AIが生成した動画が、まだ自動的に「映画」にはならない理由

クリップからシーンへの飛躍は、段階的な一歩ではない

映像品質が大きく進歩したことは疑いようがない。OpenAIはSora 2を「big leap forward in controllability」と表現し、「intricate instructions spanning multiple shots」に従いつつ「while accurately persisting world state」できるとしている（OpenAI, „Sora 2 is here“）。Google DeepMindは技術報告書の中で、自社モデルに「bias for generating cinematic footage, with frequent camera cuts and dramatic camera angles」があるとまで述べている（Veo 3 Technical Report）。こうしたクリップを初めて目にすると、映画制作はこれでほぼ解決したかのような印象を抱きやすい。

しかし、まさにこの印象こそが誤りへと導く。映画とは美しい単独の映像の連なりではなく、数十のショット、シーン、制作段階を横断して整合しなければならない、コントロールされた判断の連鎖である。ある人物は次のショットでも同じ人物でなければならず、切り返しが成立するように視線は正しい方向を向いていなければならず、小道具はロングショットとクローズアップの間で消えてはならない。これらの要求は些末に聞こえるかもしれないが、実は職人技の核心そのものであり——生成モデルが単なる映像品質よりも高いハードルに突き当たるのは、まさにここなのだ。

しばしば混同される五つの段階を区別できる。印象的なデモクリップ、コントロール可能な映画シーン、再現可能な制作プロセス、完成した一本の映画、そして長期にわたって語られるシリーズだ。それぞれが前の段階より厳しい一貫性と操作性を要求する。最初の段階を見事にこなすモデルであっても、五番目の段階についてはほとんど何も語らない。

本当の試練は解像度ではなく連続性である

一貫性における進歩は本物であり、評価に値する。RunwayはGen-4を「consistent characters, locations and objects across scenes」を生成するものとして——しかも「with just a single reference image of your characters」で——宣伝している（Runway, „Introducing Runway Gen-4“）。参照条件付けとキャラクター条件付けはこの分野を一変させた。ある人物を固定し、さまざまな視点から改めて呼び出せるのだ。The Vergeはこの発表を冷静にこうまとめている。Gen-4は「enhanced ‚continuity and control‘」を提供するはずである一方で、AI動画は「often face challenges in sustaining coherent storytelling」だと（The Verge）。

だが研究は、この問題がいかに根深いかを示している。操作性に関する最近の概説は、「text prompts alone are often insufficient to express complex, multi-modal, and fine-grained user requirements」と指摘し、だからこそカメラ移動、深度マップ、身体ポーズといった補助信号がそもそも研究されているのだと述べる（Ma et al., „Controllable Video Generation: A Survey“）。時空間的一貫性に関する第二のサーベイは、典型的な誤りの類型を率直に挙げている。「subject swapping」、「object teleportation」、「unnatural jumping」だ。そして長尺形式についてはこう言う。「Existing generation models typically struggle to effectively capture such long-range dependencies, lacking the dynamic modeling and spatiotemporal memory capabilities required for complex and extended-duration relationships」（Survey: Spatiotemporal Consistency in Video Generation）。

細部に目を向けると、要求は具体的になる。衣裳と小道具の連続性は、ある物体がテイクをまたいで正確に同一であり続けることを求める——だが一貫性サーベイは「subject swapping」と「object teleportation」を典型的な誤りとして挙げている（Survey: Spatiotemporal Consistency in Video Generation）。身体の動きと解剖学に関して、Sora 2は提供元によれば「more physically accurate」であり、外したシュートはテレポートせずボードに跳ね返させるが、同時に「far from perfect」であることも認めている（OpenAI, „Sora 2 is here“）。研究はここで「motion trajectory … conforms to physical laws」であることを要求する（Survey: Spatiotemporal Consistency in Video Generation）。対話シーンについては、Sora 2とMovie Genが提供元の説明によればネイティブで同期した音声を届ける。OpenAIはSora 2について明確に「synchronized dialogue and sound effects」と述べており、これはリップシンクを大きく改善する（OpenAI; Meta, „Movie Gen“）。だが、あるセリフの抑揚、タイミング、感情の色合いを精密に演出できるかどうかは、これでは語られていない——モデル報告が裏づけるのは同期性であって、話芸の微細な制御ではない。この限界が最も鮮明に現れるのは、感情の機微とコントロール可能な演技上の判断においてだ。『Here』では実際の俳優たちが「every single one of the character performance moments」を担い、代役での試みは失敗した。なぜなら「it wasn't the soul of the actor that was there」からだ（befores & afters, „‚Here‘: A test with Tom Hanks“）。

