Claude Opus 5.5のMV制作を「画像・動画生成なし」で再現してみた：全コマをコードで描いてAPI代0円

X で話題になった「Opus 5.5 がプロンプト1つ・12時間で作ったMV」を、画像生成も動画生成も使わず、全コマをコードで描く方式で再現してみた。API 費用は0円で、全編156秒・50ショットのMVを約45分で書き出せた。どこまで届いて、どこが足りなかったのかをまとめる。

完成した動画はこちら。

1. なぜ再現しようと思ったのか

きっかけは、@donaldjewkes さんの投稿だった。「I made this with one prompt using Opus 5.5」という一文と一緒に、2分21秒のMVが貼られている。取得時点で約288万回再生、いいねは9,200。本人いわく、パソコンに5分話しかけて、あとは Claude が12時間働いたらしい。

• 投稿：https://x.com/donaldjewkes/status/2102801274173587569

• プロンプト全文（返信ツリー）：https://x.com/donaldjewkes/status/2102801469976248500

題材は「I'm Upping My P(doom)」という、AIの進歩とシンギュラリティへの不安をポップに歌った曲だ。前日には @other__reality さんが同じ曲で JavaScript アニメーションのMVを公開していて（p5.js 製、ソースは JohnHeibel/PDoomVideo）、Donald さんの投稿はそれを「もっと良くできるはず」と作り直させたものだった。

見た目はかなり良い。オレンジ・紺・ピンクの紙っぽい配色に、ひまわりのような髪のアイドルが歌い、画面いっぱいの文字が拍に合わせて叩きつけられる。

自分が知りたかったのは二つだけだった。これは再現できるのか。そして、いくらかかるのか。

2. プロンプトを読んで引っかかった一文

プロンプト全文は約9,600字あった。流れを要約するとこうなる。

1. fal の画像生成でキャラクター表とセットを作る

2. Seedance 2.5 で動画を生成する（曲を切って参照音声として渡し、口の動きを合わせる）

3. その上から JavaScript のアニメーションを描き重ねる

4. 歌詞をモーショングラフィックスで大きく見せる

予算は「fal のクレジットがだいたい2,000ドル分ある」。最後は「make no mistakes.」で締められている。

読んでいて引っかかったのは3番目だった。実写を撮ってから上をなぞるロトスコープのように、生成した動画は下絵として使い、完成品では見せない、と書いてある。

見せないなら、下絵の動画はどこまで必要なのだろう。

とはいえ、まずは素直に原作どおりの見積もりを出してみた。手元にあった API キーは Gemini だけで、fal のキーはない。

どちらも数万円はかかる。そこで、先に真逆を試すことにした。画像も動画も一切生成せず、全コマをコードで描く。これで届かなければ、そこで初めて生成を足せばいい。

仕組みは単純で、「時刻 t を渡すと、その瞬間の1コマを必ず同じように描く関数」を Canvas 2D で書く。乱数も使わないので、何度描いても同じ絵になる。これを headless Chrome で1コマずつ描き、ffmpeg で元の音源と合わせる。

3. 全コマをコードで描いてみた：4つの段階

ここからは制作の順に、音の解析（3-1）、キャラクター（3-2）、38秒の試作（3-3）、残りの並列制作（3-4）を見ていく。

3-1. 絵より先に、音を測った

最初に手を付けたのは絵ではなく音だった。拍に合わない文字演出は、どれだけ凝っても安っぽく見える。

Python で曲を解析すると、テンポは 132.5 BPM、最初の拍は0.325秒と出た。念のため、サビが始まる23.0秒を拍に換算すると50.08拍目。ほぼ拍の頭に乗っていて、この拍のグリッドは信用してよさそうだった。

声の帯域の音量からは、単語が歌い出される瞬間（声の立ち上がり）も取れた。冒頭の行なら1.62秒、2.04秒、2.54秒……と並ぶ。大きな文字を叩きつけるタイミングは、この時刻にそのまま合わせた。

図のオレンジの線が音量だ。89〜109秒で音量が約3分の1に落ち込んでいて、そこが静かな間奏になる。この区間だけは配色を夕暮れの紺とピンクに変え、カメラもゆっくり動かすことにした。逆に109秒からの最大の盛り上がりは、カットを一番細かく割っている。

