Gemini TTS×Opus 5.5でショート動画を撮影ゼロで量産する方法

どうも、Fujinです。

このnoteでは、海外のAIトレンドや最新情報など、次世代のテクノロジーをテーマにお届けしています。

Opus 5.5 × GPT Image 2.5 × Gemini 3.8 Flash TTS。この3つを組み合わせたら、撮影ゼロ・素材ゼロからショート動画を作る仕組みができてしまいました。

• ショート動画をやりたいけど、毎回撮影するのがしんどい

• 長尺の切り抜きだと、ショートとしてはテンポが悪い

• AIで動画を作ると、どれも同じような仕上がりになる

こういう悩みを持っている方は多いんじゃないでしょうか。僕もまさにそうでした。

今日は、Gemini 3.8 Flash TTSのボイスクローンを使って、ショート動画をAIに丸ごと作らせる仕組みについて書いていきます。

大阪のオフ会で感じたリアルの価値

本題の前に少しだけ近況を。この週末は2日間、大阪に行っていました。

土曜日は、いま協業でやっているサービスのオフ会でした。Zoomやオンラインでしかお会いしたことがなかったたくさんの方と、直接お話しできたのは本当によかったです。動画編集業界の方も僕の発信を見てくださっているようで、ありがたい限りです。

僕だけではリーチできない領域というのは確実にあります。そこは協力しながら、僕ができることは全力でやっていく。この姿勢はこれからも続けていきたいと思いました。

直近1週間は東京、名古屋、金沢、大阪と怒涛のスケジュールでしたが、不思議と疲れていないんですよね。いろんな方と話してエネルギーをもらえたのが大きいです。

AI時代だからこそ、リアルで会うことの価値はむしろ上がっている。今年に入ってオフ会やリアルイベントに積極的に出るようにしていますが、この動き方は間違っていないと確信しました。

Opus 5.5のデザインセンスがすごい

さて、ここから本題です。金曜日までにかなりいろいろ検証していたので、その話をしていきます。

まず最近Xで伸びたのが、海外で話題になっていたOpus 5.5でモーショングラフィックスをデザインさせるプロンプトです。めちゃくちゃ短いプロンプトなんですが、実際にやってみると「え、これが出てくるの？」というレベルのものが出来上がります。

実際に試してみた方も多いんじゃないでしょうか。シンプルなプロンプトでこれだけのものが出てくるということは、Opus 5.5の潜在能力がそれだけ高いということです。

かっこいいものを作る能力はすでにあります。あとは細かいところをどう言語化して伝えるか、それだけなんですよね。デザインセンスのあるAI、しかもコストがめちゃくちゃ安い。これが今回のOpus 5.5のすごさです。

動画編集はOpus 5.5でほぼ修正いらないレベルに

僕自身も映像まわりでかなり検証を進めていますが、僕の発信内容に関しては、動画編集はOpus 5.5で全部担当できます。余裕です。しかもクオリティがめちゃくちゃ高い。

何度もブラッシュアップを重ねて、ほぼ修正いらないレベルまで持っていけました。なので僕がやることは、撮影して素材を投げるだけ。あとは「編集してね」と言えば、システムが全部動いて仕上げてくれます。

とはいえ、ここに至るまでには何回もやり取りをしています。

効果音のズレはピンポイントで伝えれば直る

一発目で出してくるものは「なんとなくいい感じ」なんですが、細かいところがズレるんですよ。たとえば効果音です。

効果音って、音によって一番大きいインパクトが来る位置が違うんですよね。クリップの頭に来るもの、真ん中に来るもの、最後の方に来るもの。これをちゃんと認識して配置させるのが、最初はうまくいきませんでした。「ここズレてるから直して」と言っても、全然言うことを聞いてくれない。

そこで、ズレている箇所を全部洗い出して「ここと、ここと、ここがズレてるよ」とピンポイントで伝えたんです。そうしたら全部きっちり合わせてくれました。

つまり、修正する能力はちゃんとある。ただ、自分でズレを見つける能力がまだ少し弱いということです。音まわりはまだ得意分野ではないのかもしれません。

Fable 5.5を待つ必要はあるのか

Fable 5.5が来たら、このあたりはもっと良くなると思います。ただ、Opus 5.5の時点でこれだけのものが作れるなら、最初の仕組みさえ作ってしまえばOpusで十分だと考えています。

