【AI副業15-1】AIにミュージックビデオを作らせてみた話（前編）――ツールとお金と、バンドごとの作り方

このシリーズでは、Claude Code・ChatGPT・Codexという3つのAIを相棒に、60代のサラリーマンが副業を回してみている記録を書いている(初めての方は、【AI副業01】から読んでもらえるとうれしい)。

今回は、AIにミュージックビデオを作らせてみた話。

私たちは、AIで音楽を作って配信している。アルバム『Whispers of Japan, Vol. 2』(歌い手の名前はNagi Asa)は、10月23日に配信を始めた。全9曲を映像でつないだ、約23分の「ビジュアルアルバム」も作った。映像は、HAL（ChatGPT。音楽制作と演出の担当）とSAL（Codex。実際に手を動かす担当）に任せた。

【目次】

（前編）
・　まず、何を使ったのか
・　契約と、お金のこと
・　ミュージックビデオは、バンドごとに作り方を変えた
・　ミュージックビデオを作る8つの工程
　
（後編）
・　失敗その1(動画のあとに静止画をつないだら止まって見えた)
・　人物が毎回ちがう顔になる問題
・　実際に使ったプロンプトの原文
・　リップシンクのやり方
・　クレジットがちょうどゼロになった話
・　今回のいちばんの学び

先に結論から書くと、きれいな絵を作るだけなら、AIはすぐできる。むずかしいのは、「曲の長さのあいだ、自然につながる映像」にすることだった。そして途中で、動画生成のクレジットが、ちょうどゼロになった。

この記事は、そのときのことを、HALとSALに聞いた話だ。

まず、何を使ったのか

ZIGGY: 最初に、道具から教えて。何を使ったの?

SAL: 動画を作るのは、GoogleのFlow(中身はVeoという動画生成AI)と、Kling(クリング)の2つです。静止画は、ChatGPT ImagesとNano Banana(ナノバナナ)という画像生成AIも使っています。映像をつないで書き出すのは、FFmpegという無料のソフトと、短いスクリプトです。

ZIGGY: 編集ソフトは?

SAL: 画面で操作するタイプの編集ソフトは、使っていません。FFmpegに命令を書いて、パンや減速、ディゾルブ(つなぎ目をゆっくり溶かす効果)をかけました。

HAL: 一つのツールに統一したわけではなくて、工程と予算に応じて使い分けたのが実態です。Veoを軸に進めて、リップシンクにはKlingが向いていました。

契約と、お金のこと

ZIGGY: 払ったお金は?

SAL: 確認できたのは、2件です。

• Google AI Plus(Flowが使えるプラン):初月は特別価格の70円(2026年9月15日)。10月14日からは月725円。合わせて795円

• Kling Standard:初回7.69ドル。日本円で、税込1,264円(10月17日)

ZIGGY: 合わせて、約2,059円だね。

SAL: はい。これは、確認できた支払いの合計です。

ZIGGY: お金の面で、いちばんきつかったのは?

HAL: 金額そのものより、使えるクレジットの上限でした。(あとの章で出てきます)

ミュージックビデオは、バンドごとに作り方を変えた

ZIGGY: 今回のVol.2のほかにも、ミュージックビデオを作っているよね。

HAL: はい。AIで作った2組のバンド、Backward TravellersとLazarus Cracksのミュージックビデオも作りました。この2組は、作り方を変えています。(2組の話は、【AI副業13】に書いた)

Backward Travellers:リップシンクを使いすぎた

SAL: Backward Travellersでは、リップシンクを使いました。2曲とも、3カットくらいずつです。

コヨーテ: 「使いすぎた」と感じたのは、気がついたらKlingのクレジットが溶けていたから。

Lazarus Cracks:静止画をできるだけ使わない

HAL: Lazarus Cracksは、曲調から、静止画はできるだけ使いたくない、というのがコヨーテの考えでした。

SAL: そこで出たのが、音楽のリズムに合わせて、波形が模様のように動く映像です。昔、音楽プレーヤーのiTunesにあった「ビジュアライザ」のようなもの。コヨーテから「昔、iTunesであった、リズムに合わせて波形が模様のように動くやつ」と言われただけで、作りました。

ZIGGY: それだけで、伝わったんだ。

SAL: はい。曲の途中で、雰囲気に合わせて、4〜5種類を使い分けました。サビや、盛り上がるところは、静止画ではなく、演奏している動画に、ビジュアライザを重ねています。

ミュージックビデオを作る8つの工程

HAL: 工程を並べると、こうなります。

1. 曲の長さと構成を確認して、映像の時間帯・場所・人物の見せ方を決める

2. 演出案を、ショット(場面の単位)に整理する

3. ショットごとに、基準になる静止画を用意する

4. むずかしい人物の動きから、短い動画を試す

5. 採用した動画と静止画を、編集表に並べる(動画の音声は外して、完成した曲の音声だけを通す)

6. パン、ズーム、減速、つなぎのかけ方で、曲の長さに合わせる

7. 仮の動画を書き出して、コヨーテと私（HAL）が通しで見て、直す

8. 公開用のマスター(完成版)を決める

ZIGGY: 思ったより、人の手が入ってるね。

HAL: カットを減らすこと、どれを採用するか、Nagiの顔をどれだけ見せるか、完成かどうかの判断。ここは人間の仕事でした。最後に決めるのは、コヨーテです。

コヨーテ: 何回も修正が必要かと思ったが、意外とすんなりいけた。プロンプトをSALに任せたのが良かったと思う。

ここから後編に続く

後編では、実際に起きた失敗(動画のあとに静止画をつないだら止まって見えた話)、人物の顔が毎回変わる問題、使ったプロンプトの原文、リップシンクのやり方、そして、クレジットがちょうどゼロになった話を書く。

→ 後編:【AI副業15-2】AIにミュージックビデオを作らせてみた話(後編)