ASMR 動画は AI で作れる？ 切る・たたく音と映像のずれを測ってプロンプトごと公開

ASMR の動画は、音まで動画生成 AI に作らせて使えるのでしょうか。今回の答えは「4 秒の手元の動画なら音つきで作れた。ただし音が 0.1 秒ほど遅れる本があり、切る場面は形が崩れやすい」です。石けんを切る・机を指でたたく・雨が窓に当たるなど 6 場面を、音つきで作れる 4 つのモデルで 4 秒ずつ作り、包丁や指が当たったコマと音の山のずれを測りました。音の山の数が当たりとそろった 4 本のうち、Grok Imagine Video 1.5 の机はずれがコマ 1 つ分(約 42 ミリ秒)より小さく、ほかの 3 本は音が 65〜137 ミリ秒遅れていました。あとから効果音を置く方法も試しましたが、効果音も頼んだ回数どおりとは限りませんでした。

結果の早見

• 映像: 12 本のうち 5 本が 4 項目をすべて守りました。崩れが多かったのは包丁で切る場面で、切ったのに石けんが小さくならない、などが出ました。頼んだ回数を守ったのは、当たりのある 8 本のうち 3 本です。
• 音: 12 本とも音が入り、文字起こしで言葉は出ませんでした。大きさは −63.2〜−21.1 LUFS で、本によって 40 LU ほど違いました。
• ずれ: 音の山が当たりと同じ数だった 4 本では、Grok の机はコマ 1 つ分より小さく(測れる範囲で 0)、Grok のりんご・Gemini Omni Flash のりんご・Kling 3.0 の机は音が 65〜137 ミリ秒遅れました。どの値にも ±42 ミリ秒ほどの読みの幅があります。切る音や紙の音は山が多く、どれが当たりの音かは決められませんでした。
• あとから付けた効果音: 音つきで作った動画の音を消し、ElevenLabs の効果音を当たりのコマに置いた 6 本も載せています。
• 料金: 1 本(4 秒)は 70.2〜98.3 クレジット、効果音は 0.4〜1.4 クレジットでした。場面ごとにモデルが違うので、順位は付けません。

作り方と見方

使ったモデル

• 動画はどれも 1280×720・1 秒 24 コマです。Veo 3.1 は道具の既定で、速い版(Fast)が使われました。4 つとも、1 本目に音が入っているのを確かめてから残りを作りました。
• Runway Gen-4.5 は第1回の 3 本に音が無かったため、Seedance 2.5 は料金が予算に合わないため、使っていません。

場面とモデルの組

• 1 つの場面を 2 つのモデルで作りました。どの 2 つの組も 1 回ずつになるよう、結果を見る前に割り当てています。
• 文は英語で、同じ場面の 2 つのモデルに一字一句同じ文を渡しました。長さは Veo 3.1 が選べるいちばん短い 4 秒にそろえました。

音の付け方 2 つ

• (A) 音つきで作る: 映像と音を一緒に作らせます。文の中に「Sound: …」と音の説明を書きました。
• (B) あとから効果音を付ける: (A) で作った 12 本の動画から音を消し、その映像に ElevenLabs の効果音を ffmpeg(動画や音を加工するコマンド)で重ねます。映像を同じにして、音の付け方だけを比べるためです。重ね方は、場面全体の音を 0 秒から重ねる方法と、1 回分の音の山を当たりのコマに置く方法の 2 つで、動画で載せたのは後者の 6 本です。

見たこと(先に決めた項目)

映像は 1/24 秒ずつのコマで 4 項目を数えました(条件が 2 つ以上なら、全部を満たして ○)。

1. 動き: 指示した動作が出た
2. 回数: 頼んだ回数どおり(はちみつは途切れない、雨は当たり続ける)
3. 物の崩れなし: 切った物が戻らない・増えたり消えたりしない・注いだはちみつが減らない
4. 手の崩れなし: 指や手の形が崩れない。顔・字・ロゴが出ない

