「AIだけで、YouTubeショートをどこまで作れるか」を試している個人開発の記録です。今回は原作ファンとして、鳥山明『ドラゴンボール』（集英社）のナメック星編から、ギニュー特戦隊のくだりを紹介する非公式のあらすじ動画（オマージュ）を作りました。人がやったのは、題材の一覧を設定ファイルに書いたことだけです。台本・ナレーション・映像・効果音・公開前のチェック・YouTubeへの投稿まで、すべてプログラムとAIが行っています。
作った動画の概要
ギニュー特戦隊の登場から、悟空の到着、ボディチェンジ騒動、そして次回への引きまでを、棒人間アニメとずんだもんのナレーションで紹介するショート動画です。
| 項目 | 内容 |
|---|---|
| タイトル | 【あらすじ】ドラゴンボール ナメック星編② ギニュー特戦隊 |
| 長さ | 1分06秒 |
| 形式 | 縦型 1080×1920・30fps（YouTube ショート） |
| 場面数 | 12 |
| フレーム数 | 3956 |
| 効果音の数 | 64 |
| 登場人物 | 孫悟空、ベジータ、孫悟飯、クリリン、ギニュー、リクーム、グルド、バータ、ジース、フリーザ |
登場人物が10人いるので、棒人間でもそれぞれ見分けがつくように、台本の段階で「見た目」の指定まで出させています。
仕組み：工程ごとの役割と使った技術
全体はPythonで書いていて、Google CloudのCloud Run Jobsで動かし、Cloud Schedulerで定期実行しています。ローカルでも同じコマンドで動くようにしてあるので、開発中は手元で回して確認できます。
1. 台本づくり（Claude API）
Claude API（claude-opus-5-5）の構造化出力で、場面ごとに次の情報をJSONで出させます。
- ナレーションと字幕、その読み
- 登場人物の見た目
- 動き・カメラ・エフェクト
あとの工程はこのJSONだけを見て動くので、台本が「映像の設計図」を兼ねているのがポイントです。
2. ナレーション（VOICEVOX）
VOICEVOX（ずんだもん）をDockerで動かし、字幕1行ずつ音声合成しています。1行ごとに音の長さがわかるので、それをそのまま字幕の表示時間に使い、字幕と音声を同期させています。
3. 映像（自作の棒人間レンダラー）
Pythonとcairoで作った棒人間レンダラーで描いています。関節角度でポーズを作り、パンチ・気功波・飛行など28種類の動きと、背景・エフェクトを1コマずつ描画し、FFmpegで動画にしています。字幕と見出しはPillowとNoto Sans CJKで描いています。
4. 効果音（NumPy）
効果音は外部素材を使わず、NumPyで波形から合成しています。今回の動画では64個の効果音が入っています。
5. 公開前チェック（Claude）
Claudeにサムネイル画像と台本を渡し、原作との事実関係・権利・YouTubeポリシーの観点で審査させます。問題があれば台本を自動で直して、動画を作り直す流れです。
6. YouTubeへの投稿
チェックを通ったものを、そのままYouTubeに投稿します。
工程別の制作時間
| 工程 | 時間 | Claude呼び出し回数 | 入力トークン | 出力トークン |
|---|---|---|---|---|
| 台本づくり（Claude） | 1分38秒 | 1 | 4112 | 11656 |
| ナレーション音声（VOICEVOX） | 35秒 | 0 | – | – |
| 棒人間アニメの描画・動画化 | 8分29秒 | 0 | – | – |
| 公開前チェックと修正（Claude） | 12分14秒 | 3 | 21308 | 11605 |
| YouTubeへの投稿 | 0秒 | 0 | – | – |
| 合計 | 22分56秒 | – | – | – |
いちばん時間がかかったのは公開前チェックと修正で、全体の半分以上を占めています。次が棒人間の描画・動画化です。台本そのものは2分かからずに出てきます。
費用
| 工程 | Claude費用 |
|---|---|
| 台本づくり | $0.25（約37円） |
| 公開前チェックと修正 | $0.32（約48円） |
| 合計 | $0.57（約85円） |
1ドル=150円で換算しています。台本よりもチェックのほうが費用がかかっているのは、画像と台本をまとめて渡すので入力トークンが多くなるためです。
AIのチェックで見つかった問題と直し方
今回はチェックが2回走り、どちらも判定は「OK」（公開してよい）でしたが、warnレベルの指摘がいくつか出ました。
1回目の指摘
- タグとクレジット：タグに「ずんだもん」があるのに、台本・概要欄に音声の使用が書かれていない。使っているならクレジットを書くように、という指摘。
- 時系列：最後の場面で「ジースもベジータが倒し」と書いていたのが、ギニューがカエルになった後の出来事のように読める。原作ではボディチェンジ騒動の最中の出来事なので、時系列がわかる表現にすべき、という指摘。
- 表記ゆれ：タイトルは「【60秒でわかる】」、サムネイルは「【あらすじ】」と表記がそろっていない。
公開した動画では、最後の場面が「騒動中にベジータがジースを撃破」という表現になり、タイトルも「【あらすじ】」にそろっています。固有名詞の取り違えのような大きな誤りではありませんが、「出来事の順番」という、読み流すと気づきにくいズレをAIが拾ってくれたのは収穫でした。
2回目の指摘
- 「フリーザがさらに変身！？」だと、すでに変身済みのように聞こえる。この時点ではまだ一度も変身していないので「ついに変身！？」などが正確。「あの男が大逆襲」が誰を指すかも曖昧。
- 「ベジータが一撃で撃破」は大筋では合っているが、実際はクリリン・悟飯がグルドの時間停止に翻弄された後にベジータがとどめを刺す流れなので、「あっさり撃破」程度が忠実。
この2点は判定に影響しないwarnだったため、公開版のナレーションには残っています。いまの仕組みは「NGなら直して作り直す」「OKなら公開する」という分岐なので、OK判定のwarnをどこまで反映させるかが次の課題です。
やってみてわかったこと・今後
- チェック工程が時間の主役：制作時間22分56秒のうち12分14秒がチェックと修正。品質を上げようとすると、ここがさらに伸びます。
- 事実確認は「固有名詞」より「順番」が難しい：誰が誰を倒したかは合っていても、いつ起きたかがずれると原作ファンには違和感になります。台本生成の段階で時系列を意識させるプロンプトを足す予定です。
- メタデータもチェック対象にして正解：タグとクレジットの整合性は、映像を見るだけでは気づきません。権利・ポリシーの観点を入れておく意味がありました。
- warnの扱い：軽微な指摘も自動で反映するか、反映するなら何回までループさせるか、費用と時間とのバランスで調整していきます。
まとめ
題材を設定ファイルに書くだけで、1分06秒・12場面のショート動画が22分56秒、Claude費用約85円で投稿まで完了しました。映像は棒人間ですが、台本からチェックまでを1本のパイプラインにつなげると、「AIだけで作る」ことはもう十分に現実的だと感じています。一方で、AIのチェックで出た細かい指摘をどう扱うかは、まだ人の判断に近い部分が残っています。引き続き、この部分も含めて自動化を詰めていきます。
※動画は原作のファンによる非公式の紹介動画です。登場人物は棒人間で表現しており、原作の絵・音声は使用していません。音声: VOICEVOX:ずんだもん
