Claude の動画づくりがマジですごい
動画を生成できない AI が、予告編を作れた理由

「Claude で動画を作った」って言うと、たぶん文章を打ったら映像がぶわっと出てくる AI を想像すると思う。

でも Claude、動画を生成できないんだよね。画像も作れない。音も聴けない。Anthropic の公式の説明にも、ちゃんとそう書いてある。

なのにゲームの予告編も縦動画もほぼ Claude が作った

2026年10月、自作ゲーム「Fall in Love」の予告編（128秒）と宣伝用の縦動画（45秒）を、5日で作ってもらった。絵も描けない、音も聴けない AI が、どうやって？？？（最初は自分でもよくわかってなかった）

答えから言うと、Claude は動画を「生成」してたんじゃなくて、「組み立てて」た。撮影の段取りを書いて、編集表を書いて、動画を組むプログラムを書いて、PC に作らせる。このノートでは、その仕組みと、使ってみて「これはすごい！」と思ったところ、逆に「ここは無理か〜」だったところをまとめる。

• 5日予告編の第1版から縦動画の完成まで
• 50,857枚ゲームから書き出した本番用のコマ
• 42分縦動画を頼んでから第1版が届くまで
• 0秒Claude が聴いた曲と声の長さ

「生成」じゃなくて「組み立て」

まず前提から。Anthropic の公式の資料を読むと、Claude は画像を「理解する」モデルで、画像を作ったり編集したりはできない、と書いてある。動く画像（GIF）を渡しても、見るのは最初の1コマだけ。音を入れる口は、そもそもない。

じゃあ何ができるのかというと、Claude Code は自分の PC の中でファイルを書いて、コマンドを動かせる。絵は描けないけど、絵を作るプログラムなら書ける！　動画づくりも、まさにこの形で進んだ。

順番に見ていくと、こんな感じ。

1. 撮影：ゲームの中に、撮影のためだけの「台本プレイヤー」を足す。主人公を無敵にして、画面の表示を消して、台本どおりの角度でカメラを回しながら、1コマずつ画像に書き出していく。私がコントローラーを握って録画する必要、ゼロ！　ちなみにゲームの本編のコードには手を入れず、テスト用のフォルダに置いてくれた
2. 一覧：撮った素材を一定の間隔で縮小して並べて、それぞれに「頭から何秒か」を書き込んだ一覧の画像にする。Claude は動画を再生できないから、この一覧を静止画として見る。編集の現場で使う「コンタクトシート」と同じやり方なんだって
3. 編集表：一覧を見て「この場面は12.4秒から3秒ぶん」と秒で指して、場面・字幕・曲・声の時刻を表に書く
4. 書き出し：予告編は、編集表を ffmpeg（動画や音を変換・結合する定番の道具）に渡して動画にした。縦動画は Remotion を使った

これが、Claude が実際に見ていた「動画」。動画を見てるんじゃなくて、動画を並べた紙を読んでる。目から鱗だった！

Remotion のほうは、React（Web ページを作る仕組み）で動画を組む道具。画面に出すものを Web ページと同じようにコードで書くと、1コマずつ描いて動画にしてくれる。字幕が跳ねて出る、数字のリールが回って止まる、画面が揺れる。全部「何コマ目に、どこに、どの大きさで」をコードで書けば動く。公式サイトにも「コーディング用の AI でアイデアを動画に」って案内があるくらいで、絵は描けないけどコードは書ける Claude とは相性抜群だった。

この5日間で、撮影・編集・声・縦動画のために書かれたコードは合わせて4,266行。書き出した本番用のコマは50,857枚で、素材と途中のファイルは30GB 超え。動画そのものは1コマも「生成」してないのに、作業量は普通の動画編集より多いんじゃない？？

すごいところ① ふわっとした注文を数字に直してくる

最初に頼んだ文面がこれ。今読み返すと、ほぼ雰囲気しか言ってない（笑）

宣材動画の制作を任せたい。 音源はクラシックで、まるでこれまでのエヴァンゲリオンみたいなパロディ。G線上のアリアがいいな。 俺の理想は、何故かめちゃくちゃノスタルジーでとてつもない重厚なゲームに見える予告なのに、実際のゲームは何ともおまぬけなギャップ。 哲学的で、独劇的で。

何秒の場面を何個並べるかも、どんな字幕を出すかも書いてない。で、出てきた第1版は、雰囲気は出てるけど……なんか、もっさりしてる？？　テンポが遅くて、字が多かった。