音は聞いて確かめていません。測ったのは、音の有無・大きさ(ffmpeg の ebur128 と volumedetect)・言葉の有無(文字起こしに通す)と、ずれです。ずれは、映像の当たりのコマ(刃が板に着いた・指先が机に触れた・ページが平らに着いた)を先に読み、あとから ±250 ミリ秒の中でいちばん近い音の山と比べました。数えたのは編集部(Claude Code を使用)です。

• 音の山: 10 ミリ秒の窓・5 ミリ秒おきの音の大きさで、前後 60 ミリ秒でいちばん大きく、最大から 18 dB 以内、前後の谷より 6 dB 以上高い所です。
• 測れる細かさ: 当たりはコマから読むので 1 コマ(約 42 ミリ秒)より細かくは決まらず、読み直すと 1 コマ前後することもありました。ずれには ±42 ミリ秒(ページと Veo 3.1 の石けんは ±83 ミリ秒)の幅があるとし、それより小さい値は「コマ 1 つ分より小さい(測れる範囲で 0)」と書きます。

場面ごとの結果

1. 石けんを切る

• Kling 3.0(1 / 4): 刃を横に引いて切り、切り離せたのは 1 回でした。切ったあとも残りの石けんが小さくならず、丸い形から角ばった形に変わりました。刃には字とマークの刻印が描かれました(元の画質で拡大しても、読める名前ではありません)。
• Veo 3.1(3 / 4): 0.71 秒に刃が板に着き、1.67 秒に一切れが倒れました。2 回目は最後まで板に着きません。
• 音: 2 本とも山が 6〜10 と当たりより多く、ずれ(+67・−25・+122 ミリ秒)は参考の値です。
• 編集部の見立てでは、断面の細かい粒まで写る Veo 3.1 のほうが、寄りの画として整っていました。

Kling 3.0 と Veo 3.1 に渡した文(2 つとも同じ文。設定は 4 秒・16:9・文だけ。Kling 3.0 は sound をオン)

ASMR close-up video, hands only. A block of pale purple soap sits on a white cutting board. One hand holds a small kitchen knife and slowly cuts straight down through the soap three times, one cut at a time, and each thin slice falls over onto the board. Sound: a crisp, dry crunch as the blade goes through the soap, and a light tap when the blade reaches the board, for every cut. No music, no voice. The camera stays still, close-up from a slightly high angle, soft daylight. No face, no text, no logos.

ElevenLabs(効果音)に渡した文(上は場面全体・4 秒、下は 1 回分・1 秒)

ASMR close-up: three slow, crisp, dry knife cuts through a bar of soap on a cutting board, each ending with a light tap of the blade on the board, about one second apart. Quiet room, no music, no voice.

ASMR close-up: one crisp, dry knife cut through a bar of soap, ending with a light tap of the blade on a cutting board. Quiet room, no music, no voice.

2. りんごを切る

• Gemini Omni Flash(3 / 4): 刃が板まで 4 回、1.00〜1.17 秒の間隔で下りました。ただ一切れは 2 枚しか増えず、寄りと引きの画面が約 0.5 秒ごとに入れ替わります。
• Grok Imagine Video 1.5(2 / 4): 1 回引いただけで 3 枚分の切れ目ができ、1.13 秒に 2 枚が一度に倒れました。刃が板まで下りたのは 3.50 秒の 1 回です。
• 音: Gemini Omni Flash は山が 4 つだけで、4 回とも当たりの 65〜90 ミリ秒あと。Grok は山が 1 つだけで、3.50 秒の当たりの 125 ミリ秒後でした(2 枚が倒れた所に山は無し)。
• 編集部の見立てでは、断面の色と一切れの重なりは Grok のほうがはっきり写っていました。

Gemini Omni Flash と Grok Imagine Video 1.5 に渡した文(2 つとも同じ文。設定は 4 秒・16:9・文だけ)

ASMR close-up video, hands only. Half of a red apple lies cut side down on a wooden cutting board. One hand holds the apple and the other hand slices it with a kitchen knife into four thin slices, one slice at a time, about one per second, each cut going all the way down to the board. Sound: a crisp crunch of the apple and a soft knock of the knife on the wooden board for every slice. No music, no voice. The camera stays still, close-up from the side, soft daylight. No face, no text, no logos.

