私的AI研究会 > ComfyUI9i
「ComfyUI」を使ってローカル環境でのAI画像生成を検証する
| いきなりテキストから始めるのは難しいので、最初のフレーム画像を生成してから動かしてみる。 参考URL → https://note.com/sepiablue/n/n62c927e95ce8' |
| 項目 | 内容 | 入力画像 |
| プロンプト | High-quality, realistic full-body photo. A Japanese woman walking along a paved path lined with trees under a blue sky. |  |
| 高品質リアルな全身写真。日本人女性が青空の下、並木のある舗装された小道を歩いている。 | ||
| ワークフロー | 「Krea/」8213_krea2_identity_edit.json | |
| 生成画像 |  | ・参考サイトのプロンプトから参照画像を考える ・Krea 2 で生成したファッション写真をキャラクターに 木々が立ち並ぶ道に立つ全身画像を生成する ・縦横比は動画生成を意識して 16:9 とする |
| プロンプト | 生成動画 生成時間：6分58秒（RTX-4070Ti 12GB） |
|
High-quality, realistic live-action footage. Accurately maintain the appearance of the Japanese woman from the input image (dark brown hair, beige ribbed long-sleeve cardigan, white inner top, and pale-colored pleated skirt). Create a beautiful, continuous 8-second shot without cuts, set on a paved path lined with trees under a blue sky. The woman walks along the path with a light, cheerful step. Along the way, she gracefully turns around and spins, letting her skirt and hair flutter in the breeze. Afterward, she clasps her hands behind her back, leans toward the camera with a cute, mischievous, and teasing smile, and gives a charming wink with her right eye. Maintain character consistency, facial details, clothing, and the outdoor background throughout the video. Ensure natural movement and avoid morphing or abrupt cuts. overall_soundscape: Gentle breeze sound, and soft footsteps. non_diegetic_music: Pure instrumental music only, | ワークフロー：「MiniMax/」5602_minimax_h3_i2v.json |
| 高品質でリアルな実写映像。入力画像に写っている日本人女性の容姿（濃い茶色の髪、ベージュのリブ編み長袖カーディガン、白いインナー、淡い色のプリーツスカート）を正確に再現してください。青空の下、木々が立ち並ぶ舗装された道を舞台に、カットなしの美しい8秒間の連続ショットを作成してください。女性は軽やかで明るい足取りで道を歩き、途中で優雅に振り返り、スカートと髪を風になびかせます。その後、両手を後ろで組み、可愛らしくいたずらっぽい笑顔でカメラに寄りかかり、右目で魅力的なウインクをします。映像全体を通して、キャラクターの表情、顔のディテール、服装、屋外の背景の一貫性を維持してください。自然な動きを確保し、モーフィングや唐突なカットは避けてください。 全体的なサウンドスケープ：そよ風の音と、静かな足音。 非ダイジェティック音楽：純粋なインストゥルメンタル音楽のみ。 |
| プロンプト | 生成動画 生成時間：6分47秒（RTX-4070Ti 12GB） |
|
High-quality, realistic live-action footage. Accurately maintain the appearance of the Japanese woman from the input image (dark brown hair, beige ribbed long-sleeve cardigan, white inner top, and light-colored pleated skirt). Create a continuous 8-second clip following the specified timing, without scene cuts. [0:00-0:03] The woman walks along the path with a light, cheerful step. [0:03-0:05] She turns around gracefully, causing her pleated skirt and dark brown hair to flutter in the wind. [0:05-0:07] The camera zooms in on her face as she winks her right eye with a cute, playful smile. [0:07-0:08] She flashes an adorable smile and makes a peace sign in front of her face. Maintain character consistency, facial details, and outfit design throughout the video. Ensure movements are natural; do not use morphing effects. overall_soundscape: Gentle breeze sound, and soft footsteps. non_diegetic_music: Pure instrumental music only, | ワークフロー：「MiniMax/」5602_minimax_h3_i2v.json |