そこでお手本の動画の URL を渡したら、Claude はその動画を内蔵のブラウザでコマごとに読み取って、編集のリズムを数字にしてきた。

1分に45回も切り替わってたの！？　そりゃもっさりするわけだ。ゆったりした曲に、速い切り替えを重ねる。それがお手本の釣り合いで、第1版は曲に合わせて絵までゆっくりにしちゃってた。原因が数字で見えたから、第2版は1場面を約1.2秒に縮めて、一気に「それそれ！」って感じに近づいた。

声のほうも同じ。Claude は音を聴けないので、お手本の予告を、音を扱える Google の Gemini に渡して、誰が・どんな高さと強さで・何秒・どこで喋ってるかを表にさせてた。約3分50秒で声は約90回、1回は2秒前後。主役は高い声で叫ぶ。

聴けない AI が聴ける AIに聞きにいった

しかもそのうえで、「この落差を逆にしましょう」って提案してきた。世界は重々しく語るのに、主人公はぼそっと返すだけ。叫ぶのは山場の一度だけで、中身は間抜け。……え、天才？？　「重厚なのに、おまぬけ」っていう私のふわっとした注文が、声の配置の設計にまで落ちてきた瞬間だった。

人に頼むとき、「速いテンポで」「重厚に」とだけ言っても、受け取る人によってばらばらになるじゃん。Claude はお手本を測って、自分で数字に置き換えてから作ってくる。ここがいちばん「マジですごい」と思ったところ。

すごいところ② 見えない・聴こえないものを確かめる方法を自分で作る

目も耳もない状態で動画を作るって、冷静に考えるとめちゃくちゃハードモードだよね。じゃあどうしてたかというと、できないことを、できる形にぜんぶ置き換えてた。

曲は、米空軍楽団が演奏した「G線上のアリア」の録音を使った（アメリカの政府の楽団の録音だからパブリックドメイン）。予告編の長さに合わせるには、曲の途中をつないで延ばさないといけない。

いや、聴けないのに曲をつなぐの！？

つないでた。つないだ瞬間に音量が −32dB から −14dB に跳ねる案は自分で捨てて、E7 の和音から A に落ち着く「解決」の瞬間でつないでる。楽譜と音量計だけで名曲をつなぎ合わせて、聴いた私は違和感ゼロ。こっちは聴いて「いいね」って言っただけ（笑）

声の確かめ方にも工夫があった。書き起こす側の AI も聞きまちがえるんだよね。実際、「さあな」が「サウナ」、「構わん」が「こんばんは」と書き起こされてた。サウナ？？？　こんばんは？？？？？

そこで、2つのモデルがそろって違う言葉に聞いた行だけを作り直す、っていうルールにしてた。片方だけの聞きまちがいで、ちゃんと読めてる声を捨てずに済む。賢い！

そして、どの確かめ方にも、Claude 自身のメモに同じ一行がついてた。

⚠️ Claude は聴いていない。つなぎ目は和音（12音の分布）と低音と音量の数値で決めた。聴いて判断するのはユーザー

数字で確かめられるところまでは確かめる。そこから先は人に渡す。この線引きがはっきりしてるから、こっちも「どこを見ればいいか」がすぐ分かって助かった。

すごいところ③ とにかく速い

頼んでから届くまでの時間を、作業の記録から拾ってみた。

縦動画 42分

撮り直して、効果音を集めて、ずんだもんに11行しゃべらせて、演出を組んで、42分。人間がやったら、たぶん丸1日じゃ終わらない。

速さの理由は、待ち時間の使い方にあると思う。撮影には1時間くらいかかるんだけど、Claude はそのあいだに字幕のカードを作って、曲の切りどころを調べて、撮れた層から一覧にして確かめてる。人間なら順番にやるところを、同時に回してる。

あと、直しが軽い！　編集表とプログラムで組んでるから、「この演出消して」は表から数行消して書き出し直すだけ。気軽にダメ出しできるし、何回でも作り直してもらえる。版を重ねるのが全然苦じゃないのは、仕上がりにそのまま効いた。

すごいところ④ 規約の線をちゃんと引いてくれる

宣伝の動画って、自分の名前で世に出るものだから、曲・声・素材の権利をひとつ踏み外すと作品ごと止まることもある。こういう面倒なところを、Claude はかなり丁寧にやってくれた。

