AI動画を作って終わりにしない。MiniMax H3とMusicで15秒の作品にする

結論：最初は曲と映像を別々に仕上げる

H3は映像と音声を一緒に扱いますが、気に入った曲を最初から最後まで同じ録音として保ちたい場合、映像用の音と楽曲を分ける方法があります。Musicで採用曲を決め、H3の映像を編集ソフトへ並べ、元の楽曲を別トラックで重ねます。映像の作り直しで曲まで変わるのを避けられる一方、拍合わせや音量調整は自分で行う必要があります。

問いは一つ。15秒後に何を覚えてほしい？

『かわいい人がいる』だけで終わらせるか、『この人が何かを始める』まで見せるかで、必要な絵が変わります。たとえば成人の架空モデルによる夕方のスポーツ映像なら、走る前の静けさ、踏み出す動き、前を向く表情という小さな変化を決めます。商品紹介なら、気づく、使う、結果がわかるの三段階です。これはヨルダナの編集案であり、売上や視聴維持を保証する型ではありません。

三つのカットに、違う仕事を持たせる

以下は完成映像を15秒へ編集するための絵コンテ案です。各生成の長さを5秒ぴったりに揃える必要はありません。使える区間を採り、必要に応じて前後を切ります。同じ人物・服装・光の方向を基準にし、画角や動作だけに変化をつけます。

1. 0〜5秒：場面を伝える

   場所と人物がわかる少し引いた構図。大きく動かす前に、どこを見る映像かを決める。

2. 5〜10秒：変化を一つ見せる

   踏み出す、振り向く、小物を手に取るなど一動作。曲の拍や盛り上がる位置と切り替えを合わせる。

3. 10〜15秒：印象を残して終える

   視線や表情など、一番見せたい画面へ着地する。文字を置く場合は読める時間を残す。

Musicでは『使う15秒』を聴いて選ぶ

曲全体の好みだけでなく、冒頭へ使える区間があるか、動きの切り替えに合う拍があるか、最後を気持ちよく止められるかで選びます。まずBGMなら歌なしの候補にし、主役の声が必要な場合だけ歌入りを検討します。音楽のピークと画の見せ場を両方詰め込みすぎると、どちらへ注意を向けるかが曖昧になります。主役を一つ決めましょう。

曲を残したいなら、音声参照と元音源を混同しない

H3へ音声を参考として渡す方法と、編集で元音源をそのまま重ねる方法は違います。参考音声は生成条件であり、同じ波形が保存される保証ではありません。口元を見せない情景映像から始めれば、歌唱の口の動きまで同時に合わせる難しさを切り離せます。正確なリップシンクを実測していない段階で、対応済みと判断しないでください。

最後は無音でも見る、小さな音でも聴く

スマホでは音を出さずに見る場面もあります。無音でも何が起きたか伝わるか、見出しが小さすぎないかを確認します。その後、ヘッドホンとスマホの小音量で聴き、音割れ、急な音量差、切り替えのクリック音を点検します。H3の元音声を使わない場合は意図してミュートし、楽曲と二重に鳴らさないようにします。

公開前に、映像と曲の条件をそれぞれ確認する

H3のモデル・追加素材、Musicのモデルまたはサービス、画像と歌詞、公開先の条件をそれぞれ確認します。H3には地域・商用利用に関する独自条件があり、Comfyはローカル生成物の商用ライセンスを案内しています。Music 3の条件をH3にも適用できるとは考えず、H3本体の契約と利用サービスを照合してください。Music APIには8月20日の提供変更もあるため、古い無料API手順で作業を組まないでください。

何を一本目にするか迷ったら、実物の構成を見る

気になるゲームや映像作品を一つ選び、まず説明とサンプルを見てください。必要なら購入し、導入に何を見せるか、どこで音を切り替えるか、最後に何を残すかを自分の言葉でメモします。作品の画像・音・文章をコピーするのではなく、役割と順序を抽象化して自分の企画へ当てはめる方法です。下の作品広告は、その観察対象を探す入口です。