AI動画で「口だけ合ってる不気味さ」から抜け出すまでに試したこと

AIで生成した人物に音声を当てて喋らせる動画制作で、口の動きは音声に合っているのに、不気味さが消えないという悩みを扱った記事だ。筆者は当初、リップシンクの精度を上げれば自然になると信じていた。しかし精度を上げるほど不気味の谷は深まり、口だけが独立して動く「喋るステッカー」のような映像になった。転機は、身振りの大きい別テイクを偶然参照に使ったことだという。手先は崩れたが、全体の生身らしさは格段に上がった。そこで筆者は、口の同期を「リップシンク」、発話リズムに伴う首や肩の微小な動きの同期を「モーションシンク」と呼び分け、チェック基準を三層に整理している。

AIの鬼の視点で言えば、この記事の核心は「不自然さの原因を、見えている場所から探すと外す」という教訓だ。人は相手の唇だけを見て会話しているわけではない。違和感の正体は、目立つ部分の精度ではなく、目立たない部分の欠落にあることが多い。動画生成に限らず、AIの出力を手直しするときにも同じ罠がある。精度の高い一箇所を磨くほど、全体の調和が崩れていく。派手な改善より、地味な周辺の整合を取る方が効く場合がある。

中小企業の実務に当てはめるなら、AIで作った販促動画や説明映像を社内で確認するときは、一つの要素だけを磨くのをやめること。画面の中の人物が「生きて見えるか」を、表情やしぐさも含めて全体で見る。完璧な一点より、破綻の少ない全体の方が、顧客にとっては信頼感につながる。