手元のPCで「CM動画」制作！仕上げ「約720円」の衝撃…“コスパ最強”AI活用術(3/4)

「仕上げだけ課金」が正解なワケ

　ローカルのPCで試行錯誤を重ね、採用カットを 1 本ずつ公式クラウドに送り、2Kで作り直す。

　これは単なる画像の引き伸ばしではない。下書きの映像と元の指示文をクラウドのH3に戻し、構図と演技を保ったまま細部を作り直す。ここは有料になるが、2K仕上げの単価は1秒あたり0.05ドルだ。今回は18カット93秒で約4.65ドル（155円/ドル換算で約720円）だった。

　他社で同じ38本を作ると、Seedance 2.5の720pで約44ドル、Veo 3.1の標準版で約80～90ドルかかる。H3は公式クラウドだけで作っても約16～25ドルで元から安い。今回は2K仕上げ以外は電気代200円で済んだ。


　H3は25ドルくらいだったら、全部クラウドで作っても良かったように思える。ただ、試作の回数が何回で終わるかはやってみないと分からない。使えるか不明のカットを有料で作るのは精神衛生上少し良くない。ローカルなら遠慮なく何度も作り直せる。この効果は動画が長くなるほどに大きくなるだろう。

使って発見した「弱点」機能も…

　H3は音声も生成するのが利点だが、実際にナレーションの日本語を発音させるとアクセントがおかしくてCMには使えないレベルだった。

　そこで品質が高くコスパも良いElevenLabsの音声合成モデルを使うことにした。しかし、これも素のままではアクセントがおかしい。日本語の高低アクセントを指定する仕組みもない。ひらがな表記を工夫して何度も作り直したが、満足できるテイクは出なかった。

　結局、筆者が自分でナレーションやセリフの原稿を読み、ElevenLabsの声色変換で声だけを差し替えた。とはいえ30秒分を一息で読むのは素人には無理だった。1行ずつ録音してつなぐブラウザ製の録音ツールをClaude Codeに作らせ、30秒CM2本の台詞23行を約1時間でとった。

　ElevenLabsには複数の音声モデルがあるので、映像シーンやキャラクターに応じて、どの音声モデルを使うか指定して、変換した。

　この方式でも、完全に満足のいく仕上がりでは無く、締め切りがあったのでギリギリ我慢できるレベルで妥協した。世間にはずっと流暢な日本語を話すAI動画があるので、ここはまだ研究が必要だと感じている。 【次ページ】無料ライセンスに潜む「落とし穴」