ClaudeクラウドセッションでOpus 5.5にMVを「コードで」作らせてみた（星乃そら　水たまりの拍手）

ダリオ、お前のくれた250ドル、盛大に溶かしたよ――。

Anthropicの親愛なるCEO、ダリオ・アモデイから「クラウドセッション正式リリース記念」としてMaxプラン向けに突如投げ込まれた250ドルの無料クレジット（受け取り期限：2026年10月8日）。

普通の人なら「わーい、日々のコーディングでちびちび使おう！」となるところですが、生憎こちらは生粋のギーク。しかも最近のX（旧Twitter）を見れば、「Opus 5.5すげえええ！」「プロンプト一発でこんなの作れたw」というイキリ報告がタイムラインを埋め尽くしている。

……悔しい。
羨ましい。
うちの看板娘「星乃そら」でも、狂ったようにリッチな神MVを作ってドヤりたい！！！

というわけで、「ダリオの奢りで、Opus 5.5の限界を叩き割る」という完全なる私怨と好奇心から始まった、「3分間のMVを全編コードで描画させるプロジェクト」の一部始終をお届けします。

結果から言うと、無料枠が100ドル溶け（見積もりは20ドルだった）、キャッシュ読み込みは2.7億トークンに達し、最終的に「手打ち」という泥の人間力が勝利しました。最高に楽しかったので全部書きます。

0. プロンプトが書けない？ 他力本願マルチAI包囲網

「文字がキネティックに踊って、水たまりに反射するエモいMV」を作りたい。
だが、そんな高度なアニメーションプロンプトの書き方など知らない。

そこで現代のAIフル動員体制を敷きました。

1. リサーチ：Grok 4.7
   Xの海に潜らせ、「Opus 5.5で作られた神作例」のポストを徹底的にクローリング＆JSON形式で構造化出力。

2. 分析・プロンプト錬成：Gemini 3.8
   Grokが拾ってきたJSONをGemini 3.8の長大なコンテキストにぶち込み、「Opus 5.5が最高出力を出すためのシステムプロンプト＆演出指示書」に変換。

3. メイン実装：Claude Code（Opus 5.5 / Effort MAX）
   受け取ったプロンプトをクラウドコンテナに放り込み、思考力MAX設定（Effort MAX）でブン回す。

4. 素材生成監督：ローカルのGPT-6 Sol監督 ＆ Lunaワーカー
   実写・動画素材は自宅のGPUマシンで、MiniMax H3（Jevで間引き高速化）と `gpt-image-2.5-sunburst` を使って生成。

「クラウドのClaude Code」と「自宅ローカルのGPT-6軍団」はお互いに直接通信できないため、ClaudeがGitHubに「素材依頼書（カット割り・プロンプト・納品形式）」をpushし、ローカルのGPTがそれを検知して生成・pushし返すという、AI同士の完全非同期Git駆動開発を構築。

人間は何をするのか？
「オッケー」「ダメ」「ここ直して」と腕組みしてコーヒーを飲むだけ。……の、はずでした。

1. 狂気：なぜか全編「WebGLのコード」で描き始めるAI

曲は星乃そらのオリジナル曲『水たまりの拍手』（3分00秒、テンポ感のあるエモーショナルな楽曲）。

普通、AIでMVを作るとなると「SoraやRunwayで動画を出してPremireで切って貼る」ですよね？
しかし、Opus 5.5に「リッチなMVを作れ」と命じたら、あいつは何を血迷ったか映像を1フレームずつWebGLのシェーダーコードで描画し始めたのです。

世界観は「路面反射 / ROAD MIRROR」。

• 画面は真上から見た雨上がりのアスファルト。

• 落ちてくる手拍子のリズムに合わせて、水たまりに波紋が走る。

• その波紋の揺らぎは、ナビエ・ストークス方程式に基づく粘性つき波動方程式を毎フレーム解いてリアルタイム計算。

• 文字はCanvas 2Dでレンダリングしてテクスチャ化し、水面の屈折率に従って歪ませる。

• 歌唱カットは2分37秒まで「水たまりに映る上下逆さまの虚像」として配置。

さらにOpus 5.5、自ら「AIっぽさ（AI slop）検品リスト」を作成。
「安易な虹色フレア禁止」「中央下の安直な字幕禁止」「1画面に動きは3つまで」など、意識高い系クリエイター並みのレギュレーションを自らに課す徹底ぶり。

これをクラウドのヘッドレスChromium（GPUなしのCPU 4コア！）で、1フレームずつ0.7秒かけてオフスクリーンレンダリングし、パイプ経由でFFmpegに渡して動画化。
全編（5,400フレーム）書き出すのに1回あたり1時間以上。
それを修正のたびに計6回レンダリング。この時点でクラウドセッションのサーバーが悲鳴を上げていたに違いありません。

2. 地獄の口パク：数学的正確さ vs 人間の脳

今作最大のデスマーチが「歌唱カットの口パク（リップシンク）」でした。

ローカルでMiniMax H3を使って動画素材を出すわけですが、H3は音声入力を受け付けない。
そこで天才Opus 5.5が考えたスキームがこれです。

1. H3にプロンプトで歌詞をアカペラで歌わせる（H3のネイティブ音声付きで動画を生成）。

2. そのアカペラ音声をボーカル分離（Demucs）し、本番楽曲のボーカルと動的時間伸縮法（DTW）で時間軸をマッチング。

3. さらにMediaPipeの顔認識で口の開き（a, o, e, i, u）をフレーム単位で測定し、曲の音節キーフレームに無理やり合わせる。

「完璧だ……！ 数学的に完全に一致している！」
意気揚々と上がってきた映像を見た私。

「……なんか、カクついて巻き戻っててキモいんだけど」

数値上は完全一致。しかし人間の目で見ると、音が伸びる瞬間に再生速度が0.33倍〜5倍に乱高下し、口が小刻みに痙攣していたのです。
原因は明白。曲中で「ら〜〜」と0.84秒伸ばしている部分を、H3は「らっ」と0.17秒しか歌っていない。そこにDTWで無理やり合わせにいけば、時間が引き伸ばされて怪奇現象が起きるのは当たり前です。