| 高品質でリアルな実写映像を作成してください。入力画像に写っている日本人女性の外見（濃い茶色の髪、ベージュのリブ編み長袖カーディガン、白いインナー、淡い色のプリーツスカート）を正確に再現してください。指定されたタイミングに従い、シーンカットなしで8秒間の連続クリップを作成してください。[0:00-0:03] 女性は軽やかで明るい足取りで小道を歩きます。[0:03-0:05] 優雅に振り返ると、プリーツスカートと濃い茶色の髪が風になびきます。[0:05-0:07] カメラが彼女の顔にズームインすると、彼女は可愛らしく遊び心のある笑顔で右目をウインクします。[0:07-0:08] 彼女は愛らしい笑顔を見せ、顔の前でピースサインをします。動画全体を通して、キャラクターの一貫性、顔のディテール、衣装デザインを維持してください。動きは自然になるようにし、モーフィング効果は使用しないでください。 全体的なサウンドスケープ：そよ風の音と、静かな足音。 非ダイジェティック音楽：純粋なインストゥルメンタル音楽のみ。 |
| プロンプト | 生成動画 生成時間：2分50秒（RTX-4070Ti 12GB） |
|
High-quality, realistic live-action footage. Accurately reproduce the appearance of the Japanese woman from the input image (dark brown hair, beige ribbed long-sleeve cardigan, white inner top, and pale-colored pleated skirt). Depict her walking along a tree-lined paved path under a blue sky. Create a smooth, continuous 4-second video without any scene cuts. The woman walks with a light, graceful gait, gazing ahead with a gentle smile. Maintain consistency in character design, facial features, clothing, and the outdoor environment throughout the video. Ensure natural animation movement without unnatural changes such as morphing. overall_soundscape: Gentle breeze sound, and soft footsteps. non_diegetic_music: Pure instrumental music only, | 最終フレーム画像  ワークフロー：「MiniMax/」5602_minimax_h3_i2v.json |
| 高品質でリアルな実写映像を作成してください。入力画像の日本人女性の姿（ダークブラウンの髪、ベージュのリブ編み長袖カーディガン、白いインナー、淡い色のプリーツスカート）を正確に再現します。青空の下、並木のある舗装された小道を彼女が歩く様子を描写してください。シーンの切り替え（カット）を含まない、滑らかで連続した4秒間の動画を作成します。女性は穏やかな笑みを浮かべて前方を見つめながら、軽やかで優雅な足取りで歩きます。動画全体を通して、キャラクターのデザイン、顔立ち、服装、そして屋外の環境に一貫性を持たせてください。モーフィングのような不自然な変化が生じないよう、自然な動きのアニメーションに仕上げてください。 全体的なサウンドスケープ：そよ風の音と、静かな足音。 非ダイジェティック音楽：純粋なインストゥルメンタル音楽のみ。 |
| プロンプト | 生成動画 生成時間：2分49秒（RTX-4070Ti 12GB） |
|
High quality realistic live-action footage. Accurately reproduce the appearance of a Japanese woman in the input image (dark brown hair, ribbed beige long-sleeved cardigan, white innerwear and light-colored pleated skirt) and place it on a paved path lined with trees under a blue sky. Create 4 seconds of smooth, uninterrupted footage without scene transitions. The woman gracefully sits on the ground, places her hands on the ground in front of her, and assumes a cute "wariza" pose (a position where she goes from kneeling to sitting with her legs bent next to her hips). She looks straight into the camera with a bright and adorable smile. Maintain consistency in character design, facial details, clothing, and outdoor backgrounds throughout. Please do not use unnatural deformations such as morphing, but use natural movements. overall_soundscape: Gentle breeze sound, and soft footsteps. non_diegetic_music: Pure instrumental music only, | ワークフロー：「MiniMax/」5602_minimax_h3_i2v.json |
