performance-direction

生成メディアの演技指示

演技指示を使って、生成された人物やキャラクターに、何かを求め、プレッシャーに反応し、声、表情、視線、身体を通して伝える様子を表現します。モデルに漠然とした感情を指定して、演技を任せるのは避けてください。演じられる状況、ビートごとの行動、身体の動き、声の出し方、連続性の制約、テイクを評価する方法を提示します。

根拠の扱い

このスキルで使用する、文書で裏付けられた事実：

• スタニスラフスキーに由来する俳優訓練では、与えられた状況、課題／目的、行動、ビート、障害、身体的行動を通して役を分析するのが一般的です。AI で使用する際は、学術的な用語ではなく、簡潔で演じやすい指示に置き換えてください。情報源の照合先：スタニスラフスキー・システムの概要、NYFA によるスタニスラフスキーの質問の概要。
• リップシンクシステムでは、音声を音素ごとに 1 つの口の形に対応させるのではなく、視素に対応付けることがよくあります。Microsoft は、視素を音素の視覚的な表現と定義し、多くの音素が同じ視素を共有する場合があると説明しています。Meta の Oculus Lipsync のドキュメントでは、時間経過に伴う視素間の補間について説明しています。2026-07-10 確認：Microsoft の視素に関するドキュメント、Meta の視素リファレンス。
• プロの吹き替えガイダンスでは、タイミング、自然な言葉遣い、音量、口や身振りの物理的な同期を制作上の制約として扱います。2026-07-10 確認：Netflix の映画／シリーズ向け吹き替えガイドライン、Netflix のノンフィクション向けシムルシンクガイダンス。
• 現在のアバターツールでは、演技の制御方法がそれぞれ異なります。きれいなトレーニング映像と同意の記録を必要とするもの、台本とアバターの選択を受け付けるもの、感情や感情状態の制御機能を備えるものがあります。2026-07-10 確認：Synthesia Studio Avatar の要件、D-ID クイックスタート、HeyGen Digital Twin のドキュメント。
• 現在の AI 動画プロンプトでは、一部のプロバイダーで、キャラクターの参照、長尺クリップ、延長、バッチワークフローを指定できます。機能の制限はプロバイダーと日付に依存するものとして扱ってください。2026-07-10 確認：OpenAI Sora 2 のプロンプトガイド。
• パフォーマーの容貌や声、デジタルレプリカの使用には、同意、報酬、使用制限、保管、開示に関する義務が伴います。2026-07-10 確認：SAG-AFTRA の AI リソースページ、SAG-AFTRA のデジタルレプリカに関する PDF、NAVA の合成音声ガイダンス。
• 来歴や開示は、C2PA Content Credentials などのメタデータ標準で支援できますが、来歴への対応状況はプラットフォームやワークフローによって異なります。2026-07-10 確認：C2PA。

各案件で収集する実証的な観察事項：

• 選択したモデルがどの演技の詳細に安定して従うか：視線、身振り、表情の強さ、手の正確さ、リップシンク、間、呼吸、カメラのブロッキング、連続性。

• モデルが俳優への演技指示の言葉遣い（「安心させようとする」など）と、目に見える出力の言葉遣い（「穏やかな笑み、肩が下がり、目線がレンズに戻る」など）のどちらに反応しやすいか。

• 特に短いクリップや、固定されたポーズライブラリを使うアバターツールで、指定しすぎるとどの制約が出力を損なうか。 制作における実践的なヒューリスティックであり、普遍的な事実ではありません：

• 感情よりも直接的な行動を優先します。「悲しんでいる」よりも「彼女の信頼を得ようとする」のほうが、一貫性のある振る舞いになりやすいです。

• 1つのビートにつき、主な目的を1つ、ビートの転換点では目に見える変化を1つにします。

• 感情は画面上の強度を0～5で調整します。ビジネス向けやアバターのクリップでは通常1～3が適切ですが、アニメーション、コメディ、ソーシャルメディアのフックでは3～5でも問題ありません。