ElevenLabs(効果音)に渡した文(上は場面全体・4 秒、下は 1 回分・1 秒)

ASMR close-up: four crisp knife slices through a fresh apple, each ending with a soft knock of the knife on a wooden cutting board, about one second apart. Quiet room, no music, no voice.

ASMR close-up: one crisp knife slice through a fresh apple, ending with a soft knock of the knife on a wooden cutting board. Quiet room, no music, no voice.

3. はちみつを注ぐ

• 2 本とも 4 / 4 でした。流れは途切れず、器のはちみつは増えていきます。器に触れたのは 1.08 秒(Kling 3.0)と 1.38 秒(Gemini Omni Flash)です。
• 音: Kling 3.0 は −63.2 LUFS で、ほぼ無音でした。Gemini Omni Flash は 0 秒から小さな音(−51.8 LUFS)が続き、器に触れた時刻との差は測れませんでした。効果音は、出始めを器に触れたコマに合わせて重ねました。
• 編集部の見立てでは、はちみつが器で折り重なる様子は、2 本とも寄りで写っていました。

Kling 3.0 と Gemini Omni Flash に渡した文(2 つとも同じ文。設定は 4 秒・16:9・文だけ。Kling 3.0 は sound をオン)

ASMR close-up video, hands only. A hand tilts a small clear glass jar and pours thick golden honey in a thin, steady stream into a small white ceramic bowl on a wooden table. The honey slowly piles up and folds over itself in the bowl, and the bowl fills a little. Sound: a soft, sticky, quiet pouring sound. No music, no voice. The camera stays still, close-up, warm soft light. No face, no text, no logos.

ElevenLabs(効果音)に渡した文(場面全体・4 秒)

ASMR close-up: thick honey pouring in a thin steady stream into a small ceramic bowl, soft, sticky and quiet. No music, no voice.

4. 木の机を指でたたく

• Kling 3.0(4 / 4): 4 回たたきました(0.92・1.33・2.00・2.33 秒)。
• Grok Imagine Video 1.5(3 / 4): たたいたのは 2 回(1.04・3.50 秒)で、そのあいだは指を上げて止めています。
• 音: 2 本とも山の数が当たりと同じでした。Grok は 2 回ともずれがコマ 1 つ分より小さく(測れる範囲で 0)、Kling 3.0 は 4 回とも音が遅く +105〜+137 ミリ秒でした(±42 ミリ秒の幅を見ても 60 ミリ秒以上遅い)。
• 効果音: 「1 回分」の効果音に山が 3 つ(しきい値を変えると 2〜3)あり、たたく前に 2 つずつ余分な山が入りました。
• 編集部の見立てでは、机すれすれから写した Kling 3.0 のほうが、触れる瞬間が見やすい画でした。

Kling 3.0 と Grok Imagine Video 1.5 に渡した文(2 つとも同じ文。設定は 4 秒・16:9・文だけ。Kling 3.0 は sound をオン)

ASMR close-up video, one hand only. A relaxed hand rests on a smooth light wooden desk. The index finger lifts and taps the desk four times slowly, about once per second, with the fingertip. Sound: a soft, clear wooden knock each time the fingertip touches the desk, in a quiet room. No music, no voice. The camera stays still, side view at desk level, soft daylight. No face, no text, no logos.

ElevenLabs(効果音)に渡した文(上は場面全体・4 秒、下は 1 回分・1 秒)

ASMR close-up: a fingertip tapping a smooth wooden desk four times, slowly, about once per second, soft clear wooden knocks in a quiet room. No music, no voice.

ASMR close-up: a single soft, clear knock of a fingertip on a smooth wooden desk in a quiet room. No music, no voice.

