AIでミュージックビデオを作ってみた。

こんにちは。なるかみさやです。

前回は、真夏にクリスマスソング『WHITENOTES』を作り、AIでカバー画像まで用意したお話をしました。

曲ができて、絵もできた。

となると、次に考えることはひとつ。

これ、動かしてみたくない？

そんなわけで、今度はAIでミュージックビデオ（MV）を作ることにしました。

2026年8月のことです。

どの動画生成AIを使おう？

まず考えたのは、どんな映像を作りたいか、ということ。

やりたいことは、大きく3つありました。

① ドリー、ティルト、オービットなど、映画のようなカメラワークを使いたい。

② 登場人物に、楽曲に合わせて歌ってもらいたい（リップシンク）。

③ シーンが変わっても、登場人物の顔や姿を維持したい。

当時、候補として考えたのは、Veo、Kling、DomoAIなど。

いろいろ調べたり試したりした結果、最終的に Kling と Google Vids を使うことにしました。

Klingを選んだ理由は、カメラワークの指定が充実していて、人物の破綻も比較的少ないという情報があったからです。

一方の Google Vids は、もともと Google Workspace を契約していたので利用できました。当時は月50本まで、10秒の動画を生成できる環境でした。

せっかく使えるのだから、使わない手はありません。

そんなわけで、人物が登場するシーンは Kling、街並みや風景などは Google Vids という役割分担にしました。

まずは、登場人物を固定したい

MV に登場するのは、3人の歌唱メンバーです。

まず ChatGPT でキャラクターをデザインし、Kling で正面・側面・背面の三面図を作成しました。

これを Kling の「Elements（エレメンツ）」という機能に登録します。

要するに、AIに「この人はこういう人物ですよ」と覚えてもらうための資料です。

さらに、動画生成用のプロンプトも ChatGPT に作成してもらいました。

私が日本語で、

「人物を固定アングルで撮影。いったん俯いたあと、カメラ目線になる。背景はぼかして、光源は玉ボケに」

といった具合に指示すると、ChatGPT が英語のプロンプトにまとめてくれます。

英語のほうが意図が伝わりやすい、という情報があったので、とりあえず英語で挑戦です。

こうして生成した映像に、Kling のリップシンク機能で歌唱を合わせます。

一方、Google Vids では、人物描写が関係ない部分、街の夜景や雪景色、建物の上空をドローンで旋回するような映像などを生成してもらいました。

あとは、それぞれのAIで作った動画を編集ソフトでつなぎ、Sunoの楽曲と組み合わせます。

できた！ でも、クレジットが枯渇……

こうして完成したのが、こちらの短いMVです。

【WHITENOTES・AIミュージックビデオ】

人物の歌唱シーンと街の情景を組み合わせて、なんとかミュージックビデオらしいものになりました。

もちろん、すんなり完成したわけではありません。

Kling で生成した人物が思いどおりに動かなかったり、カメラワークがうまくいかなかったり。

そして、何より大きかったのがコストの問題。

Kling では一番安いプランを契約していたのですが、なぜか最初からフルHDで動画を生成していました。

よく考えたら、テストだから今回は720pでも十分だったんですよね。

そんなことにも気づかず、生成に失敗するたびにクレジットを消費。

気がつけば、短い MV を作ったところでプランのクレジットが限界に。

……何をやっているんでしょうね。

とはいえ、AIでキャラクターを作り、歌わせ、映画のようなカメラワークをつけて、ひとつの映像にできたのはなかなか面白い体験でした。

ただ、ここまで作ると、今度はフル尺のMVが欲しくなります。

どうやら、一番安いプランのままでは難しそうです。

というわけで、次はKlingのプランを変更して、日本語版『WHITENOTES』のフル尺MVに挑戦することにしました。

目標は、今年の年末のクリスマスまでに間に合わせること。

……遊びのつもりだったのに、だんだん本格的になってきました。