• すべてのジェスチャーに役割を持たせます。意味のない指さし、うなずき、手振りは人工的に見えます。

• 顔の動きが音声に連動する場合は、アバターの最終生成やリップシンクの前に、音声のタイミングを確定します。

• 問題が起きた場合は、まず問題がある最小のレイヤーを修正します。脚本の意図、音声の読み方、表情、身体の動き、カメラ、編集、生成設定の順に確認します。

演技のブリーフを作成する

発話または演技をする対象ごとに、生成プロンプトを書く前に簡潔なブリーフを作成します。

1. 媒体と制約：アバターのプレゼンター、シネマティックな AI 動画、リグ付きアニメーション、生成広告、吹き替え／ローカライズ、ソーシャル UGC、または音声のみ。
2. キャスティング：年齢層、存在感、声の質感、身体的なエネルギー、使用許可がある場合のスタイル参照、模倣してはならないもの。
3. 与えられた状況：キャラクターがいる場所、直前に起きたこと、誰に話しかけていると思っているか、現在かかっている圧力。
4. 目的：このビートで、視聴者や他のキャラクターから何を得たいのか。
5. 障害：その目的の達成を難しくしているもの。
6. 行動の動詞：安心させる、挑む、魅了する、はぐらかす、告白する、教える、誘う、警告するなど、目的を達成するために何をするのか。
7. ビートの転換点：新しい情報や抵抗によって、戦術が変わる瞬間。
8. 見える振る舞い：姿勢、視線、手、顔の筋肉や表情、呼吸、静止、動く経路、距離、接触の可否。
9. 声の振る舞い：話す速さ、音域、声量、間、強調する言葉、呼吸、笑い／ためらい、適切かつ安全な場合に限り、アクセント／方言。
10. 連続性：隣接するショット間で一致するよう、目、手、身体、小道具、感情の状態、声の始まりと終わりを指定します。
11. 安全性／権利：同意の状況、肖像／音声の権利、許可された用途、開示／来歴の要件、似せることが禁止されている対象。

ブリーフは、生成プロンプトや引き継ぎメモに収まる長さにします。プロバイダーがある要素を十分に制御できない場合は、確実に実現できるかのように装わず、その要素を品質確認と反復調整の対象にします。

演じられる具体的なビートを指示する

ビートの演出では、次の点を明確にします。

• 何が変わりましたか？
• いま演者が望んでいることは何ですか？
• どんな戦術を試していますか？
• 自制していても、何が漏れ出ていますか？
• どのような目に見える／声に出る振る舞いを、具体的に変えるべきですか？

結果を表す形容詞ではなく、演じられる行動の動詞を使います。

弱い指示	より効果的な演技指示
「彼女は心配しています。」	「視聴者が理解しているか確かめながら、落ち着いて聞こえるように話します。視線をしっかり保ち、半拍だけ下を見て、すぐに立て直します。」
「彼に自信を持たせてください。」	「実際に試した近道を共有するように、視聴者を誘います。肩の力を抜き、レンズをまっすぐ見て、最初の根拠を示すときに小さく微笑みます。」
「とても感情的に。」	「抑制した調子で話し始め、次の言葉を飲み込みます。それから一度息をついて、最後の文をより静かに言います。」
「親しみやすいアバター。」	「親しみやすいオンボーディング担当者：胸を開き、手は腰の位置で静かに保ち、ユーザーが気にしそうな点にだけうなずき、設定手順では話す速さを10％落とします。」

短い生成クリップでは、各ショットのビートの転換点を1つか2つに抑えます。場面に複数の戦術の切り替えが必要な場合は、複数のショットまたはテイクに分けます。

感情と表情の調整

まず動作を定義してから、根底にある感情を示します。次に、画面上での強さを指定します。

• 0：無表情で作業に集中。
• 1：かすかな表現。主に目、呼吸、タイミングから読み取れる程度。
• 2：自然でプロフェッショナルな表情。
• 3：ドラマチックさや対人感情がはっきり伝わる表現。
• 4：ジャンル性を強めた、またはアニメーション的な表現。
• 5：誇張表現、パニック、ドタバタ、または芝居がかった表現。

必要に応じて、矛盾する要素も加えます。「声はプロフェッショナルなまま、顔には懸念が表れる」のように指定します。こうすることで平板な演技を防ぎ、すべての表現要素で同じ感情を示すようモデルに求めずに済みます。