結局、Opus 5.5と深夜の激論の末に出した結論は、
「正確さより、自然さ（なめらかさ）を優先せよ」。

再生速度の変動幅を0.7〜1.45倍に制限し、約0.5秒かけてスプライン曲線でなだらかにフィットさせる方式へ全面改修。口のタイミングは中央値で0.1秒ほどルーズになりましたが、人間の脳にとっては圧倒的に自然に見えるようになりました。AIに「適当の美学」を教えるハメになるとは。

3. 0.023ミリ秒のバグと、234文字の「手打ち」

AIエージェント開発特有の「底なし沼」もたっぷり味わいました。

① 「0.023ms」のチリツモで曲後半が壊滅

楽曲解析中、なぜか曲の後半にいけばいくほど歌詞のアニメーションがズレていく怪奇現象が発生。
ログを血眼で追ったところ、音声フレームの幅を「10ms」と仮定していたのに、サンプリングレート（22.05kHz / hop 220）の計算上、実際は「9.977ms」だったことが判明。
わずか0.023ミリ秒の誤差が、3分間で0.36秒（11フレーム）のズレに膨れ上がり、サビの演出を完全に破壊していたのです。宇宙探査機かよ。

② 字幕234文字、AIが目視（？）で手打ち修正

歌詞アニメーションのタイミング合わせも地獄でした。
ボーカルの立ち上がりを自動検出（DPマッチング）させると、ビブラートや「スッ……」というブレス音を子音と誤認して大暴走。

最終的にどうしたか？
Opus 5.5が「ボーカル波形の音量の谷（子音）」と「ピッチの変わり目」を1文字ずつ数値化してエビデンスを提示し、全234文字の出現フレームを手動（スクリプトの手打ち補正）で配置。
最大で2.2秒もズレていた「袖に咲く」の「く」を修正し、私が「『光る』の『る』がまだ遅い！」と指摘すると、AIが「『か』から『る』への母音変化（あ→う）のスペクトル遷移点を再計算しました」と返してくる始末。お前は職人か。

4. そして請求書を見て青ざめる

約16時間に及ぶ死闘。
自律サブエージェントによる辛口コードレビュー（計4回）を挟み、完成したMVは……信じられないクオリティでした。
濡れたアスファルトに反射する空、手拍子で揺らぐ水面、タイポグラフィの美しすぎるイージング、そしてクライマックスで水面の反射がトランプのように裏返り、現実の星乃そらへとシームレスに繋がる演出――。

「すげえ……Opus 5.5、お前がナンバーワンだ……！」
感動に打ち震えながら、私はClaude Codeのセッション終了画面とトークン使用量ログを開きました。

そこに並んでいた数字が、こちらです。

メイン（Opus 5.5）
・API応答数：523回
・生成トークン（出力）：820,757
・キャッシュ書き込み：2,184,099
・キャッシュ読み込み：217,694,613

サブエージェント（レビュー）
・API応答数：341回
・生成トークン（出力）：6,315
・キャッシュ書き込み：1,543,760
・キャッシュ読み込み：51,820,528

合計
・API応答数：864回
・生成トークン（出力）：827,072
・キャッシュ書き込み：3,727,859
・キャッシュ読み込み：269,515,141

……ん？
キャッシュ読み込み……2億6900万トークン……？？？
新しく書かせた出力トークンだけでも約83万トークン？？？

そして利用料金を確認。

【結果：$100 消費】

……えっ。
事前の私の試算：「まあ$20くらいで行けるやろw」
現実：100ドル（約1万5,000円相当の枠）が一瞬で消滅。

ダリオからもらった250ドルのクレジットが…もしこれ自腹の従量課金でキャッシュが切れてたらと思うと背筋が凍く。
長大なコードベースと動画のフレーム仕様、数万行のログをコンテキストに抱えたまま「Effort MAX」で何百往復もさせると、トークンは水たまりの水滴どころかナイアガラの滝のように蒸発することが証明されました。

5. まとめ：得られた教訓

今回、ダリオのクレジットを豪快に燃やして得られた教訓は以下の3点です。

1. Opus 5.5の自律性は本物だが、GPUのないクラウドで動画を作らせるな
   CPU描画のWebGLをChromiumで回してFFmpegで固める作業に1時間待つのは狂気。

2. サブスク枠に余裕がある時に、ローカルのClaude Codeで回したほうが100倍早い
   クラウドセッションはお手軽ですが、ネットワーク制限（外部ライブラリのDL制限等）を回避するためのハックや環境構築に大量のトークンを溶かします。ローカルマシンにRTXがあるなら、ローカルでぶん回すのが正義です。

3. 最後は「人間の目」と「泥臭い修正」が勝つ
   どれだけ数学的（DTWや顔認識）に正しくても、人間が見て「キモい」と感じたらそれは失敗作。AIに「適当にぼかせ」「なだらかに嘘をつけ」と指示を出せるのは、まだ人間の特権のようです。

ダリオ、最高のオモチャ（とクレジット）をありがとう。
残りの150ドルは、もっと平和なAPI開発で大事に使おうと思います。たぶん。

制作物：星乃そら『水たまりの拍手』MV（1080p / 3:00）
総コード行数：約3,400行（WebGLシェーダー / Python解析スクリプト）
全編レンダリング回数：6回
消えた無料クレジット：$100