| 高品質でリアルな実写映像を作成してください。入力画像の日本人女性の姿（ダークブラウンの髪、ベージュのリブ編み長袖カーディガン、白いインナー、淡い色のプリーツスカート）を正確に再現し、青空の下、木々が並ぶ舗装された小道に配置します。シーンの切り替えなしで、4秒間の滑らかで途切れのない映像を生成してください。女性は優雅に地面に座り、体の前で両手を地面につき、可愛らしい「割り座」のポーズ（正座の状態から、両脚を腰の横に曲げて座る姿勢）をとります。彼女は明るく愛らしい笑顔でカメラをまっすぐ見つめます。映像全体を通して、キャラクターのデザイン、顔の細部、服装、屋外の背景の一貫性を保ってください。モーフィングのような不自然な変形は避け、自然な動きで表現してください。 全体的なサウンドスケープ：そよ風の音と、静かな足音。 非ダイジェティック音楽：純粋なインストゥルメンタル音楽のみ。 |
| 完成動画 | 最終フレームを出力できるように改良した ワークフロー |
 「MiniMax/」5602_minimax_h3_i2v.json |
| × 悪い例 | Audio: Bright, upbeat instrumental music, soft footsteps, and the sound of a gentle breeze. No dialogue, speech, or vocals. |
| 音声：明るく軽快なインストゥルメンタル音楽、柔らかな足音、そして穏やかな風の音。セリフ、話し声、ボーカルはなし。 | |
| 〇 良い例 | overall_soundscape: Gentle breeze sound, and soft footsteps. non_diegetic_music: Pure instrumental music only, |
| 全体的なサウンドスケープ：そよ風の音と、静かな足音。 非ダイジェティック音楽：純粋なインストゥルメンタル音楽のみ。 |
| スタイルシート画像で Reference to Video を検証する。 参考URL → https://note.com/sepiablue/n/n76c317fa560f' |
| 元画像 | アパレル写真 | ファッション写真 | スタイルシート |
 |  |  |  |
| ワークフロー | 8220_krea2_edit_dress.json | 8222_krea2_edit_fashion.json | 8223_krea2_edit_style_sheet.json |
| ① 超詳細・ 構造化形式 |
subject_definitions: <Subject 1> is the same adult woman defined jointly by <Picture 1>, <Picture 2>, and <Picture 3>. <Picture 2> supplies the front, three-quarter, side, and rear construction of her head: very dark brown-black hair gathered into a softly messy high bun, smooth crown volume, straight blunt bangs, long curved side locks framing both cheeks, and a few fine loose strands. <Picture 3> supplies her facial identity across multiple angles: large muted blue-gray eyes, fine dark upper lashes, pale skin, a small nose and mouth, soft pink cheek blush, and the small beauty mark beneath her left eye. These facial proportions, hairline, bun structure, eye color, and beauty mark identify her consistently. <Subject 2> is the adult woman's full-body build and proportions from <Picture 1>: a slim waist, softly curving feminine silhouette, long legs, balanced shoulders and hips, and graceful natural posture. <Subject 3> is the exact flat 2D anime character-sheet rendering shared by <Picture 1>, <Picture 2>, and <Picture 3>: thin and consistently weighted dark line art, clean simplified shapes, flat local colors, only one restrained cel-shadow tone, very limited soft blush, sparse small highlights, and low tonal depth. Facial planes, skin, hair, clothing, and limbs remain graphic and illustration-like rather than volumetrically modeled. The source sheets' uncluttered, evenly lit visual character is preserved without cinematic contrast, realistic skin shading, glossy materials, strong rim light, volumetric light, or three-dimensional rendering. summary: [reference generation] The target video is a single continuous five-second portrait-oriented sports shot of <Subject 1>, retaining <Subject 2>'s adult proportions and exactly preserving <Subject 3>'s flat character-sheet anime rendering, executing one fast forehand on an outdoor tennis court. The