顔については、観察できる手がかりを優先します。

• 眉：力を抜く、わずかに寄せる、眉頭を上げる、疑念を示すように眉を下げる。
• 目：レンズをまっすぐ見る、別の登場人物を目で追う、焦点を柔らかくする、ちらりと目をそらす、ゆっくりまばたきする。
• 口：口を閉じた笑顔、笑顔をこらえる、唇を結ぶ、顎の力を抜く、半笑い。
• 頭：動かさない、小さくうなずく、傾ける、のけぞる、身を乗り出す、背を向ける。

表情の手がかりを詰め込みすぎないようにします。意図的で、身体的にも一貫した矛盾でない限り、ひとつの動作の中で「満面の笑み、歯を食いしばる、悲しみをささやく、鋭くにらむ、穏やかな温かさ」を同時に表現するのは無理があります。

立ち位置、ジェスチャー、視線

立ち位置は、空間の中で演技の意味を伝えるものです。演者がどこにいるか、視聴者・相手・カメラに対してどのように向き合うか、そしてなぜ動くのかを示します。

以下を基本とします。

• カメラに直接話すプレゼンター：レンズを聞き手とします。安定したアイコンタクトを保ち、考えるときには時折視線を外し、重要な主張では意図的に再びレンズに視線を戻します。
• 会話：各登場人物が誰を見ているのか、また相手とのアイコンタクトを避けるのか、挑むのか、求めるのか、断つのかを定義します。
• 商品・ソーシャル広告：身体を使って商品を見つけたり、実演したりします。手は、物語上、証明・比較・誘いが必要なときにだけ画面に入れます。
• 映画のシーン：力関係、回避、魅力、秘密、発見を軸に動きを組み立てます。動き続けるよりも、距離や静止のほうが表現豊かな場合があります。
• アニメーション：シルエットやポーズの変化を読み取りやすくします。大きな動きの前には予備動作を入れ、感情の変化の後には動きを収束させます。

ジェスチャーのルール：

• それぞれのジェスチャーに動詞を与えます。見せる、止める、測る、守る、数える、招く、退ける、などです。
• ジェスチャーの大きさをフレームサイズに合わせます。クローズアップでは微細なジェスチャーを使い、ワイドショットでは全身の動きを使えます。
• ジェスチャー制御に対応し、ブランドのスタイルにも合うツールでない限り、アバターツールに手を動かし続けるよう求めないでください。
• モデルがアーティファクトを起こしやすい場合、手を顔、ロゴ、小道具、遮蔽された領域に近づけないようにします。

視線の連続性は重要です。複数のショットで構成されるシーンでは、各ショットの開始時と終了時に、それぞれの登場人物が誰・何を見ているかを記録します。AI 動画では、視線の不一致は単なる顔の不具合ではなく、連続性の破綻であることがよくあります。

声、リップシンク、顔の動きを調整する

声の演技は、アバターや音声主導のメディアで、演技がどう受け取られるかを左右します。次の点を具体的に指示します。

• 意図：話し手が聞き手に対して何をしようとしているか。
• ペース：一定、切迫感のある、慎重な、会話調の、圧縮された話し方。
• 間：句読点の位置だけでなく、思考が切り替わる場所。
• 強調：各文につき、重要な語を1つか2つ。
• 息づかい：落ち着いた吸気、息を止める、笑いを含んだ息、息を整える。
• 抑揚：エネルギーが高まる、下がる、または収束する箇所。
• 発音：明瞭、リラックスした、もごもごした、ためらいがちな発音。ただし、明瞭さにつながる場合に限ります。

合成音声では、プロバイダーがサポートする構文で演技のマークアップを記述します。構文が不明な場合は、該当するセリフのそばにプレーンテキストでメモを記します。2026-07-10に確認したところ、ElevenLabsは音声デザインの重要な要素としてペース配分を挙げ、音声出力には明確なペース配分の指示を推奨しています：ElevenLabs Voice Design。