5. 窓に雨が当たる

• Veo 3.1(4 / 4): 0.5 秒からしずくが当たり始め、筋になって流れ落ちました。音は −28.6 LUFS で、無音の区間はありません。
• Grok Imagine Video 1.5(3 / 4): しずくはほとんど動かず(となりのコマとの差の中央値 0.46。Veo 3.1 は 2.59)、新しく当たるしずくは見分けられませんでした。音は −49.4 LUFS で、始めの 0.42 秒は −50 dB より小さい音でした。
• 目印が無い場面なので、ずれは測らず、効果音は 0 秒から重ねました。
• 編集部の見立てでは、街の明かりがしずくに映る Veo 3.1 は明るく動きが大きく、Grok は暗く静かな画でした。

Veo 3.1 と Grok Imagine Video 1.5 に渡した文(2 つとも同じ文。設定は 4 秒・16:9・文だけ)

ASMR close-up video. A window glass at night, seen from inside a dark room. Rain hits the outside of the glass: small drops land on it and some of them run down in thin streaks. The city lights outside are blurred into soft orange and blue dots. Sound: steady soft rain tapping on the glass. No thunder, no music, no voice. The camera stays still. No people, no text, no logos.

ElevenLabs(効果音)に渡した文(場面全体・4 秒)

ASMR: steady soft rain tapping on a window glass, heard from inside a quiet room. No thunder, no music, no voice.

6. 紙をめくる

• Veo 3.1(3 / 4): めくったのは 1 枚で、3.67 秒に平らになりました。
• Gemini Omni Flash(4 / 4): 2 枚をめくり、1.71 秒と 3.71 秒に平らに着きました。ページの裏に字のような薄い模様が写ります。
• 音: 2 本とも山が多く(13 と 17)、ずれ(−112・−63・+77 ミリ秒)は参考の値です。
• 編集部の見立てでは、斜めの日差しが入る Veo 3.1 は、ページの影の動きまで写っていました。

Veo 3.1 と Gemini Omni Flash に渡した文(2 つとも同じ文。設定は 4 秒・16:9・文だけ)

ASMR close-up video, hands only. An open hardcover book with blank cream pages lies on a wooden table. One hand slowly turns two pages, one at a time, and each page settles flat onto the left side. Sound: the soft rustle of paper as each page turns, and a gentle flap when it lands. No music, no voice. The camera stays still, close-up from a slightly high angle, soft daylight. No face, no text on the pages, no logos.

ElevenLabs(効果音)に渡した文(上は場面全体・4 秒、下は 1 回分・1.5 秒)

ASMR close-up: two pages of a hardcover book turned slowly one after another, soft paper rustle and a gentle flap as each page lands. Quiet room, no music, no voice.

ASMR close-up: one page of a hardcover book turned slowly, a soft paper rustle ending with a gentle flap as the page lands. Quiet room, no music, no voice.

音と映像のずれ

• 音つきで作った音: 17 回のうち 1 コマ以内が 3 回、1〜3 コマが 12 回、それより外が 2 回でした。境目に近い値は、読みの幅で隣の区分に移ることがあります。山の数が当たりと同じ 4 本では、1 本の中でずれの向きがそろっていました(Kling 3.0 の机と Gemini Omni Flash のりんごは毎回遅く、Grok の机はコマ 1 つ分より小さい)。
• しきい値を変えると(あとから足した確かめ): 最大からの幅(12〜30 dB)・谷との差(3〜10 dB)・窓(5〜40 ミリ秒)を変えると、そろった 4 本の山は 1〜8 個に動きます。山の数がそろったままなら、ずれは Grok の机が −4〜+20、ほかの 3 本が +63〜+147 ミリ秒でした。
• 効果音を 0 秒から重ねた音: 6 回は ±250 ミリ秒に山が無く、3 コマ以内だった 8 回も、効果音の山が多い(机の音は 11〜13)ために近くにあったもので、合わせてはいません。
• 効果音を当たりに置いた音: 読んだ当たりのコマとの差は、17 回とも 3 ミリ秒以内でした(置き方の確かめ)。コマの読みの幅は、この方法でも残ります。