タイミングは「感覚で合わせるもの」だと思っていたが、この曲に関しては、ほとんど計算で決められた。

3-2. 最初の壁はキャラクターだった

音の次はキャラクターだった。借りたのは「Claude をひまわりのようなアイドルとして擬人化する」というプロンプトの方向性だけで、ひまわりのような髪、ヘッドセット、白いジャケットのオリジナルのアイドルをコードで描いた。

1回目の結果がこれだ。

左の v1 は、花びらを1枚ずつ輪郭線で囲んでいた。そのせいで髪がアーティチョークに見える。

直し方は単純で、花びらを全部、太い線で先に描いてから、上から塗りつぶす。そうすると外側の輪郭だけが残り、髪がひとかたまりに見える。あわせて頬の横に髪を下ろし、首を短くしたのが右の v2 だ。この後にもう1回、目を14%大きくした。

紙の質感を重ねる処理も最初は強すぎて、画面全体がくすんでいた。重ねる濃さを55%から28%に下げている。

ここで気づいたのは、コードだけで作るときに一番時間がかかるのはキャラクターだ、ということだった。背景や文字は幾何学的な形の組み合わせで済むが、顔は少し比率がずれるだけで別人に見える。

3-3. 38秒の試作で、画面が真っ白になった

キャラクターが決まったので、冒頭からサビ1まで（0〜38.5秒、11ショット）を試作した。コードを書き始めてから試作の動画ができるまで、約11分だった。

ところが、出来上がったコマを一覧で並べてみると、14.2秒と24.5秒の2か所で画面が真っ白になっていた。

原因は、衝撃の瞬間に画面を一瞬光らせる「フラッシュ」の処理だった。衝撃より前の時刻では、経過時間がマイナスになる。そのまま透明度を計算すると1より大きい値になり、Canvas はその値を無視して透明度1のまま、画面全体を白で塗りつぶしていた。

エラーは出ない。コマを見て初めて分かる。

もう一つ、最初の拍より前（0.325秒未満）で拍番号がマイナスになり、配列の範囲外を読んで落ちるバグもあった。

この2件で、作業の中心が決まった。コマを一覧（コンタクトシート）で描き出して、見て、直す。この繰り返しだ。Claude は画像なら見られるので、この確認は Claude 自身でできる。

逆にできないのは、音を聴くことだった。映像と音の同期の体感は、最後まで人が再生して確かめるしかない。

3-4. 残り118秒は4体のエージェントに分けた

試作で方向性が固まったので、残りの38.5〜156.65秒を4つの章に分け、4体のサブエージェントに並列で書かせた。

その前に一つだけ足したものがある。腕のポーズだ。試作のアイドルは胸から上の正面だけで、K-pop らしい振り付けがなかった。どの章でも必要になるものは、分担する前に共通部品として作っておいたほうがいい。

ハート、頭上のハート、ピース、指差し、マイク、手振り、両手を上げる、の7種類。怖い笑顔の表情もここで足した。

各エージェントには、担当する時間の範囲、単語ごとの時刻、ショットのアイデアを渡した。守らせたルールは二つ。自分のファイル以外は触らないこと。コンタクトシートで自分の仕事を確認してから報告すること。

4体とも3.6〜7.2分で戻ってきた。1体あたりのトークン数は約21万〜23万。全部で50ショットになった。

※ 記事内の画像では、歌詞を大きく見せる文字演出と字幕を消した状態で並べている。

ショットのネタは、AIをめぐる最近のミームから拾った。学習loss（損失）のグラフが崖のように落ちるショット、スマイルの仮面をかぶったショゴス、歯の生えたチャット吹き出し、Navier–Stokes 方程式や Erdős 問題のカードに「SOLVED」のスタンプが押されるショット、ドアに NDA の南京錠がかかったショットなどだ。実在の人物や企業ロゴは描かず、文字と図形で見せている。

全編の書き出しは、6並列で3,760コマを87秒。1920×1080、24fps、156.65秒の MP4 になった。長さが音源と一致すること、音量が元の音源と同じ（平均 -17.7dB 対 -17.6dB）であることは確認した。