リップシンク／アバター生成では、次の手順に従います。

1. 顔を生成する前に、台本を完成させるか、ほぼ完成させます。
2. 音声テイクを生成するか、選択します。
3. 単語のタイミング、間、感情の流れを確認します。
4. 選択した音声または台本を使って、アバター／リップシンクを生成します。
5. 口が開き始めるタイミングと閉じるタイミング、最後の閉口、両唇音（p／b／m）、摩擦音（f／v）、見てわかる顎の動きを確認します。
6. 不一致が見られる場合は、顔への指示を細かくしすぎる前に、音声のタイミングまたはセリフの長さを調整します。

吹き替え／ローカライズでは、原文のタイミングと、口やジェスチャーが見えるタイミングを尊重しながら、意味と自然な話し方を保ちます。口の形を完全に一致させることで言語が不自然になる場合は、リップシンク、セリフ同期、ボイスオーバー、ナレーション、字幕付き吹き替えのうち、どの同期方式を使うかを明示します。

アバターとアニメーションの制約

すべての媒体を実写と同じように演出しないでください。

アバタープレゼンター：

• 強み：安定したフレーミング、視聴者への直接的な語りかけ、拡張しやすい配信、研修／解説／ソーシャルメディアのプレゼンター形式。
• リスク：ジェスチャーの反復、固定された姿勢、不自然なアイコンタクト、感情表現の平板化、音声クローンと顔の不一致。
• 演出スタイル：簡潔なプレゼンターの意図、フレーム、ペース、感情、ジェスチャーの頻度、許容されるカメラアングル、ブランドの雰囲気を指定します。

トーキングフォト：

• 強み：素早いパーソナライズと、顔を中心にした語りかけ。
• リスク：ボディランゲージの制限、弱いジェスチャー、頭や目のアーティファクト、アイデンティティへの配慮。
• 演出スタイル：音声を優先し、表情はシンプルに保ち、複雑な身体動作は避けます。

AIシネマティックキャラクター：

• 強み：モデルが対応している場合、豊かな動き、環境、カメラ、シーンのダイナミクスを表現できます。
• リスク：連続性のずれ、ショット間で一貫しない演技、手や目の制御不能、感情表現の過度な文字どおりの解釈。
• 演出スタイル：ショットごとの展開、身体の動き、カメラとの関係、開始時と終了時の連続性、許可されている場合はリファレンスを指定します。

リグ付き2D／3Dアニメーション：

• 強み：ポーズ、ジェスチャー、タイミング、再現性、誇張を正確に制御できます。
• リスク：単調なポーズ、浮遊感のある遷移、体重移動や予備動作の弱さ、リップシンクの不一致。
• 演出スタイル：ポーズキー、タイミング、イーズ、シルエット、予備動作、ポーズの保持、収束、利用可能な場合は表情制御名を指定します。

音声のみ：

• 強み：書き直し、キャスティング、ペース配分、編集を通じて最大限に制御できます。
• リスク：単調な読み上げ、過剰な演技、話者間の関係性が不明瞭になること。
• 演出スタイル：セリフごとの意図、聞き手のイメージ、テンポの設計、間の設計、強調、追加収録箇所を指定します。

キャスティング、肖像・声の類似性、同意

合成された人物を作成または演出する前に、出演者が次のどれに該当するかを判断してください。

• 架空で、特定できない人物；
• ストック素材またはライセンス取得済みのアバター；
• 同意した人物をもとに作成するカスタムアバター；
• 著名人、従業員、顧客、インフルエンサー、俳優、または故人；
• 実在する人物の声、顔、スタイル、または演技の模倣。

カスタムの肖像や声、または識別可能な肖像や声を扱う場合は、書面で範囲を定めてください。

• 誰が同意したか、またその同意を与える権限があるか；
• 使用可能なメディア、台本の種類、地域、期間、プラットフォーム、編集内容；
• 声や肖像をモデルのトレーニング、新しい台詞の生成、または後日の再利用に使用できるか；
• 該当する場合、報酬、撤回、保管、独占利用、削除に関する条件；
• 合成メディアの開示・来歴管理計画。

同意が得られていない、または曖昧な場合は、架空で特定できない出演者、ライセンス取得済みのストックアバター、または人間が録音した演技に切り替えてください。実在する人物だと認識させる意図がある場合、その人物の「声が似た別人」や「見た目が似た別人」で代用しないでください。

