Opus5.5にお任せで45秒のピクセル動画、約1,300円・1時間ちょっとで完成した ── 黒猫スミの京都旅【動画編】

Claude Code（Opus 5.5）に「黒猫が京都を1日旅するピクセル動画を作りたい」と伝えただけで、45秒の動画ができました。素材の下調べ、ストーリー、画像、動画、セリフ、音まで全部AIで、途中で自分が内容を直した箇所はありません。APIに払った金額は約8.5ドル（約1,300円）、台本を頼んでから完成版が出るまで約1時間15分でした。この記事では、使ったAPI、費用、時間、そしてAIが自分で見つけて直した失敗を、実際の画像つきでまとめます。

完成品はこちらです。

追記：
【ゲーム編】

【MV動画編】

自分でも動画生成して見たい方は合わせてこちらもご覧ください。

1. きっかけは「この動画、自分でも作れるのか」だった

発端は、X（旧Twitter）で見た『像素上海』というピクセルアートの短編でした。上海の街を数秒ずつ切り取ったカットが続き、それがそのままクリックして遊べるゲームにもなっている。

最初はゲーム化の仕組みのほうに興味があって、動画を渡すと「カットごとのシーン＋クリックできる人や物＋会話」を作るツールを自作しました（これは次回の【ゲーム編】で書きます）。ところが、手元で試せる動画がありません。他人の作品を材料にし続けるわけにもいかない。

それなら、入力の動画もAIで作ればいい。そう考えたのが今回の実験です。気になっていたのは次の3つでした。

• 同じキャラクターを12カット通して、同じ見た目に保てるのか

• 京都の名所を、写真を渡さずに「それらしく」描けるのか

• 全部でいくらかかるのか。動画生成は高いと聞いていたので、ここが一番不安だった

2. 自分が伝えたのは「作りたいもの」だけだった

最初に書いておくと、今回の自分の役割はほぼ「注文する人」でした。Claude Codeに伝えたのは、だいたい次の内容です。

• 京都のランドマークと名物を紹介する、『像素上海』のようなピクセル動画を自分で作りたい

• 主人公は黒猫（『魔女の宅急便』のジジのような雰囲気）。黒猫の目線で、京都を1日旅する話にしたい

• 使えるのはGeminiのサービスだけ。お金がかかりそうなので、まず小さく試して、本番の前に見積もりを出してほしい

あとは、見積もりが出るたびに「go」「ok」と返しただけです。どの名所を回るか、猫の名前や性格、各カットのセリフ、どの案を採用するか、どのカットを作り直すか。どれもOpus 5.5が自分で決めていました。「鴨川の等間隔に座るカップルの間に、猫もきっちり等間隔で座る」というカットも、Opusが出してきたアイデアです。

3. 進行役はClaude Code、生成はGemini API。役割分担はこうなった

作業の流れは、ざっくり言うと「下調べ → 台本 → 静止画 → 動画 → 声と字幕 → 編集」です。

Claude Codeは、AnthropicのOpus 5.5を使って動かしました。画像・動画・音声の生成に使ったAPIキーは、Gemini API（Google AI Studio）の有料プラン1本だけです。Veoは無料枠では使えないので、動画まで作るなら課金の設定が要ります。

Opus 5.5 は画像を見ることができるので、生成した静止画や、動画から抜き出したコマを自分で見て「これは使える / 作り直す」を判断していました。この「自分で見て直す」ができることが、今回お任せで済んだ一番の理由だと思っています。

4. まず1カットだけ作ってみた（約0.8ドル）

いきなり12カット作るのは怖かったので、Opusの提案で、伏見稲荷の1カットだけで試しました。静止画2枚（安いモデルと高いモデル）、動画2本（Lite と Fast）で、かかったのは0.81ドルです。

試作の伏見稲荷（Lite）。千本鳥居の形は4秒間ほぼ崩れなかった

鳥居の形が4秒間ほぼ崩れなかったのは、正直予想外でした。動画生成というと、途中で形が溶けるイメージがあったので。安い Lite でも「ゆっくり寄る」程度の動きなら十分で、Fast はカメラがもっと大きく動く、という違いでした。