camera tracks laterally and moves closer through the follow-through. retention_analysis: <Subject 1> (appears throughout [Shot 1]): fully_preserved - the muted blue-gray eyes, left-eye beauty mark, straight bangs, long side locks, dark high bun, facial proportions, and adult identity remain stable during the athletic motion. <Subject 2> (appears throughout [Shot 1]): fully_preserved - the long-legged adult proportions, balanced shoulders and hips, arm length, and coordinated athletic posture are retained. <Subject 3> (applies throughout [Shot 1]): fully_preserved - the thin consistent outlines, flat local colors, single restrained cel-shadow tone, low tonal depth, simplified facial planes, and sparse highlights remain identical in character to the three source sheets throughout every frame. detailed_description: The target video uses <Subject 3>'s exact flat 2D character-sheet look. The drawing remains clean and graphic, with thin uniform outlines, flat color regions, one simple cel-shadow layer, minimal blush, and very little depth modeling. Soft even daylight illuminates the scene uniformly; the character has no bright rim light, glossy skin, volumetric glow, realistic surface texture, dramatic contrast, or painterly gradient shading. Background depth is communicated mainly by simple scale and overlap while the woman retains the same flat illustrated appearance as the reference sheets. It is one uninterrupted portrait-oriented shot with no cut. [Shot 1] A medium-full view frames <Subject 1> near the baseline of an outdoor hard tennis court. Her muted blue-gray eyes, small beauty mark beneath the left eye, straight bangs, long cheek-framing side locks, and softly messy dark high bun precisely match the three character sheets. Her face keeps the same simplified flat planes, small mouth and nose, restrained cheek blush, sparse eye highlights, and thin linework seen in <Picture 2> and <Picture 3>. Her athletic stance follows <Subject 2>'s adult body proportions. She wears a clean white sleeveless tennis polo with a modest collar, a navy pleated tennis skirt, fitted dark undershorts, white wristbands, ankle socks, and white court shoes with navy accents. These clothes use flat local colors and one restrained cel-shadow tone. She holds a modern tennis racket in her right hand. The environment remains stable and simply rendered: a blue-green hard court, sharp white lines, a dark perimeter fence, simplified distant trees, and a pale blue sky under even daylight. No opponent appears in the foreground She starts in a low ready stance with knees flexed and weight balanced on the balls of her feet. Her eyes track one approaching yellow tennis ball from screen left. She makes one small split-step, rotates her hips and shoulders, and draws the racket back for a forehand. The ball enters a clear contact zone beside her body. She swings forward once