プロンプトでリハーサルする

高コストな最終レンダリングの前に、プロンプトを使ってリハーサルしてください。

1. テーブルリード：感情ではなく、異なるアクションを意識した2つの音声テイクを生成するか、書き出します。
2. ポーズのリハーサル：可能な場合は静止画やキーとなるポーズを生成し、シルエット、視線、手の位置、表情の強さを確認します。
3. ビートのリハーサル：ビートの転換部分だけを含む短いシーンを生成します。
4. 連続性のリハーサル：同じ開始状態と終了状態、および参照素材を使って、隣り合うショットをテストします。
5. 最終演技：演技の読みがうまくいってから、制作上の詳細を加えます。

イテレーションのメモは具体的にしてください。

• 「笑顔を3から1に弱め、歯ではなく目元に温かみを残す。」
• 「反論の間はアイコンタクトを保ち、否定された後にだけ視線を下げる。」
• 「証拠となる要点で一度だけジェスチャーをし、感情を打ち明ける場面では手を動かさない。」
• 「口を閉じる動作に対して台詞が速すぎる。最後の言葉の前に200～400ミリ秒の間を加えるか、より遅い音声テイクを選ぶ。」
• 「キャラクターは恐怖を見せているが、目的は説得することです。『恐怖を抑えながら安心させようとする』演技に改めて指示する。」

演技の品質確認

音声あり、音声なし、音声のみで出力を確認してください。

音声あり：

• 出演者は明確な目的を追っていますか？
• 声のエネルギーは顔や身体のエネルギーと合っていますか？
• ビートの転換は、音声と映像の両方で伝わりますか？
• 間は遅延ではなく、考えている時間として感じられますか？
• ダビングやアバターの口の動きの開始と終了は、選択した同期基準として許容できますか？

音声なし：

• 人間関係、注意の対象、プレッシャーを推測できますか？
• 視線、姿勢、手の動きには意図がありますか？
• 表情の強さはジャンルやブランドに合っていますか？
• 不自然なループ、まばたきの停止、手のアーティファクト、無作為なうなずきはありませんか？

音声のみ：

• 読みには聞き手、戦術、展開がありますか？
• 重要な言葉を強調しつつ、営業っぽくなったり芝居がかりすぎたりしていませんか？
• ペースはプラットフォーム、情報密度、字幕に適していますか？

連続性：

• 開始時と終了時の感情、身体の向き、視線、プロップの状態、衣装、声のトーンは隣接するショットと一致していますか？
• キャラクターの参照素材、アバター、声は引き継ぎ資料に明記されていますか？
• 同意や来歴に関するメモは、アセットとともに引き継がれていますか？

引き継ぎ形式

出演者またはキャラクターごとに、次の内容を引き継ぎます。

Performer: <name or asset id>
Consent/rights: <fictional/licensed/custom consent status; allowed uses; disclosure>
Casting read: <age/presence/vocal/body energy; prohibited resemblance>
Scene objective: <what they want>
Obstacle: <what resists them>
Relationship/listener: <who they believe they address>
Beat map:
  00:00-00:03 <action, expression intensity, gaze/body/voice>
  00:03-00:07 <beat turn and new tactic>
Voice notes: <pace, pauses, emphasis, breath, pronunciation>
Blocking/gesture: <position, movement, hands, props, eye-line>
Continuity in/out: <start and end states>
QA priorities: <highest-risk performance details>

例：アバターのオンボーディング動画

制作意図：温かみがありながら信頼感のあるアバタープレゼンターによる、25秒のSaaSオンボーディング動画。媒体：カメラ目線の構図で台本に沿って話すアバター。

演技ブリーフ：

Performer: licensed stock avatar, mid-30s, calm technical host.
Objective: reassure a new user that setup is quick and safe.
Obstacle: the user expects integration setup to be annoying.
Action: demystify, then invite.
Emotion scale: warmth 2, urgency 1, confidence 2.
Eye-line: lens as user.
Gesture density: low; one small open-hand gesture on "two minutes."
Voice: conversational, 145-155 wpm, slight smile in tone, pause after first sentence.
Consent/rights: stock avatar within platform license; disclose synthetic presenter if required by channel policy.

