細部を描き足しながら大きくします。ここで重要なのが Denoising Strength（ノイズ除去強度）という数値です。
- 数値が低い（0.3以下）: 元画像を忠実に拡大します（ぼやけたままになることも）。
- 数値が高い（0.6以上）: AIが想像でディテールを足します（顔が変わるリスクがあります）。
このバランス調整が、クオリティアップの鍵を握ります。
Hires. Fix（高解像度補助）
「生成と同時に高画質化」
画像を生成する工程の中で、一度低解像度で描いてから、すぐに高解像度で清書する機能です。構図の破綻を防ぎつつ、最初から密度の高い絵を得られます。特に全身図を描く際、顔が崩れるのを防ぐのに効果的です。
ADetailer（顔補正）
「顔専用の自動修正プラグイン」
画像の中から「顔」と認識される部分を自動で検知し、その部分だけ高解像度でInpaint（描き直し）してくれるツールです。全身図などで顔が小さく潰れてしまう現象を劇的に改善します。大量生成を行う場合、これを入れているかどうかで歩留まりが全く違います。
一貫性レベル別：採用すべき技術スタックの選び方
ここまで多くの用語を解説してきましたが、全てを使う必要はありません。目的とする「一貫性のレベル」に合わせて選ぶのが、プロジェクトマネジメントにおける賢明な判断です。
レベル1：雰囲気だけ統一したい場合
- 目的: ブログのアイキャッチ、社内資料の挿絵
- 必要な技術: Seed値の固定、プロンプトのテンプレート化
- 解説: 厳密に同じ顔である必要はなく、「同じ画風」「似たような配色」であれば十分な段階です。特定のモデル（Checkpoint）を決めて、プロンプトを使い回すだけで対応可能です。
レベル2：同一人物に見えればOKな場合
- 目的: SNS運用、簡単なWeb漫画
- 必要な技術: ControlNet (OpenPoseや最新の統合モデルなど), LoRA (簡易学習)
- 解説: 髪型や目の色など、主要な特徴が合致している必要があります。LoRAで特徴を固定し、ControlNetでポーズを指定するフローが標準的です。最近ではFLUX対応のControlNet Unionのように、ポーズや深度など複数の制御を統合して扱える技術も登場しており、多少の顔のブレを許容しつつ効率的に一貫性を保つことが容易になっています。
レベル3：IPとして厳密な固定が必要な場合
- 目的: VTuberのデザイン、公式キャラクター、商品パッケージ
- 必要な技術: Dreambooth または高品質な LoRA, ControlNet (Canny/Depth/Blurなど), Inpaintによる修正, ADetailer
- 解説: 衣装の装飾一つに至るまで固定する必要があります。学習コストをかけ、生成後の修正フロー（Human-in-the-loop）を組み込むことが前提となります。公式ドキュメントによると、ComfyUIなどの環境では「Apply ControlNet (Advanced)」ノードを用いて、生成のどの段階（start_percentからend_percent）でControlNetを効かせるかという緻密な段階制御が可能になっています。また、Stable Diffusion 3.5 Large専用のControlNet（エッジ制御のCanny、深度制御のDepth、高解像度化のBlur）を活用することで、より高度な一貫性維持が実現できます。ここでは人間のデザイナーによる最終調整も必須になるでしょう。
まとめ：知識を武器に、適切なツールを選ぼう
AI画像生成における「一貫性」は、魔法の呪文（プロンプト）ひとつで解決するものではありません。それは、確率を制御し、構造を指定し、学習で記憶させ、修正で整えるという、複数の技術を組み合わせたエンジニアリングの結果です。
今回解説した用語は、いわば「地図」です。
- 「ポーズが定まらない」なら ControlNet の導入を検討する。
- 「顔が安定しない」なら LoRA の学習を検討する。
- 「細部が崩れる」なら Inpaint や Upscale の工程を見直す。
このように、課題に対して適切な技術用語を当てはめることができれば、解決への道筋は明確になります。さらに、技術の進化は目覚ましく、より高度な制御ノードや統合ツールが次々と登場しています。これらを適切に組み合わせることで、かつては難しかった厳密なキャラクター固定も現実のものとなっています。
現在では、こうした複雑なAI技術を裏側で自動制御し、直感的に使えるプラットフォームも多数提供されています。キャラクターの一貫性維持に必要なLoRAの適用や高度なControlNetの制御も、コードを書くことなくスムーズに実行可能な環境が整いつつあります。
AIはあくまでビジネス課題を解決するための手段です。確率の制御がどれほどプロジェクトのROI向上やビジネスの加速に貢献するか、実際のツールを通じて体験してみることをおすすめします。あなたの作りたいキャラクターが、自由に動き出す瞬間を実感できるはずです。
コメント