AI教材を壊さず自分専用に。コードを書き換えない「鞘」カスタマイズ術

番組の冒頭で、ホストはリスナーにひとつの想像を投げかけます。完全自動運転の高性能スポーツカーを買ったとして、その場面を思い浮かべてほしいという問いです。

ただしディーラーからは、シートの色は変更不可、カーステレオの曲も固定、と告げられます。さらに少しでも改造すれば二度とエンジンがかからなくなる、とまで言われるという設定です。

ホストは、これがAIツールの界隈で今まさに起きている現象だと指摘します。優秀なプロンプトや教材を買っても、自分好みにできずに挫折する人が多いという話です。

今回の題材は、イケハヤ氏がリリースしたAIショート動画作成教材です。テキスト記事を投げるだけで、AIが台本を作り、音声を当て、字幕をつけ、動画を完成させるところまで全自動でこなします。

情報発信者にとっては、記事というテキスト資産をショート動画へボタン一つで変換できる、効率化の切り札だと専門家は評価します。

ところが、いざ毎日量産しようと意気込んだ矢先、テツメモさんは3つの大きな壁にぶつかりました。

1つ目のコストの壁について、専門家はAPIの仕組みを補足します。定額制のChatGPTのようなウェブ利用とは違い、データをやりとりした分だけ従量課金される点が要注意です。

1本50円は一見安く感じますが、字幕のタイミングや画像を直してのリテイクは日常茶飯事です。1日5回やり直せば、コストは月に数千円、数万円へと跳ね上がっていきます。

2つ目はブランディングの壁です。テツメモさんには普段から使う自社のオリジナルキャラクターがいるため、教材のサンプルキャラで発信を続けるのは大きな摩擦になります。

3つ目は環境の壁で、教材の推奨環境にはClaudeなど最上位のAIモデルが必須と書かれていました。テツメモさんは、Sonnetのような安価で軽いモデルで動かしたいと考えていました。

なぜ最上位モデルが要求されるのか。専門家は、台本を書き、キャラを動かし、声を指定するといった複数の複雑な指示を同時に処理するには、膨大な文脈を維持する能力が必要だからだと説明します。安価なモデルだと途中で指示を忘れたり、混乱してエラーを出したりしやすいというのです。

普通ならここで、元のプロンプトやコードを書き換えて、自分のキャラと安いAIでも動くように改造したくなります。しかし専門家は、それをやると大抵コードがぐちゃぐちゃになって二度と動かなくなると釘を刺します。

そこでテツメモさんが編み出したのが「鞘」というアプローチです。購入したオリジナルのAIシステムを刀に見立て、その刀自体は研いだり分解したりしません。

代わりに、声はこれ、キャラはこれ、出力先はここ、といったルールを書き込んだ鞘を外側に作り、そこへ刀を収めます。システムの中枢には触れず、外側から前提条件を上書きする発想です。

この方法には複数のメリットがあると専門家は整理します。中でも大きいのが、AIの認知負荷を下げられる点です。

• 教材がアップデートされても自分の設定が消えない
• コードを直接書き換えないので著作権の問題もクリアできる
• AIの認知負荷を劇的に下げられる

認知負荷とは何か。AIに毎回「どういう動画にするか考えてね」と自由度を与えると、計算リソースを大量に消費します。

鞘によって声もキャラも演出も固定し、「台本を作る作業だけに集中してね」と枠組みを狭めてあげます。選択肢を減らすことで、安価な下位モデルのAIでも迷わずゴールにたどり着けるようになるというわけです。

すべて順調に見えても、システムの自動化には品質管理の壁があると専門家は指摘します。テツメモさんの記事でも、自動化の罠を象徴する事件が紹介されています。「方」という文字の読み違い事件です。

台本には人を指す「こんな方もいます」という言葉がありました。ところがAIの音声合成が、これを方向を指す「ほう」と読み違えて発声してしまったのです。

教材には、出来上がった音声を別のAIで文字起こしし、元の台本と一致するかを自動確認するダブルチェック機能がありました。それでも、なぜかミスはすり抜けます。

間違って発声された音声を文字起こしAIが聞き取ると、前後の文脈から「これは人を指している」と忖度し、テキスト上は正しい漢字の「方」に変換して出力しました。

結果、元の台本も文字起こし結果も同じ漢字の「方」となり、システムは一致と判定します。「合格です」とグリーンランプを出してしまったのです。

AIは文字の形が合っているかは確認できても、その場で発せられた音が人間の耳にどう聞こえるかまでは保証してくれません。専門家は、システムが全てグリーンでも、最後は人間の耳で確認する工程は欠かせないと締めくくります。

ここからは有料購読者限定エリアの内容へと入り、実際に自分のパソコンで構築するときのつまずきどころを見ていきます。ツールを手に入れると、多くの人はまず自分のキャラ画像をアップし、声を設定して生成ボタンを押したくなります。

しかしテツメモさんは、絶対に守るべき「手順ゼロ」を警告します。まず何もいじらず、教材のデフォルト設定のまま1本動画を作ることです。

これは変数の切り分けです。最初から自分のキャラや声を全部設定して動かし、エラーが出た場合、教材が壊れているのか、自分のアップした画像が悪いのか、原因が全くわからなくなってしまいます。

