画像から動画（I2V）

画像から動画（Image-to-Video、略してI2V）とは、あらかじめ用意した1枚の画像を最初のフレームとして、そこから続きの動きを AI に生成させる方法です。文章の指示だけで動画を作るテキストから動画（T2V）に対して、「見た目をこちらで決めてから動かす」やり方といえます。

しくみ

動画生成モデルの多くは、拡散モデルをもとにしています。ノイズから少しずつ画像を作る仕組みを、時間方向に広げて、連続する複数のフレームをまとめて生成します。I2Vでは、与えられた画像を条件として固定し、そこに「カメラがゆっくり寄る」「髪が風になびく」といった文章の指示を組み合わせて、自然につながる動きを作ります。

なぜ使われるか

文章だけで動画を作ると、登場人物の顔や服装、背景の雰囲気が生成のたびに変わってしまいます。先に静止画を作り込んでおけば、見た目を固定できるため、次のような使い方がしやすくなります。

• 商品写真を、回転や光の反射が付いた紹介映像にする
• イラストやキャラクターに、まばたきや表情の変化を付ける
• 風景写真に、雲や水面の動きを加える
• 絵コンテや、プロモーションの構図案を動かして確認する

具体例

画像生成 AI で作ったキャラクターの立ち絵を入力し、「振り返って微笑む」と指示します。数秒の動画が得られ、同じ画像から別の指示で何度でも作り直せます。複数のカットを作って、編集ソフトでつなぐと、短い作品になります。

注意点

• 長さに限りがあります。多くのサービスでは1回に生成できるのは数秒から十数秒程度で、長い映像は、複数のカットをつなぎ合わせます。
• 動きの指示通りになるとは限らず、手や指、細かい模様が崩れたり、時間が進むにつれて顔が変わったりすることがあります。何度か試して良いものを選びます。
• 入力画像の権利に注意してください。他人の写真や著作物を無断で動かすのは、肖像権や著作権の問題になりえます。実在の人物の画像を使ったディープフェイクの悪用も社会問題です。
• 生成物であることを示す来歴情報（C2PA など）や、サービスの利用規約を確認しましょう。

関連する考え方

動画の口の動きと音声を合わせるリップシンク、画像の一部を描き直すインペインティングなどと組み合わせると、表現の幅が広がります。