量産を前提にするなら、FableとOpusでそこまで大きな差は出ないはずです。「若干Fableの方がいいよね」くらいにはなると思いますが、そこまでクオリティを上げる必要が本当にあるのか、という話になってきます。

動画編集はトークン消費量がすごいんですよ。だからこそ、コストを抑えながらどれだけ生成できるかが大事になる。その意味で、Opus 5.5は動画編集にとって本当に適切なモデルだと思っています。

ショート動画は撮り直しより「ゼロから作らせる」

そしてここからが今日の一番の話です。ショート動画もAIに作ってもらったんですが、これがヤバい。実際にちょっと伸びています。

僕のポッドキャストとYouTubeは、同じテーマでもカメラの前でゼロから収録し直しています。しかもどちらも台本はゼロです。テーマだけ決めて、あとはその場で話しています。

これをショートに横展開できれば一番いいんですが、ショートはもっとギュッと凝縮しないといけません。長尺のカット精度を上げていくより、ショートはショートでゼロから作らせた方がいいという結論になりました。

ただ、ショート用に台本を作って、収録して、編集させる仕組みはすでにあるものの、ぶっちゃけ面倒なんですよね。YouTubeとポッドキャストに加えてさらに収録が増えるのは、かなり大変です。

「これ、全部AIでやれないかな」と思っていろいろ検証していたところ、Opus 5.5と組み合わせることで答えが出てきました。

使っているのはOpus 5.5×GPT Image 2.5×Gemini 3.8 Flash TTS

使っているツールは3つです。

• Opus 5.5
  台本作成・動画編集・全体の制御

• GPT Image 2.5
  図解やビジュアルの生成

• Gemini 3.8 Flash TTS
  台本の音声化（ボイスクローン）

この中で新しいのがGemini 3.8 Flash TTSです。最近出てきた音声化のAIなんですが、これがかなり良い。3.8 Flashから、ボイスクローンを作れるようになったんですよね。おそらくそれまではできなかったはずです。

というわけで、僕の声を作ってみました。

Gemini 3.8 Flash TTSでボイスクローンを作る手順

作り方はシンプルです。

ステップ① Google AI Studioを開きます。

ステップ② モデル一覧からGemini 3.8 Flash TTSを選択します。

ステップ③ 新しくボイスを作るモードに入り、表示される英語の文章を自分で読み上げて録音します。

これで録音した声をもとに、ボイスが作られます。

精度は「近いけどちょっと違う」レベル

実際に作れたんですが、完璧に僕の声かというと、そうではありませんでした。近いんだけれど、一部「まあまあっぽいな」くらいのレベルです。英語で収録しているからなのかはわかりません。日本語モードはたぶんないと思います。

正直、ボイスクローンの精度だけで言えば、他のサービスの方が上だと思います。それでもGemini 3.8 Flash TTSがいいのは、表現力が高いと言われている点です。

わざわざ自分のボイスクローンを作らなくても、最初から用意されている声の種類から選ぶのでも十分です。ただ、せっかくなら自分の声を作ってみると面白いと思います。

素材ゼロから動画を組み立てる流れ

裏側でやっていることを整理するとこうなります。

1. Opus 5.5が台本を作る

2. Gemini 3.8 Flash TTSがクローンボイスで読み上げる

3. 音声と台本が揃ったら、Opus 5.5が編集に入る

ポイントは、元になる動画素材が一切ないことです。なので映像も全部ゼロからAIに作ってもらっています。図解はわかりやすくなるように、GPT Image 2.5で画像を生成しています。

ネタ元には、僕のObsidianのフォルダを全部つなげています。蓄積してきたメモや記事をもとに台本が作られるので、中身が薄くならないんですよね。リサーチもできるので、その精度もかなり高いです。

Fujinのアイコンをアニメで動かした

もうひとつこだわったのが、僕のキャラクターです。アイコンに使っているFujinのキャラ、あるじゃないですか。あれをちゃんとキャラクターとして動かしたいと思っていました。

