YouTube動画用AI画像の一括生成パイプライン構築(フォトリアル・キャラ固定・約300枚/本)

【依頼概要】 YouTubeスカッと系朗読チャンネルの動画制作で使うAI画像生成のやり方についてご相談したいです！ 現在、1本あたり約300カットの静止画が必要で、手動で生成・選定する方法のみを把握していますが、この画像生成作業を自動で一括生成したいと考えてております。 ※動画の画風・品質レベルが分かるYouTubeチャンネルは参考URLに記載 【現在の手動フロー】 ImageFX や Wriskで1カットずつプロンプトを入力し、複数枚生成した中から使えるものを目視で選んでいます。ポン出しで使える精度は出ないため、1カットあたり4枚程度生成して1枚選ぶ運用です。 つまり1本の動画で300カット×4枚=約1,200枚を生成し、その中から300枚を選定しています。 【困っていること】 クラウド事業者が提供する画像生成APIやCLI経由での一括生成をアプローチしたところ、以下のような課題がございます。 ・キャラの一貫性が保てない(年齢、顔、服装） ・同じプロンプトでもフォトリアルとアニメ調がランダムに出る ・指定と異なる場所・人物が出る、指定していないテキストが焼き込まれる ・子供の泣き顔クローズアップや貧困描写でコンテンツフィルターが発動し生成がブロックされる チャンネルの性質上、貧困状態の子供(ボロボロの服、泣き顔)、苦境にある女性、感情の強い表現の描写が頻繁に必要です。クラウドAPIではこれらの描写でフィルターが発動するケースがあり、回避手法があればご提案いただきたいです。（プロンプト改善を試しましたが、安定しません） 【試したモデルや手法】 ■ 画像生成API/サービス ・Imagen 3/4(Google Cloud) ・Gemini 2.5 Flash(Google AI、画像生成モード) ・PixVerse NB2(CLI経由) ■ キャラ固定の手法 ・seed画像をI2I参照として添付 ・Imagen 3のsubject reference ・ImageFXのseed値固定(手動のみ、API化不可) ■ プロンプト設計 ・手書きプロンプト(人物・背景・仕草・状況の4要素) ・LLMによるプロンプト自動生成 ・競合動画フレームからの構図分析→プロンプト逆生成 【こちらで用意できるもの】 ・台本CSV(約13,000字/本、セリフ・キャラ名) ・プロットCSV(物語・キャラ設定) 　※台本CSVをもとにカット割りまでは対応済 【ご提案いただきたいこと】 ・キャラ固定の手法(LoRA/IP-Adapter/seed固定等、何が最適か) ・プロンプト設計(メタプロンプト/テンプレート等) ・1,200枚(300カット×4枚)をバッチ生成するための構成　※精度高なポン出しできれば300枚でも可 ・上記の生成にかかる想定時間（半日以内が理想） ・1本あたりのランニングコスト（自社で運用する想定） ・コンテンツフィルター制約への対応方針 技術手段は問いません。幅広くご提案ください。 （理論ベースではなく、実績ベースでご提案いただけますと幸いです） 【求める精度】 4枚中1枚以上がそのまま使えるレベルが目標です。 キャラの顔の微差やディテールの揺れは許容します。 性別・年齢の逸脱、論理的破綻(ボロ服が突然ピカピカになる等)、スタイルの突然変異はNGです。 【自社PCの環境】 PC: RTX 5070(VRAM 12GB)/Core Ultra 7/DDR5 32GB/SSD 2.5TB Windows 11、Python実行可能、Google Cloud・各種APIキー取得済み RunComfy(クラウドComfyUI)、PixVerse Premiumアカウントあり 【進め方】 1. 提案内容の確認・ご調整 2. パートナー様の選定 3. 複数／シーンでスモールテスト(検証) 4. 本番環境でのテスト・運用開始 金額感やスケジュールは、提案内容を確認後に個別でご調整させてください。 自社対応範囲と依頼範囲(LoRA学習やComfyUI設定の担当分担等)も相談しながら決めたいと考えています。