• 出す先の決まり：最初は映画っぽく1秒24コマで組んでたんだけど、Steam の公式の資料を確かめて「1秒30コマか60コマ」に直してた
• 声：ずんだもん（VOICEVOX）の声は商用で使えるけど、「VOICEVOX:ずんだもん」の表記が必要。動画の最後に入れてくれた。絵（立ち絵）は商用で使うときの決まりが別にあるので、声だけにした
• 曲：縦動画の BGM は商用OK・表記不要の曲を使ったけど、YouTube の Content ID への登録は規約で禁止。その注意も引き継ぎに残してくれてた
• 素材を取る前：効果音や素材の動画は、出どころ・ファイル名・規約・大きさを表にして見せて、許可を取ってからダウンロード
• 使わない素材：縦動画をにぎやかにしたくて、昔のネット動画でおなじみの切り抜き素材や、実在の人をネタにした素材も使いたい！って頼んだことがある。Claude は「商用の宣伝に無断で使ったら著作権の侵害になるし、実在の人を貶める内容になる」って理由で使わなかった。代わりに、文字で流す弾幕や自作のエフェクトでにぎやかにしてくれた

こっちのノリで頼んだことに、理由つきでブレーキをかけてくれる。勢いで頼んだ自分を後から見ると、正直ちょっと恥ずかしい（笑）。でも宣伝の動画だと、これがほんとに助かった。

ここは無理だった・人がやること

ここまで「すごい！」ばっかり並べたけど、もちろん万能じゃない。5日間でぶつかった壁も書いておく。

最後に見て聴いて決めること

BGM を選ぶとき、Claude は候補の配布元と規約を調べたうえで「私は曲を聴けないので、ここだけはお任せします」って言ってきた。そうだよね。曲の良し悪し、声の演技、全体のノリ。数字で確かめられないところは、最後は人が決めるしかない。

あと、引き算も人のほうが向いてた。縦動画の第2版には、私が頼んだ漫画のパロディの演出や猫の動画のワイプが全部盛り込まれてたんだけど、3つ外したら一気によくなった。……頼んだの私なんだけどね！！　足すのは AI が速い。削るのは、見てる人の感覚。

見積もりは外れる

予告編の声、台本を書いた時点では1行1.3〜2.4秒の見積もりだった。実際にできた声は平均3.3秒。117秒ぶんの声に対して、置ける場所は約100秒。入らない！！！

行の中の間を詰めて、声の高さを変えずに1.1倍に速めて、91.7秒まで縮めた。それでもあふれた2行は泣く泣くカット。台本の段階で「1行2.5秒×行数」を足し算してれば防げたずれだった。

止まることがある

声を作ってる途中で、Claude 側の1週間の使用量の上限に当たって、作業が2日半止まった。声を作る Gemini の無料枠も1日10回までで、台詞37行には全然足りない。AI に任せる作業ほど、「上限で止まるかも」って前提で予定を組んだほうがいい。

手続きは人がやる

有料枠に切り替えるための支払いの設定は、カードの情報の入力や規約への同意が入るから、Claude はやらない。手順は案内してくれるけど、入力するのは自分。夜中に支払いの画面で「州」を聞かれて「州なんてないよお」って半泣きになったのも、ここ（原因は、国の設定が「アメリカ」のままになってたことだった）。

自分でやってみたい人へ

同じことを試すなら、必要なものはだいたいこのくらい。

頼み方は、雰囲気だけじゃなくて、出す先・長さ・お手本・出さないもの・確かめ方まで最初に渡すと、話がめちゃくちゃ早い。今回のやりとりを整理すると、こんな型になる。

〇〇（作品名）の宣伝動画を作りたい。 ・出す先：〇〇（例：Steam のストア、YouTube ショート）。その場所の動画の決まりを公式で確かめてから組んで ・長さ：〇秒 ・雰囲気：〇〇（例：重厚なのに、中身はおまぬけ） ・お手本：この動画（URL）。場面の長さや字幕の量を測って、数字で寄せて ・出さないもの：〇〇（例：終盤の展開） ・素材：取る前に、出どころ・ファイル名・規約・大きさを表で見せて、許可を取って ・音：聴けないなら、数値で確かめられるところまで確かめて。最後の判断は私がする ・まず早く第1版を出して。そこから直していく

動画を「生成」する AI とは、得意なことが違うんだと思う。1枚の絵や数秒の映像を作るなら、生成する AI のほうが早い。でも、決まった素材（ゲームの画面、撮った写真、録った声）を、狙ったリズムで、規約を守って、何回でも直しながら組み上げるなら、組み立てる AI のほうが向いてる。

「マジですごい」の中身は、動画を作ったことそのものより、段取り・測定・確認・線引きを、全部ひとりで回してくれたことだった。こっちがやったのは、雰囲気を言葉にして、できたものを見て「いい！」って言うことだけ。

PC が落ちても、Claude が週の上限で止まっても、支払いの画面に「州」を聞かれても、5日後には予告編と縦動画が手元にそろってた。そりゃ「マジですごい」って言いたくもなる！！

ウスイ福岡で個人開発をしています。アプリやゲームを作りながら、分かったことをこのノートに書いています。運営者・編集方針