AI映画用語集：初心者のための24の用語解説

AIについての映画論は借り物の技術用語に満ちていて、しかも緩く使われがちだ。この用語集は、AI映画やAI製映像についての記事で出会う言葉を、一つの生成ショットが作られる順に近い形で定義する。定義は意図的に平易にし、それぞれをスクリーン上で重要な部分で締めくくる。

モデルとその学び方

モデル

モデルとは、入力——プロンプト、画像、フレーム——を、生成されたショットやラベル、次の単語といった出力に変えるシステムである。映画についての文章では「モデル」は通常、内部の一部件ではなく生成ツール全体を指す。

パラメータと重み

モデルの内部にある学習された数値。訓練がそれらを調整し、推論は変更せずに使う。モデルが「大規模」と呼ばれるとき、通常はパラメータの数を指している。

訓練

データ上でモデルの重みを調整する過程。通常は出力を目標と比較し、誤差を減らすように重みを少し動かす。訓練は高コストで、たいていあなたがツールに触れる前に終わっている。

推論

訓練済みモデルを実行して出力を得ること。生成は推論である。学習は起こらず、モデルの知識は訓練が終わった時点で凍結されている。

プロンプト

生成を条件づける指示テキスト、時には画像も。プロンプトは出力を導くが、コードではない。同一のプロンプトでもモデルやバージョンが違えば異なる結果になりうる。

トークン

モデルが処理するテキストの単位で、多くの場合ひとつの単語か単語の一部。コンテキストの上限やコストがトークンで測られるため、トークン数は重要だ。

マルチモーダルモデル

複数種類の入力や出力を扱うモデル。テキストと画像、あるいは音声など。現在の動画ツールの多くは、少なくともこの意味でマルチモーダルである。

生成ショットはどう組み立てられるか

潜在空間

画像や動画の圧縮された数値表現。モデルがこの空間で作業するのは、生のピクセルより小さく滑らかで、近くの点どうしが似た見た目になりやすいからだ。「潜在ウォーク」とは点の間を移動して緩やかな変化を生むこと。

変分オートエンコーダ（VAE）

画像を潜在表現に圧縮し、再構成する一対のネットワーク。多くの画像ツールでは、VAE が潜在結果をピクセルに戻す部分にあたる。

拡散モデル

段階的なノイズ付加を逆転させるよう訓練された生成モデル。画像やクリップが現れるまで、ノイズを一歩ずつ取り除くことを学ぶ。この手法は、ノイズ除去拡散確率モデルを導入した論文で示された。

サンプリングステップ

モデルが行うノイズ除去のステップ数。増やすと細部が加わりうるが、時間も増え、良い結果を保証するものではない。

シード

ノイズを始める乱数。同じモデル、設定、ソフトウェアでシードを再利用すると、画像をかなり近く再現できる。モデルのバージョンやプラットフォームを変えると結果はずれうる。

ガイダンススケール

モデルがプロンプトにどれだけ強く従うかを制御する設定で、しばしば classifier-free guidance として実装される。低い値は緩く意外な出力を、非常に高い値は脆い、あるいは彩度過多の結果を生みがちだ。

チェックポイント

保存されたモデルの重みファイルで、通常は特定のモデルを動かすのに必要な部品をまとめている。同じ系統のチェックポイントでも、見た目も振る舞いもかなり異なりうる。

LoRA

Low-Rank Adaptation の略。凍結したベースモデルに加える小さな訓練可能行列の集合。完全なファインチューニングよりはるかに少ない訓練パラメータで、スタイルやキャラクター、概念を教えられる。

ファインチューニング

事前学習済みモデルを新しいデータでさらに訓練すること。LoRA はその効率的な方法の一つで、「ファインチューン」はあらゆる適応を緩く指すのにも使われる。

ControlNet

ポーズ、深度マップ、エッジ画像といった空間情報で拡散モデルを条件づける追加機構。出力は構造を勝手に発明するのではなく、特定の構造に従う。

インペインティングとアウトペインティング

画像の一部を埋める、あるいは置き換えること（インペインティング）、元のフレームの外側へ拡張すること（アウトペインティング）。どちらもショットのクリーンアップやセット拡張でよく使われる。

動きを作る

フレーム補間

既存のフレームの間に新しいフレームを合成し、フレームレートを上げたり映像をスローにしたりする。古いツールはオプティカルフローを、新しいものは学習モデルを使う。補間は動きを滑らかにできるが、撮られなかったものを取り戻すことはできない。

時間的一貫性

シーケンスがフレーム間でどれだけ整合しているか。顔、衣服、光、物理。時間的一貫性の低さは、ちらつき、モーフィング、ショット間で変わる物体として現れる。

出力と証拠

ハルシネーション

尤もらしいが偽の出力。どこからともなく現れる物体、指が多すぎる手、何かに綴りが似ているが成立しない文字。この語が指すのは自信に満ちたナンセンスであって、単一の原因による技術的故障ではない。

ディープフェイク

深層学習で作られた合成または改変された動画・音声で、通常は人物の顔や声を扱う。あらゆる説得力のある偽物を緩く指すのにも使われるが、有用な定義は特定の技術と特定の害を名指しする。

AIアップスケーリング

学習モデルで解像度を上げること。本物の細部を鮮明にできるが、元の素材になかった細部を発明することもあり、修復の倫理がこれを問題にする理由でもある。

C2PA と Content Credentials

C2PA はデジタルコンテンツの由来と編集履歴を記録するためのオープンな技術標準。Content Credentials はそのメタデータの消費者向け名称である。内容が真であることの証明ではなく、出所についての署名された主張だ。

なぜこの語彙が重要なのか

これらの語は中立ではない。あるショットが「AIで作られた」と書くレビューは、ほとんど何も伝えない。手描きアニメーションも拡散モデルもディープフェイクも、その言葉に当てはまる。パイプラインを知ることで、より鋭い問いを立てられる。どのモデルが、何で訓練され、誰が動かし、どう編集したのか。その問いが、漠然とした反応を批評に変える。

より大きな問いを投げる映画をたどる鑑賞の道筋には、AIをテーマにした映画の鑑賞ガイドから始めるとよい。合成映像を確かめる実務面はAI生成映像の見分け方へ。語彙ではなく制作の仕組みを知りたいなら、AI動画モデルの仕組みを読んでほしい。