with coordinated hip rotation, shoulder movement, elbow extension, and wrist stability. The racket meets the ball in front of her with one clean impact, then the ball travels rapidly toward the opposite court. She completes a natural follow-through across her upper body and steps forward to recover balance. Her face remains readable throughout: focused before contact, then subtly satisfied as she watches the shot. Her blue-gray eyes, beauty mark, bangs, side locks, bun volume, jaw shape, adult proportions, flat facial construction, and simple cel-shadow pattern do not change. Her skirt pleats, loose hair tips, and shirt hem respond naturally to the acceleration while the bun remains secure. The camera trucks laterally with medium amplitude at moderate speed to follow her preparation, then makes the same gentle push-in during contact and follow-through, ending on a three-quarter medium view with her face, racket, and finishing posture visible. Camera motion changes framing only and never changes the flat character-sheet rendering. overall_soundscape: Court-shoe squeaks, one sharp racket-and-ball impact, a brief ball flight sound, light wind, and distant outdoor court ambience. No dialogue and no referenced audio are used. |
| subject_definitions: <Subject 1>は、<Picture 1>、<Picture 2>、および<Picture 3>によって共通して定義される同一の成人女性です。<Picture 2>は、彼女の頭部の正面、斜め、側面、および背面の構成を示しています。非常に濃いこげ茶色から黒色の髪は、柔らかく無造作な高い位置のお団子にまとめられ、頭頂部は滑らかなボリュームがあり、前髪は切り揃えられたストレート、両頬を縁取る長い曲線状のサイドの髪、そして数本の細く遊んだ後れ毛が見られます。<Picture 3>は、様々な角度からの彼女の顔の特徴を示しています。大きく落ち着いた青灰色の目、細く濃い上まつげ、色白の肌、小さめの鼻と口、柔らかいピンク色のチーク、そして左目の下にある小さなほくろです。これらの顔の比率、生え際、お団子の構造、目の色、ほくろが、彼女を同一人物として一貫して特定しています。 <Subject 2>は、<Picture 1>に見られる成人女性の全身の体格とプロポーションです。細いウエスト、柔らかい曲線を描く女性らしいシルエット、長い脚、バランスの取れた肩と腰、そして優雅で自然な姿勢が特徴です。 <Subject 3>は、<Picture 1>、<Picture 2>、および<Picture 3>に共通する、正確なフラットな2Dアニメのキャラクター設定画のスタイルです。細く均一な太さの濃い線画、すっきりと単純化された形状、フラットな塗り（ローカルカラー）、控えめな単一トーンのセル影、ごくわずかな柔らかいチーク、控えめな小さなハイライト、そして浅い階調表現が特徴です。顔の面、肌、髪、衣服、四肢は、立体的なモデリングではなく、グラフィック的かつイラスト調に表現されています。映画的なコントラスト、写実的な肌の陰影、光沢のある質感、強いリムライト、ボリューム感のある光、あるいは立体的なレンダリングといった要素は排除され、元の設定画が持つ、すっきりとして均一に照明された視覚的特徴が維持されています。 summary: [reference generation] 対象となる動画は、<Subject 1>を捉えた5秒間の縦型スポーツ映像（ワンカット）です。<Subject 2>の成人女性としてのプロポーションと、<Subject 3>のフラットなアニメ設定画風の描画スタイルを正確に維持しつつ、屋外のテニスコートで素早いフォアハンドショットを打つ様子が描かれています。カメラは横方向に追従（トラッキング）し、フォロースルー（打った後の動作）にかけて被写体に近づいていきます。 retention_analysis: <Subject 1> ([Shot 1]全体に登場): 完全に維持 - 落ち着いた青灰色の瞳、左目の下のほくろ、ストレートの前髪、顔の横に垂れる長い髪の毛束、高い位置でまとめた暗い色のシニヨン、顔のプロポーション、そして大人の女性としての特徴が、活発な動作中も安定して保たれている。 <Subject 2> ([Shot 1]全体に登場): 完全に維持 - 脚の長い大人のプロポーション、肩と腰のバランスの取れた配置、腕の長さ、そして調和の取れた運動時の姿勢が維持されている。 <Subject 3> ([Shot 1]全体に適用): 完全に維持 - 細く均一な輪郭線、フラットな固有色、控えめな単一トーンのセル画風の影、抑えられた階調の深み、単純化された顔の面構成、そして最小限のハイライトといった特徴が、全フレームにわたり3枚の元画像（ソースシート）と同一に保たれている。 detailed_description: 対象の動画は、<Subject 3>のフラットな2Dキャラクターシートの画風をそのまま踏襲している。描画はクリーンかつグラフィカルで、細く均一な輪郭線、フラットな色面、シンプルなセル画風の影（1段階）、最小限の頬の赤み、そして立体感を強調しない表現が特徴である。