アニメ中割りクリーニング QA Ops 2025 — AI補完と人手検査を両立させる運用設計

連続する動画のなかで最も修正コストが高くなりがちなのが中割りクリーニングです。ラッシュチェックで線崩れや塗り漏れが発覚すると、撮影・仕上げのスケジュールをまるごと圧迫します。AIによる中割り補完ツールが普及した今こそ、QAチームは人による目視確認と自動検査を組み合わせたOps体制を構築し、ラッシュごとの品質とリードタイムを同時に改善する必要があります。

TL;DR

• ラッシュ単位でcleanup_manifest.jsonを生成し、ショットごとのリスクスコアと優先度を明文化する。
• バッチ最適化Plusに線画クリーニング・塗り漏れ補完・出力整形の3プリセットを定義し、手戻りを減らす。
• 差分チェックは 画像トラストスコア・シミュレーターでメタデータの整合性も同時に確認し、手動レビューの判断材料を一元化する。
• レビュー結果は 監査インスペクターに記録し、重大不具合をcleanup_incident.mdへエスカレーションする。
• QA計測指標はΔpixel, ラインギャップ, 塗り漏れ率, レビュー時間を基本とし、週次で アニメ背景彩色パイプライン 2025 と連携して全体の色品質を把握する。
• ラッシュ公開前に AIレタッチSLO 2025 のポストモーテムテンプレートを流用し、改善策を24時間で反映する。

1. リスクベースのラッシュ管理

1.1 ショット分類

分類	判定条件	主なリスク	対応方針
Sランク	アクション / カメラワーク複雑 / 多層線画	線崩れ、塗り抜け	AI補完 + 人手Wチェック
Aランク	フェイシャルアップ / 画面占有率高	微小線のズレ	AI補完後にQA 1回
Bランク	背景主導、カメラ固定	塗りモレ	自動チェックのみ、逸脱時のみ再確認
Cランク	リミテッドアニメーション	量産処理ミス	バッチ検品のみ

cleanup_manifest.jsonでは、各ショットのランク、担当者、リードタイム目標、必要ツールを明記します。Git管理するとラッシュの履歴差分を追いやすく、監査時にも有効です。

1.2 ショットスコアリング

• 線画の複雑度（Bézier曲線の制御点数）
• フレーム間差分（Δpixel）
• 塗り領域の閉鎖率（0〜1）
• キャラクターの露出率

これらの数値を0〜100にスケールし、平均70以上ならS/Aランク、40〜69ならB、39以下はCとする基準が扱いやすいでしょう。

2. 自動クリーニングとバッチ処理

2.1 バッチプリセットの設計

• 線画整形: median_filter=1, edge_enhance=0.6
• 塗り漏れ補完: inpaint_threshold=0.15, alpha_safe=true
• 出力整形: export_format=PNG, metadata_copy=true

これらを バッチ最適化Plus のプリセットとして登録し、cleanup-manifest.jsonで指定できるようにします。ログはlogs/cleanup/*.jsonに保存し、異常はSlack通知。

2.2 差分チェックとメタデータ監査

• 差分画像はUI上でプレビューしやすいように、ラベル（例: line, fill, noise）を付与。
• 画像トラストスコア・シミュレーターで、C2PAメタデータやICC情報が消えていないかを自動チェック。
• QAが承認した場合のみ、cleanup_manifest.jsonのstatusをapprovedに更新します。

3. 人によるレビューの効率化

3.1 2段階レビュー

ステップ	担当	目的	完了条件
一次レビュー	QAアーティスト	AI補完の線ズレ検査	差分ヒートマップで逸脱<5%
二次レビュー	リードアーティスト	演出意図と合致するか判定	演出メモとコメント一致

レビューコメントは 監査インスペクターに直接記録し、後続のラッシュにも再利用できるようタグ付けします。

3.2 時間計測とボトルネック抽出

• Review開始〜完了時間をFirestoreかNotion DBに記録。
• 1ショット5分を超える場合はSlackに自動通知し、ラッシュ管理者が助っ人をアサイン。
• レビュー時間データはLooker Studioでヒートマップ化し、撮影・仕上げチームにも共有します。

4. インシデント対応と継続改善

4.1 インシデントの定義

• ラッシュ公開後に線崩れが発覚した場合
• 塗り漏れがCMYK変換やP3配信で顕在化した場合
• 中割り補完ツールが誤動作し、露骨なフレームジャンプが発生した場合

これらは即座に 監査インスペクターでseverity=highとして記録し、cleanup_incident.mdにタイムラインを残します。

4.2 ポストモーテム

• 24時間以内に原因分析と恒久対策を作成。
• 再発防止策をcleanup_playbook.mdへ追記し、週次のQA Opsミーティングで共有。
• 改善タスクはJiraでCLEANUP-*として追跡し、完了後にメトリクスを再計測します。

5. ダッシュボードとスタジオへの展開

5.1 KPIの可視化

• Δpixel平均値、塗り漏れ率、レビュー時間P95をGrafanaでモニタ。
• インシデント件数と復旧時間は AIレタッチSLO 2025 の指標と並べて議事録化すると、意思決定が早まります。
• cleanup_manifest.jsonのステータスをLooker Studioで集計し、スタジオ別の消化率を比較します。

5.2 他ラインへの横展開

• 背景班やコンポジット班にもQA Ops手順をリンクし、ワークフローの断絶を防ぐ。
• 新人・協力会社向けには90分のオンボーディングセッションを提供し、cleanup-checklist.mdをその場で共有。
• 品質改善の成果はポートフォリオ資料にまとめ、次シーズンの制作予算交渉に活用します。

まとめ

中割りクリーニングの品質は、単発のツール導入ではなく、リスクスコアリング・自動化プリセット・レビュー記録・インシデント運用が一体となってはじめて向上します。今日からcleanup_manifest.jsonのテンプレートを整備し、ラッシュ単位でのQA Opsを実装すれば、納期とクオリティの両立が視界に入ってくるはずです。