あとから効果音を付けるとき

• 回数どおりとは限りません: 場面全体の効果音の山は、「3 回切る」が 2、「4 枚に切る」が 5、「4 回たたく」が 12、「2 枚めくる」が 14 でした(しきい値を変えると 1〜6・3〜8・11〜13・9〜18)。「1 回分」でも、机の音は山が 2〜3、紙の音は 2〜8 ありました。使う前に、波形で 1 回分の山を確かめてください。
• 大きさは別に合わせます: 作られたままの大きさで重ねたので、動画で載せた 6 本では元の音と 2.4〜19.3 LU 違います。
• 料金は小さく、手間は大きい: 効果音は 1 本 0.4〜1.4 クレジットですが、当たりのコマを読む作業が要ります。

ffmpeg -i video.mp4 -i knock.mp3 -filter_complex "[1:a]aresample=48000,asplit=2[a][b];[a]adelay=457:all=1[a1];[b]adelay=873:all=1[b1];anullsrc=r=48000:cl=stereo,atrim=0:4.04[base];[base][a1][b1]amix=inputs=3:normalize=0:duration=first[out]" -map 0:v -map "[out]" -c:v copy -c:a aac out.mp4

adelay はミリ秒で、当たり(0.917 秒・1.333 秒)から山の秒(0.46 秒)を引いた値です。無音の土台(anullsrc)に重ねると、音の長さが動画とそろいます。

料金と時間

• Kling 3.0 は音つきの 4 秒で 88.5 クレジットでした。第1回で音を付けずに作った 5 秒は 73.7 クレジットです。
• 作る秒は、Kling 3.0 が 154.1〜202.6 秒、ほかの 3 つは 31.8〜46.2 秒でした(1〜3 本を同時に作ったときの秒)。
• 合計は 999.1 クレジットです。やり直しと、断られた物はありません。

ASMR のプロンプトのこつ(今回試した分だけ)

今回の文に入れた指示が、何本で守られたかを数えました。別の書き方と比べた試しではありません。

効いたこと

• 手元だけ・顔なし: 12 本とも顔は写りませんでした。
• 音の説明と「音楽と声なし」: 12 本とも音が入り、言葉は出ませんでした。「静かな音」と書いたはちみつの 2 本は、音がいちばん小さい 2 本でした。
• カメラを止める: 11 本で止まりました(Gemini Omni Flash のりんごを除く)。

効かなかったこと

• 回数: 守ったのは 8 本のうち 3 本でした(4 秒が短かった可能性もありますが、長さを変えた試しはしていません)。
• 「1 秒に 1 回」: その間隔だったのは Gemini Omni Flash のりんご(1.00〜1.17 秒)だけで、Kling 3.0 の机は 0.33〜0.67 秒でした。
• 字やロゴなし: Kling 3.0 の包丁に刻印が描かれ、Gemini Omni Flash の紙に字のような模様が写りました。

気をつけること

• 1 本ずつ・4 秒・720p の結果です。 作り直すと結果が変わることがあります。1 つの場面は 2 つのモデルでしか作っていません。
• 音は聞いて確かめていません。 数値だけです。聞き比べるときは、上の動画を再生してください。
• 当たりのコマは目で読んだ値です。 ずれには ±42 ミリ秒ほどの幅があり、音の山の数はしきい値で変わります。
• Veo 3.1 は、早ければ 2026年10月22日に提供が終わる予定です。 後継は Gemini Omni Flash です。
• 仕事で使う前に、各社の利用の決まりを確かめてください。

まとめ

• 「ASMR 動画は AI で作れる？」への今回の答えは、「4 秒の手元の動画なら音つきで作れた。ただし音が 0.1 秒ほど遅れる本があり、切る場面は形が崩れやすい」です。
• 当たりと音の山の数がそろったのは 4 本で、Grok Imagine Video 1.5 の机はずれがコマ 1 つ分より小さく、Kling 3.0 の机は 4 回とも約 0.1 秒遅れていました。
• 音を当たりにそろえたいときは、効果音を当たりのコマに置く方法があります。効果音の山の数を確かめてから使ってください。

同じ連載の第1回はVFX 映像はつくれる？！ 爆発・魔法・変身を動画生成 AI で作ってプロンプトごと公開です。