柔らかく均一な自然光がシーン全体を照らしており、キャラクターには明るいリムライト、肌の光沢、ボリューム感のある発光、写実的な質感、劇的なコントラスト、あるいは絵画的なグラデーションによる陰影は見られない。背景の奥行きは主に単純なサイズ差と重なりによって表現される一方、女性の姿はリファレンスシートと同様のフラットなイラスト調の外観を保っている。カット割りなしの、途切れることのない縦型構図のワンショットである。 [Shot 1] 屋外のハードテニスコートのベースライン付近に立つ<Subject 1>を、ミディアム・フルショット（膝上から全身が入る構図）で捉えている。落ち着いた青灰色の瞳、左目の下の小さなほくろ、ストレートの前髪、頬にかかる長い髪の毛束、そして少し無造作に高い位置でまとめた暗い色のシニヨンは、3枚のキャラクターシートと正確に一致している。顔の表現も、<Picture 2>や<Picture 3>に見られる単純化されたフラットな面構成、小さな口と鼻、控えめな頬の赤み、最小限の瞳のハイライト、そして細い輪郭線を維持している。その運動時の姿勢は、<Subject 2>の大人の体型プロポーションに基づいている。彼女は、控えめな襟の清潔感ある白いノースリーブのテニス用ポロシャツ、紺色のプリーツテニススカート、体にフィットした暗い色のアンダーショーツ、白いリストバンド、アンクルソックス、そして紺色のアクセントが入った白いテニスシューズを着用している。これらの衣服には、フラットな固有色と、控えめな単一トーンのセル画風の影が用いられている。彼女は右手に現代的なテニスラケットを握っています。周囲の環境は安定しており、シンプルに描かれています。青緑色のハードコート、くっきりとした白いライン、暗い色の外周フェンス、簡略化された遠景の木々、そして均一な自然光に照らされた淡い青空。手前に対戦相手の姿はありません。 彼女は膝を曲げ、母指球に重心を置いてバランスを取った、低い「レディ・スタンス（構え）」から動作を開始します。視線は、画面左から近づいてくる黄色いテニスボールを追っています。彼女は小さくスプリットステップを踏み、腰と肩を回転させながら、フォアハンドのためにラケットを後ろへ引きます。ボールが体の横にある、打つのに最適なゾーンに入ります。彼女は腰の回転、肩の動き、肘の伸展、そして手首の安定を連動させ、前方へとスイングします。ラケットは体の前でボールを鮮やかに捉え、ボールは素早く相手コートへと飛んでいきます。そして彼女は自然な…… | |
| ② 要点要約・ 自然文形式 |
Use <Picture 1>, and <Picture 2> as the character reference. Create a single continuous five-second portrait video of the same adult anime woman. Keep her identity consistent: wearing a crisp white Nike polo shirt with navy and red trim on the collar and sleeves, paired with a matching white Nike tennis skirt and a white Nike visor, her dark hair pulled back in a ponytail. Preserve her slim adult proportions and long legs. Keep the real style-sheet look as the reference images. She is on an outdoor hard tennis court wearing a crisp white Nike polo shirt with navy and red trim on the collar and sleeves, paired with a matching white Nike tennis skirt and a white Nike visor, her dark hair pulled back in a ponytail. She performs one fast forehand: ready stance, split-step, racket back, one clear contact with the ball, natural follow-through, and recovery. Her face remains consistent and readable throughout. The camera tracks laterally and pushes in slightly during the follow-through, ending on a three-quarter medium view. Soft even daylight. No dialogue. Sound: shoe squeaks, one racket-ball impact, light wind, and distant court ambience. |
| キャラクターの参考資料として<Picture 1>と<Picture 2>を使用してください。 同一の、大人の女性アニメキャラクターを被写体とした、5秒間の連続したポートレート動画を作成してください。キャラクターの容姿に一貫性を持たせます：襟と袖口にネイビーと赤のラインが入った清潔感のある白いNike製ポロシャツを着用し、お揃いの白いNike製テニススカートと白いNike製バイザーを合わせ、ダークカラーの髪はポニーテールにまとめています。スリムで大人びたプロポーションと長い脚を維持してください。 参考画像にあるリアルなスタイルを維持してください。 屋外のハードテニスコートで、襟と袖口にネイビーと赤のラインが入った清潔感のある白いNike製ポロシャツ、お揃いの白いNike製テニススカート、白いNike製バイザーを身につけ、ダークカラーの髪をポニーテールにまとめた女性が、素早いフォアハンドショットを1回打ちます。動作の流れは、レディポジション、スプリットステップ、ラケットバック、ボールとの明確なインパクト、自然なフォロースルー、そしてリカバリー（元の構えへの戻り）です。その間、彼女の顔立ちには一貫性があり、はっきりと認識できる状態を保ってください。 カメラは横方向に移動しつつ、フォロースルーの最中にわずかにズームイン（プッシュイン）し、最後は斜めからのミディアムショット（スリークォーター・ミディアムビュー）で終わります。柔らかく均一な自然光。セリフなし。音声：シューズの摩擦音、ラケットとボールのインパクト音、微かな風の音、そして遠くから聞こえるコートの環境音。 | |