さらに、めったに考慮されない映画言語の次元が加わる。Veo 3の報告書がモデルに「bias for generating cinematic footage, with frequent camera cuts and dramatic camera angles」があると認めるとき（Veo 3 Technical Report）、要点はこうだ。頻繁でドラマチックなカットやカメラアングルは、まだ精密な演出ではない。切り返し、マッチ・オン・アクション、イマジナリーライン、清潔なアイライン、そしてシークエンスのリズムは、コントロール可能なカバレッジと再現可能なショットに支えられているのであって、魅力的な偶然の編集によって成り立つのではない。つまり、美しいアングルを選ぶ生成器は、同じアングルを意識的かつ再現可能に複数のショットにわたって保ち続ける演出の代わりにはならない。

まさにこれが技術カテゴリーを互いに分ける。Text-to-Videoは記述から生成し、Image-to-Videoは開始画像を動かし、Video-to-Videoは既存素材を変換し、World Modelsは状態を時間を越えて保持し、Shot Extensionはクリップを延長する——そして古典的なVFXおよびコンポジットのワークフローは、生成された要素をコントロールされ法的に安全な形で組み合わせる枠組みであり続ける。たとえばAdobeのGenerative Extendは、ある撮影を「up to two seconds for video and ten seconds for audio」延長し、生成された映像を常に印付けする、「so you know exactly where the original footage ends and created frames begin」（Adobe, „Generative Extend“）。これは精密な編集ツールであり——同時に、ここで語っているのが秒であってシーンではないことを思い出させる。MetaのMovie Genもまた、最大モデルについて「a generated video of 16 seconds at 16 frames-per-second」を「1080p HD」で「synchronized audio」付きで生成すると記録している（Meta, „Movie Gen“）。印象的だ——だが劇映画は、すべてが互いに整合しなければならない、そうした構成要素を何千も積み重ねてできている。

ある実例が示すこと——AIは仕事をずらすのであって、置き換えはしない

AIが撮影現場から仕事を取り除いてくれると信じたいなら、『Here』の制作を研究すべきだ——これは明確に、機械学習と古典的VFXによる演技加工を組み合わせたハイブリッドな例であり、Text-to-Videoで生成された映画ではない。ロバート・ゼメキス監督の作品で、MetaphysicとVFXスーパーバイザーのKevin Baillieは、主要俳優四人にわたる「53-character minutes of full-face replacement」を、一部は「up to four minutes」の長さのショットで担った（befores & afters, „‚Here‘: A test with Tom Hanks“）。古典的なCGIは選択肢にならなかった。「It was obvious that there was no way we could use traditional CGI methods to do this」とBaillieは言う——高すぎ、遅すぎ、不気味の谷のリスクがあったのだ。

決定的なのは、AIがどれほど多くの専門的な手仕事を必要としたかである。俳優ごとに複数のニューラルネットワークがキュレートされたデータセットで訓練された——トム・ハンクスの「at 18, at 30, at 45」——その際、エンジニアたちは「identity leak」を積極的に排除しなければならなかった。さもなければ「Tom's brother or cousin」が現れてしまうからだ。視線軸も絶えず問題になった。ネットワークが「magnetically」カメラを見つめる傾向があったためだ。キスのような際どいケースは、古典的な技法で「backstopped」する必要があった。Baillieの結論は明快だ。「All these limitations of the AI tools, they need traditional visual effects teams who know how to do this stuff to backstop them and help them succeed」（befores & afters）。