静止画は、高いほう（Nano Banana Pro、1枚約0.13ドル）のほうが「千本鳥居」らしく見えたので、こちらを採用しています。

この試作から見積もりが出てきました。

動画の料金は「秒数×単価」で決まり、最上位モデルは Lite の8倍します。Opusの案は、大きなカメラの動きが欲しい最初と最後の2カットだけ Fast、残り10カットは Lite。自分はこれに「go」と返しただけです。

ちなみにこの試作は、ピクセルというよりボクセル（マイクラ風の立体）寄りの絵になっています。後でキャラ表を参照画像に加えたら平面的なピクセル絵に寄ったのですが、なぜそうなったのかははっきり分かっていません。

5. 同じ猫を12カットで保つために、先に「キャラ表」を1枚作った

主人公は、赤い組紐の首輪に金の鈴、背中に藍色の風呂敷包みを背負った黒猫「スミ」です。名前も見た目もOpusが考えました。ジジの雰囲気は参考にしつつ、白目だけの目など外見は似せないように、とプロンプトに自分で書き込んでいたのには少し感心しました。

最初に作ったキャラ表。2案作って（0.27ドル）片方を採用

このキャラ表と画風見本の2枚を、全カットの静止画生成に毎回渡しています。結果として、12カットすべてで首輪・鈴・風呂敷が残りました。冒頭の12枚を見てもらうと、猫の大きさは違っても同じ猫に見えると思います。

京都の名所は、写真を1枚も渡していません。「清水寺の舞台」「金閣寺と池に映る影」のような文字だけで、ちゃんとそれと分かる絵が出てきました。

ただし一発で全部正しかったわけではありません。各カット2案ずつ描かせたところ、京都タワーが東京タワーのような形で出てきた案がありました。夏の設定なのに桜が咲いている案もあった。こうした案はOpusが確認用の画像を見て外し、もう片方を選んでいます。小さなサムネイルでは塔の形の違いが分からず、800px程度の大きめの画像で見比べるやり方に自分で切り替えていました。

写真素材については、Opusが京都市の公式フォトライブラリーも調べていました。ただ利用規約で加工や作風の変更が禁止されていたので、構図の参考として見るだけにする、という判断です。ここは自分でも確認しましたが、AIに入力する素材の権利は、思ったより先に確認が要るところでした。

6. 動画にしたら、4割はAIが自分で作り直した

静止画12枚を Veo で4秒の動画にします。ここからが本番でした。

12本のうち、作り直したのは5本です。これもOpusが、各動画から抜き出した4コマを見て自分で見つけています。理由は大きく2つありました。

一つ目は、画面の隅に謎のステッカーが出てくる現象です。

左上に「ZL」と書かれたアイコンが、再生2.5秒あたりから現れた

プロンプトに「ロゴや文字を入れない」と書いても、Lite では止まりませんでした。作り直しても再発した。最終的には、ffmpeg で画面を少し拡大して隅を切り落とす（約1.09倍）方法で、追加料金なしで直しています。

二つ目は、主人公が画面から消えることです。「欄干の上を歩く」と指示したカットで、スミが最後の1秒で飛び降りて画面外へ行ってしまったり、カメラが勝手に下を向いて猫が映らなくなったりしました。

これはプロンプトの書き方で減りました。動きの指示を「カメラの動きを1つ」「キャラの動作を1つ」に絞り、最後に「スミは最後まで画面内にいる」と明記する。動作をあいまいにしておくと、Veo が自分なりに話を「完結」させようとして、飛んだり消えたりするようです。

もう一つ、Lite には「入れてほしくないもの」を別枠で渡す指定（negative prompt）を送るとエラーが返ってきました。エラーになった呼び出しには課金されなかったので、実害はなかったのですが。

7. 声で詰まったのは、AIが英語の指示まで読み上げたこと

セリフは各カット1行、2〜3秒で読める長さです。「……寄り道じゃない。調査だ」「京都のルール、守ってます」といった、少しとぼけた一言。これもOpusが書いています。