| ③ シンプル・ ダイレクト 形式 |
Use <Picture 1>, and <Picture 2> as the character reference. Create a single continuous five-second portrait video of the same adult woman playing tennis on an outdoor court. Keep her facial identity, hairstyle, body proportions, and appearance consistent with the reference images throughout the video. She wears a crisp white Nike polo shirt with navy and red trim on the collar and sleeves, paired with a matching white Nike tennis skirt and a white Nike visor, her dark hair pulled back in a ponytail. She starts in a ready stance, tracks an approaching tennis ball, makes one small split-step, and performs one clean forehand. The racket contacts the ball once, followed by a natural follow-through and recovery. The camera tracks laterally and moves slightly closer during the follow-through, ending on a three-quarter medium view. Keep the real style-sheet look as the reference images. No dialogue. Court-shoe squeaks, one racket-ball impact, light wind, and distant court ambience. |
| キャラクターの参考資料として<Picture 1>と<Picture 2>を使用してください。 屋外コートでテニスをする同一の成人女性を映した、5秒間の連続したポートレート動画を作成してください。動画全体を通して、彼女の顔立ち、髪型、体型、外見を参考画像と一致させてください。 彼女は、襟と袖にネイビーと赤のラインが入った清潔感のある白いNikeのポロシャツを着用し、お揃いの白いNikeテニススカートと白いNikeのサンバイザーを身につけています。ダークカラーの髪はポニーテールにまとめられています。彼女は構えの姿勢から始まり、近づいてくるテニスボールを目で追い、小さくスプリットステップを踏んでから、きれいなフォームでフォアハンドを打ちます。ラケットがボールを捉えるのは一度だけで、その後、自然なフォロースルーと元の姿勢への戻り動作が続きます。 カメラは横方向に移動しつつ、フォロースルーの間に被写体へわずかに近づき、最後はスリークォーター（斜め前からの）ミディアムショットで終わります。参考画像と同様の、リアルなスタイルを維持してください。 セリフはなし。コートシューズのきしむ音、ラケットがボールを打つ音、微かな風の音、そして遠くから聞こえるコートの環境音を含めてください。 |
| ① 超詳細・構造化形式 | ② 要点要約・自然文形式 | ③ シンプル・ダイレクト形式 |
生成時間：4分18秒（RTX-4070Ti 12GB） | 生成時間：5分13秒（RTX-4070Ti 12GB） | 生成時間：3分47秒（RTX-4070Ti 12GB） |
| MiniMax H3の「日本語発話性能」を検証する。 参考URL → https://note.com/sepiablue/n/nda9ad75b17e7' |
| ① |
integrated_multimodal_description: [Shot 1] Anime-style, a medium shot frames the young woman indoors near a doorway. Preserve her facial appearance, hairstyle, outfit, and overall identity from the input image. She smiles warmly, raises her left hand slightly, gives a small gentle wave toward the camera, then tilts her head a little and speaks in a cheerful, soft voice (S1): <d>[Japanese]今日はちょっとおしゃれしてみたんだ。</d> The camera slowly pushes in with small amplitude, and her expression remains bright and friendly throughout the 5-second shot. overall_soundscape: Quiet indoor room tone, very soft cloth movement, subtle foot shift, and a clean clear speaking voice. non_diegetic_music: N/A |
| 統合マルチモーダル記述: [ショット1] アニメ調。室内の出入り口付近にいる若い女性を捉えたミディアムショット。入力画像の顔立ち、髪型、服装、全体的な容姿を維持する。彼女は温かい笑顔を浮かべ、左手を軽く上げてカメラに向かって優しく小さく手を振る。続いて少し首を傾げ、明るく柔らかな声で話す (S1): <d>[日本語]今日はちょっとおしゃれしてみたんだ。</d> カメラはわずかな振幅でゆっくりと被写体に寄り（プッシュイン）、5秒間のショット全体を通して、彼女の表情は明るく親しみやすいままである。 全体的な音響環境: 静かな室内の環境音、ごく微かな衣擦れの音、足元のわずかな動きの音、そして明瞭で澄んだ話し声。 非劇伴音楽: なし | |
| ② |