台本・演技の指示：

[steady lens contact; relaxed shoulders]
"You do not need to rebuild your workflow."
[small pause; softer smile, warmth 2]
"Connect your calendar, choose the approval rule, and we will show you the first safe draft before anything goes live."
[one open-hand gesture on "first safe draft"; pace slows 8%]
"Most teams finish setup in about two minutes."
[return hands still; invite, not pressure]
"Let us do the first pass together."

この構成の理由：アバターの目的、障害、控えめなジェスチャーの計画、リップシンクと信頼感を支える音声のタイミングを、それぞれ1つに絞っています。起こりやすい失敗：笑顔が強すぎる、無作為にうなずく、2つ目の台詞が速すぎる。表情の強さを抑える、余分なジェスチャーの指示を削る、または長い文を分割することで修正します。

例：生成された映画風の2人のシーン

制作意図：短編映画のティーザー向けの8秒間のドラマチックなショットです。媒体：AI動画、肩越しのクローズアップ、有名人に似せないでください。

プロンプト用の演出指示：

Shot: close over Mira's shoulder toward Jonas at a rain-streaked bus shelter at night, 50mm, shallow depth of field. Fictional characters, no resemblance to real actors.
Given circumstances: Jonas has just been caught hiding the train ticket; Mira is waiting for an explanation off camera.
Jonas objective: persuade Mira not to leave.
Obstacle: he knows his excuse is weak and she has stopped trusting him.
Action: confess just enough to keep her there.
Beat 1 (00:00-00:03): Jonas holds Mira's eye-line slightly left of lens, jaw tight, breath held, face controlled at regret 2.
Beat turn (00:03): he sees she is about to walk away.
Beat 2 (00:03-00:08): his shoulders drop, eyes flick to the ticket then back to Mira; he says quietly, "I bought two." No smile. Voice low, slower on "two."
Blocking: Jonas remains still except the ticket hand lowers into frame; Mira is a blurred shoulder foreground, no speaking.
Continuity out: Jonas looking at Mira, ticket visible at chest height, rain and neon consistent.
QA: eye-line to Mira, hand artifact on ticket, no melodramatic crying, mouth closes after "two."

このような構成にする理由：シーンは「悲しい男性」ではなく、目的と障害を通じて演出されています。モデルには、1つの物理的な発見と1つの感情の変化を指示しています。起こりやすい失敗：チケットを持つ手の変形、カメラ目線、涙の大げさな演技。画面をさらに寄せる、小道具の輪郭を明確にする、または感情の強さを抑えることで修正できます。

例：音声付きのアニメーション解説キャラクター

制作意図：パスワードマネージャーが役立つ理由を、漫画のキャラクターが15秒間で説明します。媒体：TTSとシンプルなビジームによるリップシンクに対応したリグ付き2Dキャラクターです。

演出指示：

Character: small raccoon office helper, curious and practical, no real-person likeness.
Objective: convince the viewer to stop reusing passwords.
Obstacle: the viewer thinks password managers are extra work.
Action: make the danger concrete, then offer relief.
Animation constraints: use three poses only: lean-in warning, count-on-fingers, relaxed thumbs-up. Keep paws below chin to avoid mouth occlusion.
Emotion scale: concern 3 for first beat, relief 3 for final beat; animation style allows exaggeration.
Voice: bright, quick but clear; pause after "same key."

Line map:
00:00-00:05 lean-in warning, eyes wide, paws still:
"Using one password everywhere is like using the same key for your house, car, and diary."
00:05-00:10 count-on-fingers, one paw gesture only:
"A password manager makes different keys and remembers them for you."
00:10-00:15 relaxed thumbs-up, smile 3, slower final phrase:
"You remember one master password. That is the deal."

Lip-sync QA: check open vowels in "everywhere" and final mouth closure on "deal"; if weak, slow the final sentence or regenerate visemes from final audio.

このような構成にする理由：リグで表現できるシンプルな演技であり、ジェスチャーはリップシンクと干渉せず、それぞれのポーズに説得力を持たせる役割があります。