いろいろ検証した結果、アニメ形式に落ち着きました。音声に合わせて目と口が動き、ポーズも何種類か用意してあるので、内容に合わせてポーズが切り替わる仕組みです。

YouTubeの方では、僕の顔の部分にFujinの顔を上から被せています。ただ、ショートでそれをやるのは微妙だなと思っていました。体しか見えていないなら、別に僕じゃなくてもいいじゃないですか。だったら完全にFujinのアイコンを動かしたい。それが今回できてしまいました。

ぶっちゃけ、ここまでいいものができるとは思っていませんでした。ほぼ一発で「全然これでいいじゃん」というものが出てきたんです。多少の修正は入れていますが、驚きました。このショート動画は、今後毎日投稿していく予定です。

コストは1分の音声で数円レベル

これだけのことをやっていて、コストはほとんどかかりません。

Opus 5.5のトークン消費はそこまで大きくないですし、GPT Image 2.5はChatGPTのサブスクの範囲内で生成しています。Gemini 3.8 Flash TTSは、1分くらいの音声で2〜3円程度です。本当にそれくらいのレベルなんですよ。

しかも僕の場合、Google AI StudioのAPIクレジットが20万円分ほど残っていて、来年の2〜3月くらいまで使えます。これはもうガンガン作るしかないですよね。

これまで外注してでもやりたかったこと。僕がリーチできない層に向けたコンテンツ作り。それをAIが勝手にやってくれるわけです。しかもコストはほぼかからない。これは回さない理由がありません。

動画講義もこの仕組みで作れる

この仕組みが使えるということは、動画講義もかなりいい感じのものをバンバン作れるということです。

たとえばAI初心者向けに、Claude Codeの使い方、Codexの使い方、Opus 5.5とは何か。こういった解説動画は全然作れます。

ただ、AIに作らせるだけでは意味がありません。どうすれば僕のコンテンツとして価値のあるものになるか。そこを考え抜いた結果、今回の形式にたどり着きました。

パッと作るだけなら、Opus 5.5に頼めば誰でもできます。そこからさらにレベルを上げて、Instagram、TikTok、YouTubeショートで実際にバズっているコンテンツの形式で作れるところまで持っていけたので、クオリティには納得しています。

できた瞬間は、本当に「マジか、これできちゃうのか」と思いました。僕の中ではかなり革命です。細かいところはまだ詰めたい部分がありますが、これぐらいのものが一発でできるというのは本当にびっくりしました。Opus 5.5が出てきてから、動画コンテンツに関してはほぼ何でもできるようになっています。

次に来るのはAI VTuber

ここから先に起こることとして、僕はOpus 5.5でAI VTuberは絶対にできると思っています。

たとえば、ClaudeのMaxプラン（200ドル）の1アカウントをOpus 5.5固定で回して、AIのVTuberに1日1時間配信してもらう。ショート系のプラットフォームもYouTubeの長尺も、全部同時に配信してもらう。これはやってもいいなと考えています。

しかも何がいいかというと、ゲームをやらせればいいんですよね。僕が作ったゲームを。

裏側でゲームをプレイするのは、Jevに任せて、それを実況するのはOpus 5.5。画面を見て「今こうなってるね」と実況させる。これ、絶対できますよね。

ただ、裏側でずっと動かすにはある程度のPCスペックが必要です。なので僕はいまMac Studio待ちの状態です。これがあれば裏でずっと回し続けられるので、本気でもう1台買ってもいいかなと思っています。

ゲーム開発については、先月くらいから「11月からガッツリやる」と言っていました。今週あと3日ほどでOpenAIのDevDayがあります。年に1回の大イベントなので、ここで何かしら出してくるはず。そうなれば他社も追随して、ゲーム開発もどんどんしやすくなる。そのタイミングが11月くらいだと読んでいたんですが、ほぼ予想通りに進んでいます。いまはゲームをめちゃくちゃ作りまくっています。

ゲームを出すなら、映像コンテンツもしっかりあった方がいい。動画生成AIをガンガン使うのもいいんですが、コストは下がったとはいえそれなりにかかります。使わなくていい部分まで動画生成AIに頼ると、あとから修正できなくなるんですよね。だからこそ、今回のような効率のいい作り方を検証してきました。土台はかなり整ってきています。