作業フォルダを作ってから全編の動画ができるまで、ファイルの更新時刻で数えて約45分だった。

4. コードだけで足りなかったところ

45分と聞くと、12時間かかった原作より優れているように見えるかもしれない。そうではない。やったことが違う。

原作は、動画生成で下絵を作り、口の動きを歌に合わせ、その上を描き直している。こちらは動画生成を使っていない。口は歌声の音量に合わせて開閉しているだけで、歌詞の発音には合っていない。仕上げの作り込みも、12時間かけた原作には遠く及ばないはずだ。

見返して弱いと感じたところも、いくつかある。

• 10万台の GPU を表すショットは、ズームアウトすると単なる模様に見える

• チンチラのつもりで描いた動物が、ウサギに見える

• 事前学習の頃を振り返るショットは、画面に対して文字が小さく、間が持たない

• キャラクターの演技は、表情と腕のポーズの組み合わせまで。全身で踊るような動きはない

絵柄との相性もある。今回の紙っぽい平面的な絵柄と文字演出は、もともとコードで描くのに向いていた。写実的な質感や滑らかな人の動きが必要な絵柄なら、話はまったく変わると思う。

5. 別の曲でも使えるようにして分かったこと

せっかくなので、この仕組みを別の曲でも使えるキットにまとめた。曲ごとに変えるのは設定ファイル1つだけにして、音源と歌詞を渡すと、解析から試し描きまで約22秒で用意できる。

ここで一つ測ったのが、歌詞のタイミングだ。今回の曲は、前のMVのソースに時刻付きの歌詞が入っていた。別の曲ではそうはいかない。

そこで、歌詞のテキストと音源だけを Gemini に渡し、各行の歌い出しの時刻を返させてみた。正解の時刻と比べた結果がこれだ。

1回あたりの費用は約0.03ドル。正解の時刻自体も前のMVの字幕から取ったものなので多少の誤差はあるが、0.5秒のずれは、単語に合わせて文字を叩きつける用途には粗すぎる。

ちなみに Claude は音声を入力として受け取れないので、この工程は Claude にはできない。キットでは、Gemini で下書きを作ったあと、曲を流しながら各行の頭で Enter を押して直すモードを用意した。時刻付きの歌詞ファイル（LRC）が手に入るなら、それが一番確実だ。

もう一つ気づいたのは、権利の問題だった。流行りの曲で作ろうとしても、歌詞を画面いっぱいに出すこの作り方は、歌詞をそのまま使うことになる。市販の曲では個人の練習にとどめるか、権利のはっきりした曲を自分で用意するしかない。

6. 動画生成は必要だったのか

最初の疑問に戻る。

始める前は、あの見た目を出すには動画生成が不可欠で、コードは仕上げの一部だと思っていた。

実際には、この絵柄なら、全コマをコードで描くだけでもかなりのところまで届いた。API 費用は0円。かかったのは、キャラクターの形を詰める作業と、コマを見て直す繰り返しだった。

一方で、動画生成が効くところもはっきりした。歌に合った口の動き、全身の振り付け、写実的な質感。原作が Seedance に任せていたのは、まさにコードが苦手な部分だった。

自分がもう一度作るなら、まず全編をコードで作り、足りないショットだけを生成で補う。お金をかける場所を、最初に決めずに済むからだ。

7. 補足：使った曲について

曲の出どころは、公開前に調べた。元の曲と歌詞は osmarks さんの「P(doom)」で、Udio で生成されたもの（冒頭部分は Udio の別ユーザー MusicPerson さんの生成）。osmarks さんの YouTube 版はクリエイティブ・コモンズ 表示（CC BY）で公開されている。今回の動画で使った音源は、それを元に @slimer48484 さんが Suno で作った「Claude-Pop」版で、こちらには利用条件の記載が見当たらなかった。

そのため動画は限定公開・収益化なしとし、説明欄にクレジットを載せている。権利者の方から取り下げの依頼があれば、すぐに対応する。

• 音源：「Claude-Pop - I'm Upping My P(Doom)」（Suno 版）@slimer48484 https://x.com/slimer48484/status/2097752569212756134

• 元の曲と歌詞：「P(doom)」osmarks（CC BY）https://www.youtube.com/watch?v=uEB5E67vcPA

• 着想元：@donaldjewkes さん、@other__reality さん / JohnHeibel/PDoomVideo

#OPUS #Claude #ClaudeCode #生成AI #AIエージェント #AIとできたこと #Anthropic #AI活用 #ミュージックビデオ