AI のショート動画はどう作られる？ 3 本作って見えた費用と工夫

10 秒のリール 1 本に、3 分 49 秒と 263 クレジット(約 289 円)。そのうち映像を作った AI の分は 177 クレジットで、残りの 81 クレジットは、映像に字幕と BGM を重ねて 1 本に仕上げた AI の分でした。

SNS で見かける AI のショート動画は、1 つの AI が丸ごと作っているわけではありません。映像・音・文字を別々の AI とツールが受け持ち、最後に 1 本へまとめています。編集部で実際に 3 本作った記録から、その分担と費用、AI が気を配ったところ、人が見なければいけないところを読み解きます。

お店と個人の SNS に出す 3 本を頼んだ

頼んだのは、カフェのインスタのリール、ハンドメイドのイヤリングの TikTok、朝のストレッチを紹介する YouTube ショートです。どれも縦長(9:16)で、文字と BGM が入り、ストレッチの 1 本にはナレーションも入ります。依頼の文は、お店の人が自分で書くくらいの短さにしました。

駅前で小さなカフェをやっています。秋の新作「栗のモンブランラテ」を、インスタのリールで紹介したいです。
縦長(9:16)で 10 秒ほどの動画を作ってください。
・湯気の立つラテのアップから始まり、上にのった栗のクリームが映る
・最後に「栗のモンブランラテ 10/31 まで」の文字
・やさしいアコースティックの BGM
できた動画は /files/cafe-reel/ に保存し、最後にどの AI に何を頼んだかを短く教えてください。

ハンドメイドのイヤリングを minne で売っています。新作の「月のしずく」イヤリング(金色の三日月に小さなパール)を紹介する、TikTok 用の縦長の動画を作ってください。
・8 秒くらい。イヤリングがゆっくり回って、光が当たってきらっとする
・字幕で「新作 月のしずく」「ひとつずつ手作り」
・明るくておしゃれな BGM
できた動画は /files/earring/ に保存し、最後にどの AI に何を頼んだかを短く教えてください。

YouTube ショートに、朝の 5 分でできる「ゆるストレッチ」を紹介する縦長の動画を作りたいです。
・15 秒くらい。やわらかい朝の光が入る部屋で、ゆっくり体を伸ばす人(後ろ姿でかまいません)
・女性の落ち着いたナレーションで「朝の 5 分、首と肩をゆっくりほぐしましょう」
・ナレーションに合わせた字幕と、静かなピアノの BGM
できた動画は /files/stretch/ に保存し、最後にどの AI に何を頼んだかを短く教えてください。

1 本の動画を、4 つの役で分担していた

依頼を受けた取りまとめ役の AI(Claude Opus 5.5)は、自分では映像を描きません。依頼を映像・音・文字に分け、映像は映像の AI に、BGM は音楽の AI に、同時に頼みました。届いた素材は、ワークスペース(AI が作業するサーバーの中の場所)で動く ffmpeg(動画を編集するソフト)で字幕と重ね、1 本の MP4 に書き出しています。

映像の AI への指示は、どれも英語で書かれていました。文字を入れるカフェとイヤリングの 2 本は、指示の終わりに「No text(文字は入れない)」と書いてあります。カフェの指示には、最後の 3 秒は画面の下の 3 分の 1 をぼけた空きにする、とも書いてありました。字幕を置く場所を、映像を作る前から空けていたことになります。

15 秒の 1 本だけは、映像を Kling 3.0 で作っていました。この日の YOBITSUGI AI では、Gemini Omni Flash で作れる映像は 1 回 10 秒までです。

取りまとめ役の仕事は、工事の現場監督に似ています。自分でれんがを積むのではなく、職人を選び、順番を決め、最後に仕上がりを見る。この記録で費用と時間の差が出たのも、この段取りの部分でした。

費用の 6〜7 割は映像、約 3 割は取りまとめ役

いちばん大きいのは映像の AI で、1 本 141〜218 クレジットでした。意外だったのは取りまとめ役の分です。カフェ 81・イヤリング 84・ストレッチ 86 と、動画の長さが 8 秒から 15 秒まで違っても、ほとんど変わりませんでした。依頼を読む、指示を書く、素材を確かめる、書き出しを 2 回指示する。1 本ごとの作業の量が似ているからだと、編集部では見ています。

BGM と声は、合わせても 1 本の 2〜3% です。音楽と読み上げは、映像に比べてずっと安く作れます。

仕事で何本も作るなら、費用を左右するのは映像の長さと画質、それに作り直しの回数です。取りまとめ役の分は 1 本 80 クレジット前後と見ておくと、見積もりを立てやすくなります。

時間の 4〜6 割は、仕上げの書き出し

映像と音は同時に頼むので、待つ時間は遅いほうで決まります。Gemini Omni Flash の 2 本は約 40 秒で素材がそろい、Kling で 15 秒の映像を作った 1 本は、映像・声・BGM がそろうまで 3 分 37 秒かかりました。

一方、字幕と音を重ねて 1080×1920 の MP4 に書き出す作業は、1 回 52 秒〜1 分 54 秒です。3 本とも 2 回ずつ書き出したので、仕上げが全体の 4〜6 割を占めました。2 回目は、1 回目の出来を AI が自分で見て直した分です。