ここでも2つつまずき、どちらもOpusが自分で気づいて直しました。

最初は、「落ち着いた低い声で」のような英語の演技指示をセリフの前につけていました。すると、その英語の指示まで声に出して読んでいた。音声全体を文字起こしして確認したときには気づかず、無音区間で区切って1つずつ文字起こしして初めて分かったそうです。今はセリフだけを送っています。

もう一つは「……」です。これを入れると、AIが間を取りすぎて、2秒のはずのセリフが5〜13秒になりました。「……」を削って文末に「。」をつける、という地味な処理で解決しています。

完成版の最後のカット。手紙を届けて、3人で大文字を見上げる

TTSの料金は全部で1セント程度でした。

声以外の音、つまり駅のざわめきや川の音、祭囃子のような環境音と音楽は、Veoが映像と一緒に生成したものです。音だけ別に作ったり、あとから差し替えたりはしていません。完成版を通して自分の耳で聞いて確認しましたが、映像と音がちゃんと合っていて、結果はよかった。ここも手直しはしていません。

8. 結局いくらかかって、何時間かかったのか

まずお金です。

1ドル150円で計算すると、約1,300円です。この表はGemini APIに払った分だけで、Claude Codeの利用料は含めていません。

内訳を見ると、一番お金がかかったのは動画ではなく、静止画（キーフレーム）でした。1カット2案ずつ描いているのが効いています。逆に言えば、Veo は Lite 中心にすれば4秒1本0.2ドルで、思っていたほど高くありませんでした。

次は時間です。台本を頼んでから完成版が出るまでを、ファイルの作成時刻から追うとこうなりました。

画像24枚が3分、動画12本が4分で揃うのは、Opusが生成をまとめて並行で投げていたからです。一番時間がかかったのは生成ではなく、声の不具合を見つけて直す仕上げの工程でした。

ちなみに、最初に「京都の動画を作りたい」と伝えてから数えると、完成まで約5時間かかっています。ただしその大半は、試作の見積もりを見た自分が返事をするまでの待ち時間です。AIが手を動かしていた時間は、合わせても1時間半ほどでした。

お金の使い方で一つ決めていたのは、有料の生成をするたびに「見積もり → 少しだけ試す → OKしてから本番」を守ることでした。Opusは生成を実行する前に必ず見積もりを出して止まってくれたので、お任せでも金額が膨らむ不安はありませんでした。

9. 伝えただけでこの品質が出たことに、正直驚いた

始める前は、動画生成AIを使っても、結局はカットの選別や手直しに人の手がかなり要るだろうと思っていました。ロゴが出ていないか、猫が消えていないか、声が変な間を取っていないか。そういう確認は人間の仕事だろう、と。

実際には、その確認もOpus 5.5がやっていました。12本中5本の作り直しも、声の不具合も、自分が気づく前にOpusが見つけて直しています。自分が内容に手を入れた箇所はゼロ、一発勝負（One-Shot）で出てきた完成版がこの品質だったのには、正直驚きました。

一つ補足すると、「One-Shot」というのは自分から見ての話です。裏ではAIが試作を作り、2案から選び、5本を作り直しています。人が1回で完璧な注文を出せたのではなく、AIが自分で試して直す工程を最後まで回してくれた、というのが実態に近いと思います。

最初の3つの疑問にも、おおむね答えが出ました。キャラ表を毎回渡せば同じ猫を保てた。名所は文字だけで描けた（2案作ってAIが選ぶ前提）。金額は約8.5ドルで、一番高かったのは動画ではなく静止画だった。

10. 次回【ゲーム編】：この動画を、クリックして遊べるゲームにする

実は、この動画はここで終わりではありません。この動画をOpus5.5に渡して、ブラウザで遊べるゲームに作ってもらう実験を【ゲーム編】で書きます。お楽しみに〜

追記：
ゲーム編書きました、こちらどうぞ。

自分でも動画生成して見たい方は合わせてこちらもご覧ください。

MV動画の生成も試したので、こちらもご覧ください。