After Effectsを使っている理由

補足すると、僕のショート動画の編集にはAfter Effectsを使ってもらっています。

理由はシンプルで、書き出しが速く、あとから修正もしやすいからです。Adobeのソフトを一切使わずにやる方法もあるので、どのアプローチを選ぶかはケースバイケースです。自分の目的に合う方法を選ぶのが一番だと思います。

来月、AI動画編集の教科書を出します

先月くらいから「動画編集ソフトを作っている」と言ってきましたが、ここにきて作るものが決まりました。AI動画編集の教科書、AI動画編集の完全攻略ロードマップのようなものです。

ショート動画ならこのジャンルにはこの方法、YouTubeの長尺ならこの方法、撮影なしでゼロからYouTubeの長尺を作るならこの方法。僕がやっていることをケースバイケースで全部解説してコンテンツ化し、そのシステムもお渡しする予定です。

システムを渡されて使い方だけ教わっても、「これ、どうカスタマイズすればいいの？」ってなるじゃないですか。自分好みにしたいときにどうすればいいのかがわからない。だからこそ、ツールはそのまま使えるのは当然として、「もうちょっとこうしたい」と思ったときにどうアプローチすればいいのかまで全部わかりやすく解説します。

ツールだけじゃなく、ツール×学習コンテンツ。動画の学習コンテンツも含めて来月出す予定です。ツールもめちゃくちゃ作りまくったので、僕用に最適化したものも、皆さんが使いやすいように特化したものも全部入れます。ぶっちゃけ、かなりのボリュームになります。

基本はAIで完結するものを中心にしつつ、ハイレベル版としてAfter Effectsを使った映像制作の方法も用意する予定です。楽しみにしておいてください。

これからの動画編集はAIが前提

これからの動画編集は、AIを使えないとかなりきついです。

今から動画編集をゼロから学び始めるのは、正直コスパが悪すぎます。AIができることは、学ばなくていいんですよ。だってAIができるんだから。まずAIでどうやるかを学んで、そのうえでAIができない部分をどう補うかを学ぶ。これがめちゃくちゃ重要です。

僕はもともと動画編集の人でも映像制作の人でもなく、AIの人です。なので映像制作の人たちとはアプローチがまったく違います。でも、映像もAI動画編集もできた方が、作れるコンテンツの幅は確実に広がります。

僕がこれまでやってきた中で、一番やってよかったのはYouTubeです。Xもポッドキャストもよかったですが、YouTubeはやっぱり強い。ただ、コンテンツを作るのが本当に大変なんですよね。これをAIでできるだけ簡単に作る方法は絶対にあるはず。それを検証してきましたし、今もリアルタイムで検証しています。

今作っているコンテンツは、動画編集をやったことがない方向けです。ゼロから動画編集を学ばなくても、これさえあればAIで全部やれる。外注する必要も、学ぶ必要もない。そういうものにしています。クライアントワークをされている方向けは、また別サービスとしてやっています。

まとめ

• Opus 5.5は動画編集もデザインもこなせる、コスパの高いモデル

• 効果音のズレなどはピンポイントで指摘すれば直してくれる

• Gemini 3.8 Flash TTSはGoogle AI Studioからボイスクローンが作れる

• Opus 5.5×GPT Image 2.5×Gemini 3.8 Flash TTSで撮影ゼロのショート動画が作れる

• Fujinのキャラはアニメ形式で目・口・ポーズを動かしている

• 音声コストは1分あたり数円レベル

• 次はAI VTuber、そして来月はAI動画編集の教科書を出す予定

撮影しなくても、素材がなくても、AIでショート動画は作れる時代になりました。まずはGemini 3.8 Flash TTSで自分の声を作るところから、ぜひ試してみてください。

Fujin AI大学

AIを本気で使いこなして、仕事にも収益にもつなげたい。でも、体系的に学べて仲間と一緒に続けられる場所ってなかなかないですよね。
そこで、僕のAI活用法を全部出す場としてFujin AI大学を2026年10月から始動します。動画講義、ポッドキャスト、特典コンテンツ、コミュニティで学べます。

下記のリンクから先行案内を受け取れますので、気になる方はどうぞ👇

ということで、今回はこの辺で終わりにしたいと思います。

また次回の放送でお会いしましょう。じゃあね！