integrated_multimodal_description: [Shot 1] Anime-style, a medium shot shows the young woman standing indoors near a doorway. Preserve her straight hair pulled back into a low ponytail with bangs framing her face, smiling gently at the camera with soft, natural lighting that highlights her clear skin and subtle makeup; she wears a tailored pinstripe blazer in dark gray with fine vertical stripes over a textured, metallic-zippered top, from the input image. She lightly touches the side of her hair near her cheek, leans a little closer toward the camera, gives a playful smile, blinks once, and speaks in a gentle, slightly teasing voice (S1): <d>[Japanese]ねえ、これから一緒に出かけない？</d> The camera holds a mostly static shot with a subtle natural handheld feeling, while her pose and identity remain consistent during the 5-second shot. overall_soundscape: Quiet indoor ambience, faint clothing rustle, soft breathing, and clear natural speech. non_diegetic_music: N/A |
| 統合マルチモーダル記述: [ショット1] アニメ調の映像。室内の出入り口付近に立つ若い女性を捉えたミディアムショット。ストレートヘアを低い位置でポニーテールにまとめ、前髪を顔にかかるように下ろしたスタイル。柔らかく自然な光が彼女の透明感のある肌と控えめなメイクを際立たせ、カメラに向かって優しく微笑んでいます。服装は、ダークグレーのピンストライプ（細い縦縞）が入った仕立ての良いブレザーの下に、質感のあるトップス（メタリックなジッパー付き）を着用しています（入力画像に基づく）。彼女は頬の近くの髪に軽く触れ、少しカメラに身を乗り出し、茶目っ気のある笑顔を浮かべて一度まばたきをすると、優しく、少しからかうような口調で話しかけます (S1): <d>[日本語]ねえ、これから一緒に出かけない？</d> カメラは、手持ち撮影特有の自然でわずかな揺れを感じさせつつも、基本的には静止した構図を保ちます。この5秒間のショットの間、彼女のポーズや外見上の特徴は一貫しています。 全体的な音響環境: 静かな室内の環境音、衣擦れの微かな音、柔らかな呼吸音、そして明瞭で自然な話し声。 非劇伴音楽: なし | |
| ③ |
integrated_multimodal_description: [Shot 1] Anime-style, a medium shot frames the young woman indoors by the doorway. Preserve her facial features, hairstyle, wears a tailored pinstripe blazer in dark gray with fine vertical stripes over a textured, metallic-zippered top,, and body proportions from the input image. She starts with a bright smile, shifts her weight, makes a small graceful turn of her upper body so the skirt sways gently, then looks back toward the camera and speaks in a lively, upbeat voice (S1): <d>[Japanese]準備できたよ。じゃあ、行こっか。</d> The camera slowly tracks slightly to the side to follow her motion, keeping her centered, and the 5-second shot ends with her smiling confidently at the viewer. overall_soundscape: Quiet room tone, soft fabric movement from the dress, faint foot movement, and a clear upbeat speaking voice. non_diegetic_music: N/A |
| integrated_multimodal_description: [ショット1] アニメ調の映像。屋内の出入り口付近に立つ若い女性を捉えたミディアムショット。入力画像の顔立ち、髪型、体型を維持し、服装はダークグレーのピンストライプ・ブレザー（細い縦縞入り）の下に、質感のあるトップス（メタリックなジッパー付き）を着用している。彼女は明るい笑顔で始まり、体重を移動させながら上半身を優雅に軽くひねってスカートをふわりと揺らす。その後、カメラを振り返り、快活で明るい声で話す (S1): <d>[日本語]準備できたよ。じゃあ、行こっか。</d> カメラは彼女の動きに合わせてゆっくりと横へ移動（トラッキング）し、彼女を画面中央に捉え続ける。最後は、彼女が視聴者に向かって自信に満ちた笑顔を見せてこの5秒間のショットが終了する。 overall_soundscape: 静かな室内の環境音、服の布地が擦れる柔らかな音、かすかな足の動きの音、そして明瞭で明るい話し声。 non_diegetic_music: なし |
| ① | ② | ③ |
生成時間：8分20秒（RTX-4070Ti 12GB） | 生成時間：7分01秒（RTX-4070Ti 12GB） | 生成時間：7分00秒（RTX-4070Ti 12GB） |
