Varazdat S.
Janis Tirtey
根本的に異なる2つの手法
参照ベース対生成型
動画での顔交換は、根本的に異なる2つの手法に分かれます。参照ベース（対象の顔の写真をアップロード）と、生成型（テキストで人物を記述）です。特定の人物が念頭にあり、その人の良い写真がある場合は、参照ベースがうまく機能します。実在の参照写真が存在しない架空のキャラクターには、生成型のほうが向いています。
生成された一貫性のあるキャラクターから作られた AI インフルエンサーの場合、ほぼ常に参照ベースが正しい選択です。キャラクター自身の確立された参照写真のセットが、すべての顔交換でアイデンティティの元になります。
基盤となるモデルの仕組み
検出、抽出、ブレンド
現代のプロセスは、3段階で進みます。顔の検出、特徴の抽出、ブレンドです。検出では、大量の顔で学習したモデルを使って、主要なランドマーク（モデルによっては68〜468点）を特定します。目の端、鼻先、口の端、顎のラインなどです。
より高度なパイプラインでは、元の映像の表情の係数と視線の方向も、入れ替わったアイデンティティに転写します。これにより、交換された顔の表情が、貼り付けたように見えるのではなく、元の演技と一致し続けます。
写真を1枚より複数使うほうが良い理由
1つの角度対、頑健なアイデンティティ
元の写真が1枚では、モデルはアイデンティティを1つの見え方でしか捉えられません。角度、表情、照明条件の違う3〜5枚の参照写真があれば、ターゲット映像のポーズの変化にも耐える、頑健なアイデンティティ表現が得られます。参照写真が1枚だけの顔交換は、ターゲット映像の頭の角度がその1枚の角度から外れると、目に見えて劣化しがちです。
これは、AI インフルエンサーの一貫性と同じ基本原則です。確立された、多様な参照写真のセットを持つキャラクターは、顔交換を含め、以後のあらゆる用途で、より信頼できる結果を生みます。
入力映像の品質ルール
ターゲット映像に必要な条件
極端な横顔のショットではなく、正面か4分の3の顔の角度を持つターゲット映像を選びましょう。結果が悪くなる原因のほとんどは、ぼやけた元写真、極端な角度、ターゲット映像の激しいモーションブラーといった低品質な入力にあります。モデルそのものの限界ではありません。
顔がはっきりと遮られずに写っている安定した映像は、頭の動きが速い映像よりも明らかに良い結果を生みます。これは、リップシンクにも当てはまる入力品質の原則です（AI キャラクターにリップシンクする方法を参照）。
Build a Consistent Face for Reliable Swaps
Generate a character with a robust, varied reference set for consistent results across every video. Free to start.
無料トライアルを開始同意と開示
任意の付け足しではない
誰かの顔を動画コンテンツに入れ替える前には、必ず適切な同意を取ってください。特に商用利用の場合はそうです。多くの法域では、特に政治的または名誉毀損的な文脈において、AI で操作されたコンテンツに対するディープフェイクの開示義務があります。厳密には必要とされない場合でも、透かしや開示はよい慣行です。
AI インフルエンサー自身の、一貫した生成されたアイデンティティについては、同じ懸念は同じようには当てはまりません（なりすまされている実在の人物がいないためです）。しかし、実在する第三者の肖像を使う顔交換には、その人の同意が必要です。例外はありません。
よくある失敗
明らかに偽物に見える交換の原因
参照写真を1枚だけ使うこと。 角度の違う3〜5枚の参照は、1枚の写真では得られない、はるかに頑健なアイデンティティを生みます。
極端な角度や激しいモーションのターゲット映像を選ぶこと。 安定した映像での正面か4分の3の角度が、最も信頼できる結果を生みます。
表情と視線の転写を無視すること。 技術的に正確な顔交換でも、元の演技の表情と視線の方向を伴わなければ、自然ではなく貼り付けたように見えます。
同意なしに実在の人物の肖像を入れ替えること。 これは、技術的な結果がどれほど良く見えても、倫理的な問題であり、多くの法域では法的な問題でもあります。