とりわけ、演技は人間のものであり続けた。WiredとVarietyがその核心を記録している。二台のモニターを使ったリアルタイムシステムが、俳優たちに若返った自分の演技を即座に確認し調整させた——それはクリエイターのための道具であって、彼らの代替ではなかった（Wired, „The $50 Million Movie ‚Here‘“; Variety）。『Here』は、AIが制作の場に到達したこと——そして結果が耐えうるものになるためには、いかに反復的で高度に専門化された労力が必要であり続けるかを証明している。

反論、限界、そしてリスク

2025/2026年に境界が動いたと反論するのはもっともであり、それは事実だ。Netflixはシリーズ『El Eternauta』で初めてオリジナル制作に生成AIを用いた。共同CEOのTed Sarandosによれば、建物崩壊のVFXシークエンスは「10 times faster than it could have been completed with traditional VFX tools and workflows」で作られた（The Guardian）。この数字は同社の提供元による説明であり、単一のシークエンスに関するものだ。さらに示唆的なのは、それがどのように成立したかである。Netflixの部門Eyelineは自らの説明によれば、自社製のモデル技術ではなく「commercially available video diffusion models under enterprise licenses」を——古典的なVFXパイプラインに組み込んで——用いた（TheWrap）。

映画祭の光景もまた欺きやすい。RunwayのAI Film Festivalは2024年の「merely 300 submissions」から2025年には「6,000 entries」へと成長し、Jacob Adlerの「Total Pixel Space」がグランプリを獲得した（The Hollywood Reporter; Runway AIFF Screening Room）。だが出品された作品は「varying in quality」であり、しばしば「dream-like, experimental」で、「constraints on sound and the portrayal of real people」によって特徴づけられていた（The Hollywood Reporter）。

そして厳しい限界が残る。操作性はコントロールと同義ではない。「more controllable」と宣伝されるモデルであっても指示に完璧には従わず、細かな指示は逸れうる——OpenAI自身がSora 2について「far from perfect」であり「plenty of mistakes」を犯すと認めている（OpenAI, „Sora 2 is here“）。Veo 3の報告書は「small hallucinations that mark videos as clearly fake」に言及している（Veo 3 Technical Report）。編集可能性、バージョン管理、再現性——どの制作にとっても死活的だ——は、純粋な生成器ではほとんど得られない。『Here』はそれらを、専用に構築されたNukeツールと「neural animators」によって初めて解決した。そして法的な利用可能性は大きく異なる。Adobeは「only trained on content where Adobe has permission … never on Adobe users' content」であると宣伝する（Adobe）一方、Runwayの前世代モデルは「scraped YouTube videos and pirated films」で訓練したとして批判された（The Verge）。OpenAIが自社ページで「as of April 26, 2026, the Sora product is no longer available」と告知していることは、消費者向け製品（Soraアプリ）に関わるものであって、必ずしも基盤となるモデルやそのAPIの提供可能性を意味しない。それでもこれは、消費者向け製品が提供する制作上の確実性がいかに乏しいかを思い出させる（OpenAI）。

結論——スペクタクルは一つの能力、コントロールは別の能力である

誠実な総括は、熱狂でも拒絶でもない。参照画像、カメラコントロール、ネイティブの音声トラック、そしてショット延長ツールは、ちらつく珍品を本格的な制作の構成要素へと変えた。それらは時間を節約し、予算を開き、語りうる範囲を広げる——『El Eternauta』と『Here』がそれを具体的に示している。だが、それらは本当のハードルを動かしはしない。優れた映画が生まれるのは、ある映像が美しい場所ではなく、ショット、シーン、そして数ヶ月にわたる千の判断が互いに整合し、再現可能であり続ける場所だ。まさにそれ——キャラクターの一貫性、視線軸、接続、コントロール可能な演技、清潔なバージョン管理——こそが、生成モデルがまだ単独では越えられない、より高いハードルである。したがって今後数年の興味深い問いは、AIが美しい動画を作れるかどうかではない。それはとうにできる。問いは、AIがコントロールしながら語ることを学ぶかどうかだ。それまでは、こう言える。印象的なクリップは約束であって、映画ではない。