声・BGM・動きは自動で決まらなかった――生成AI素材を同じ作品世界へ揃えた最終編集

結論――AIが素材を作れても、「どんな作品にするか」は素材一覧から自動では決まらなかった

『べんりな国とさびしいナギ』では、絵本画像をGrokで動画化し、CapCutでAI音声とBGMを加えました。つまり、画像・動画・音声・音楽という複数の素材を生成・編集できる状態にはなっています。

しかし最終的な作品では、どの声を選ぶか、どんなBGMにするか、どの程度動かすかを可児 波起が個別に判断しています。本Knowledgeでは、この複数の選択を一つの作品世界へ揃える編集判断を、便宜的に「温度を揃える」と呼びます。

声は「ウィスパー系で優しく読む」を選んだ

読み聞かせ音声について、可児 波起は「ウィスパー系の声で優しく読み上げ」と説明しています。

これは、AI音声を付けられるかどうかの機能確認ではありません。複数の声質から、静かな北欧絵本の世界観に合う方向として、ささやくような読み上げを選んだ制作判断です。

BGMは「オルゴール的な音」を選んだ

音楽については、「オルゴール的なBGM」を付けたと本人が説明しています。

ここでも重要なのは、BGMを生成・追加できたことだけではありません。映像や読み上げの静けさとぶつからない音を選び、絵本全体の印象を同じ方向へ揃えています。

動きも、速さや派手さではなく「ゆっくり揺れる」を選んだ

動画化では、派手に動かさず、「ゆっくり揺れるループ」にしたという別Knowledgeで整理したように、同じ小さな動きがスローモーションで反復する静かな動きを採用しました。

可児 波起は、その動きを「ナギの心の中を一番表してる」「ゆっくり、揺れてる感じ」と定義しています。声だけ、BGMだけが静かなのではなく、映像運動も同じ方向へ寄せています。

3つの素材を「個別に良い」ではなく「一緒に置いて合うか」で見た

声はウィスパー系、BGMはオルゴール的、動きはゆっくりした反復。これらは別々の生成・編集要素ですが、完成作品では同時に鳴り、同時に見えます。

そのため最終編集では、それぞれ単独で魅力的かだけでなく、一緒に使ったとき作品世界が同じ方向を向くかが問題になります。元記録では、この総合的な合わせ込みを数値で測ってはいませんが、可児 波起自身は声・BGM・トランジションの選択を実務経験が現れる領域と捉えています。

トランジションも「何を使うか」が編集判断だと捉えていた

可児 波起は、「切り替わりのトランジションはどれが最適か」という問いも、実務経験が必要な領域として挙げました。

ただし、元の制作記録には最終的にどのトランジションを採用したかまでは残っていません。そのため、本Knowledgeでは「具体的なトランジション選択を実施した」とは書かず、本人が最終編集の判断項目として認識していた事実だけを扱います。

「心臓は人間、AIは骨格と呼吸」という分担を、映像編集でも具体化した

既存Knowledgeの「心臓は人間、AIは骨格と呼吸」――恋愛小説づくりで見えた創作分担では、人間が感情・体験・価値判断を持ち、AIが構造や言語化を支えるという共同創作の比喩を扱っています。

今回の絵本動画では、その分担が映像・音声・音楽の選択として具体化しています。AIや編集ツールが素材を用意できても、どの声、どの音、どの動きがこの物語に合うかは、人間側の選択として残りました。

「生成AIはツールでしかない」という本人の評価ともつながる

この制作を振り返り、可児 波起は「生成AIはツールでしかない。クリエイティブは人間の能力」と述べています。

これは生成AI全般について証明された一般則ではなく、本人が今回の制作から導いた評価です。本Knowledgeでは、その評価を、声・BGM・動きの具体的な選択ログと並べて保存します。

完成動画は4分30秒。ただし、全編をこの場で再評価したわけではない

完成した読み聞かせ動画は、本人申告で全長4分30秒です。動画の複数スクリーンショットも制作記録に残っています。

一方、実動画ファイル全編をこのKnowledge制作時に再生し、声・BGM・トランジション・音声同期を独立評価した記録はありません。したがって、「この組み合わせが最適だった」「視聴者に狙いどおり伝わった」とは断定しません。

確認できたことと、まだ確認できていないこと

確認できたこと：Grokで絵本画像を動画化し、CapCutでAI音声を付けたこと。ウィスパー系の声で優しく読み上げたこと。オルゴール的BGMを付けたこと。動きをスローモーションの静かな反復へ寄せたこと。可児 波起が、声・BGM・トランジション選択を実務経験が現れる領域と述べたこと。動画長が4分30秒と報告されたこと。

確認できていないこと：具体的に採用したトランジション、各要素の単独効果、別の声・BGM・速度との比較、視聴者反応、完成動画全編の再評価、他作品での再現性。

実務との接続：声・BGM・動きまで含めて一つの作品世界へそろえる動画制作・編集の実例は、海辺の部屋の動画制作ポートフォリオでも確認できます。

このKnowledgeの関連知識

作品全体の制作工程：12ページ絵本から4分30秒の読み聞かせ動画まで――物語→画像→動画→音声→BGMを自然言語中心でつないだ一人制作。今回の最終編集判断がどの工程に位置するかを見る。

動き単体の演出：派手に動かさず、「ゆっくり揺れるループ」にした――主人公の心情を動きの速度で表現した実例。声・音楽と合わせる前の運動設計を見る。

人間とAIの創作分担：「心臓は人間、AIは骨格と呼吸」――恋愛小説づくりで見えた創作分担。媒体を越えて、人間の判断がどこに残るかを比較する。