工夫 1: 字幕は映像と分けて、あとから重ねる

カフェの会話で、取りまとめ役は最初にこう書いていました。

文字は AI に描かせると崩れやすいので、あとから日本語フォントで重ねます。

ただ、画像の AI については、編集部の看板の字の比べで、5 つのうち 4 つが 1 回目で指定どおりの字を描いています。動画の AI に字幕まで描かせたらどうなったかは、今回は試していません。

それでも、字幕を映像と分けておいた効き目は、この記録の中ではっきり出ました。あとで字幕の位置を直したとき、映像を作り直さずに済み、費用は 21 クレジットで収まっています(後の「つまずき」の節)。映像に字を焼き込んでいたら、直すたびに映像の AI の分(1 本 141〜218 クレジット)がかかるところでした。

工夫 2: SNS の表示に重なる所をよけて、字幕を置く

リールや TikTok では、画面の下の方に説明文やアカウント名が、右側にボタンが重なります。カフェの 1 本では、取りまとめ役が 1 回目の書き出しのあとに場面を並べた画像を自分で見て、字幕を上へ動かしてから書き出し直しました。ストレッチの字幕も、画面の下の YouTube のボタンにかからない高さに置いた、と説明しています。

ただ、よけたいものは SNS の表示だけではありません。イヤリングでは、字幕を上げるとパールにかかり、下げると TikTok の表示に近づきます。字幕の場所は、映像の中身と SNS の画面の両方を見て決めることになります。

工夫 3: 声が入る間だけ、BGM を小さくする

ストレッチの 1 本では、ナレーションが 1 秒目から入り、字幕もそれに合わせて「朝の5分、」「首と肩を、ゆっくりほぐしましょう」の 2 回に分けて出ます。ピアノの BGM は、ナレーションの間だけ自動で少し小さくなり、全体の音量は YouTube 向けにそろえてありました。

渡すときには、こんな一言も添えていました。

ナレーションは約 3.6 秒と短いので、8 秒目以降は映像とピアノだけになります。

足りないところを自分から伝え、後半に言葉を足す案まで出しています。自分の動画を見返す作り手の目に近い、と感じた場面でした。

つまずき: 「新作」の文字が、パールにかかっていた

イヤリングの 1 回目の動画では、「新作」の小さな文字がパールの下の端にかかっていました。取りまとめ役も場面を並べて確かめていましたが、この重なりは直されないまま届いています。

同じ会話で直しを頼むと、2 分 15 秒で直った動画が届きました。字幕を 170 ピクセルほど下げて書き出し直しただけで、費用は 21 クレジットです。

AI が自分で見直しても、見落としは残ります。最後は人が、実際に投稿する画面で確かめる。その 1 回の確認で見つかる直しは、安く済みます。

気をつけたいこと: AI が答えた費用に、自分の分が入っていなかった

ストレッチの 1 本で、取りまとめ役は最後に「合計は約 226 クレジットです」と書きました。会話の明細では 313 クレジットです。差の 87 は、取りまとめ役自身の分(85.5)とワークスペースの分(0.9)でした。直しのあとも「新しい費用はかかっていません」と書いていますが、明細には 21 クレジットが残っています。

取りまとめ役は、自分が呼んだほかの AI の費用を足して答えていました。自分自身の分は、その計算に入っていません。費用は、AI の答えではなく、会話の明細で確かめるのが確実です。

人が決めることは、3 つ残った

AI に任せたのは、作る・まとめる・見直すところまででした。投稿の前に人が決めることは、次の 3 つです。

• 実物と違って見えないか: イヤリングの映像は、商品の写真からではなく、文だけで作ったものです。取りまとめ役も、三日月の形やパールの大きさが実物と違うときは、説明文に「イメージ映像です」と書くよう勧めていました。実物に近づけたいときは、商品の写真を最初の場面にして動かす作り方もあります。
• 実際の画面で、重ならないか: 字幕と SNS の表示の重なり方は、アプリや端末で変わります。投稿の下書きの画面で確かめます。
• AI で作ったことを表示するか: YouTube は本物のように見える AI の動画に開示を求め、TikTok も本物らしい AI の画像・音声・動画にラベルを求めています。Meta(Instagram・Facebook)も、写真のようにリアルな動画や本物らしい音声には、AI のラベルを求めることがあります。今回の 3 本はどれも実写のような映像なので、投稿するなら表示を付けます。

263 クレジットで払っていたもの

最初の数字に戻ります。10 秒のリールの 263 クレジットのうち、映像に払ったのが 177、取りまとめ役に払ったのが 81 でした。81 は、映像の AI を選び、文字を入れない指示を書き、字幕の場所を考え、場面を見直すといった段取りの代金です。人がやれば手間のかかる部分が、ここに入っています。

この作り方が向く場面と、向かない場面を分けると、次のようになります。

最初の 1 本は 10 秒ほどで頼み、届いたら明細で内訳を見てみてください。何に払ったかが分かれば、2 本目の長さと設定は自分で決められます。