ベースが確実に動くと確認してから、自分の世界観を鞘に組み込んでいきます。その世界観の指示出しにもコツがあります。

初心者は「かっこいい動画にして」「エモい感じで」といった抽象的な指示を出しがちです。しかしAIは人間の「エモい」という感覚を共有していません。

成功の秘訣は、使わないものを明記することです。「原色は使わない」「明るいポップなBGMは使わない」とNGリストを渡し、彫刻のように不要な部分を削り落とすアプローチで出力を安定させます。

オリジナルキャラクターの作成にも極意があります。スマホの縦動画では画面隅の小窓が小さく、等身大のキャラだと顔が豆粒になって表情が見えません。そこで最適なのが2.5頭身だといいます。

その2.5頭身のキャラをChatGPTなどで画像生成するときには、絶対ルールがあります。笑顔、真顔、口を開けている顔など、必要な5枚の画像を1回のプロンプトでまとめて生成することです。

なぜまとめて生成するのか。1枚ずつ指示すると、AIが毎回新しい画像をゼロから描いてしまうからです。

1枚ずつ作ると線の太さや塗りの濃さが微妙に変わり、動画で口を動かした瞬間に別人へ入れ替わるような、不気味なパラパラ漫画になってしまいます。だから1回の指示でキャラクターシートのように一気に吐き出させる必要があります。

こうした難しいプロンプト作りのために、テツメモさんは読者向けに、AIに鞘を作らせるためのプロンプトと、キャラを一気に生成するためのプロンプトを配布しています。読者は空白を埋め、AIの質問に答えるだけで自分専用の鞘が完成します。

ただ、高度な活用をするテツメモさんでも背筋が凍る失敗を経験しています。それが「黒み消失事件」です。

キャラを動画に合成するには背景を透明にする透過処理が必要です。テツメモさんはAIに、キャラの周りの白い塊、つまり背景を透明にする処理を書かせました。

すると、キャラの白目の部分まで透明にされてしまい、顔にぽっかり黒い穴が2つ開いた心霊画像が出来上がってしまったのです。

専門家は、これをAIの視覚の限界だと解説します。人間は画像を見て「これは目」「これは背景」と意味を理解しますが、コードを処理するAIが見ているのはただのピクセルの数値、カラーコードです。

解決策は、顔の範囲の中にあるピクセルが透明にされたらエラーを出して止まる、という自己検査の仕組みを組み込むことでした。失敗からシステムを強靭化していくプロセスです。

最後は、最も気になる音声代0円化のカラクリです。当初1本50円かかっていたAPIコストを、どうやって0にしたのか。答えはVOICEVOXという無料の音声合成ソフトの活用でした。

VOICEVOXはクラウドのAPIではなく、自分のパソコンのローカル環境で処理するため、何文字読ませても外部へのデータ通信料金が発生しません。ただし、ここにも最大の罠が潜んでいました。

AIに「VOICEVOXを使ってね」と指示しても、動画生成の前に自分の手でアプリを立ち上げておかないと、AIが通信できずに必ずエラーになります。失敗の9割がこれだといいます。

セキュリティ上、AIにローカル環境の別アプリを勝手に起動する権限はありません。そこでテツメモさんは、鞘の設定ファイルに「作業を始める前にVOICEVOXが起動しているか確認する」という一行を足しました。

忘れないよう気をつけるという精神論ではなく、忘れても気づける仕組みをシステムに組み込む。これぞエンジニア思考だとホストは評します。

もう一つ、ホストが唸ったプロの小技があります。動画を作るとき、音声の尺に合わせて動画の長さを調整するのは最も手間のかかる作業です。

テツメモさんは音声の話すスピードを1.3などに固定し、1文字読み上げるのに何秒かかるかをストップウォッチで一度だけ測りました。結果は1文字あたり0.1773秒でした。

この数字さえわかれば、台本の文字数を見るだけで完成尺が逆算できます。60秒のショート動画に収めたいなら、台本を338文字以内にすれば必ず収まる、という計算です。

動画を生成する前に尺が決まっているため、長すぎたから削って作り直しという無駄なリテイクの手間が激減します。数字を味方につけ、クリエイティブな作業から不確実性を排除するワークフローです。

まとめ

購入した優秀なAIツールや教材は、中身を直接書き換えるのではなく、自分のルールをまとめた鞘を外側から被せる。そうすれば本体を壊さず、安全に自分専用の道具へ進化させられる、というのが今回の中心的な考え方でした。

• 購入したAI教材は書き換えず、外側に「鞘」を作って前提条件を上書きする
• 鞘で声・キャラ・演出を固定すると認知負荷が下がり、安価なAIモデルでも動く
• 自動チェックが全て合格でも、音声は最後に人間の耳で確認する工程が欠かせない
• VOICEVOXのローカル利用で音声代を0円化。ただし事前起動の確認を鞘に組み込む
• 1文字あたりの秒数を測れば、台本の文字数だけで動画の完成尺を逆算できる