Opus 5.5に動画を作らせて分かった得意・苦手
執筆・制作：何でも自作する人（運営者について）
Claude / AI動画 / three.js / Playwright
Claude の Opus 5.5 に、ショート動画を作ってもらいました。電気が家に届くまでの図解と、ボイジャー1号の3Dです。
カメラも動画生成AIも使っていません。映像はすべて、Opus 5.5 が書いたプログラムで1コマずつ描いたものです。
作ってみると、得意なことと苦手なことがはっきり分かれました。その内容も1本の動画にまとめてもらったので、あわせて載せます。
👉 Opus 5.5に動画を作らせて分かった、得意なことと苦手なこと（YouTube ショート）
きっかけ
X で、映像を Opus 5.5 で作ったという歴史解説のショートを見かけたのが始まりです。自分でも Azure Speech の声で何か作ってみたくなり、最初に「電気は発電所からどうやってコンセントまで来るのか」を作ってもらいました。
作り方の全体
Opus 5.5 が書くのは、場面ごとの絵を描く JavaScript と、読み上げの台本です。そこから先は決まった道具で動画にしています。
- 台本を場面に分け、読み上げ文と字幕を決める
- Azure Speech で声を作る（Masaru HD）
- 声の無音の位置に合わせて、字幕を切り替える時刻を決める
- 音楽と効果音を数式で合成し、声の間だけ音楽を下げる
- Chromium で場面のページを開き、Playwright で1コマずつ画像にする（30fps）
- FFmpeg で動画にまとめ、自動の検査にかける
1コマずつ描くので、処理が重い3Dの場面でもコマ落ちしません。画面を連番の画像にしてからつなげるやり方は、Playwright で操作デモGIFを作った記事と同じです。
得意1：3Dの世界を丸ごと作る
ボイジャー1号の動画では、探査機、木星、土星、太陽圏の境界まで、three.js で一から作ってもらいました。カメラの動きもコードです。
機体や惑星は説明用の模型で、縮尺は正確ではありません。それでも、画像を並べただけの動画とは見え方がまったく違いました。
得意2：見えない仕組みを動く図にする
電気の動画では、発電所の50万ボルトが、変電所を通るたびに15.4万、6.6万、6600ボルトと下がり、電柱の変圧器で100ボルトと200ボルトになるまでを図にしてもらいました。
電圧の段階は、電力会社の解説などで確かめた一般的な一例です。途中の電圧は地域や設備で変わります。
家の中の配線工事に必要な資格（第二種電気工事士）の話は、電工二種のまとめにもつながる内容です。
得意3：数字を調べてから画面に出す
ボイジャー1号は、2026年11月18日に地球から「1光日」、光でも24時間かかる距離に届きます。人類が作った物では初めてです。この日付は NASA の発表で確かめてから、画面のカウンターにしました。
👉 Voyager 1: What Is a Light-Day（NASA）
Opus 5.5 は、台本と一緒に出典のURLと確認した日を制作メモに残します。あとから「この数字はどこから？」と思ったときに、すぐ確かめられます。
得意4：音楽・効果音と字幕の時刻合わせ
音楽と効果音は、素材サイトから持ってきたものではありません。Python（numpy）で波形を計算して作っています。
字幕は、声の中の無音の位置を探して切り替えています。書き出したあとは、音量、止まっている秒数、ショートの画面下のボタンに字幕が隠れないか、などを自動で検査しています。
苦手1：人の自然な動き
苦手なのは人です。表情や自然な動きをコードで描こうとすると、どうしても人形っぽくなります。
まとめの動画では、それが分かるように、わざとカクカク動く人形を作ってもらいました。
人物が出る動画を作るなら、人物の絵は画像を作るAIに任せ、動き・声・字幕を Opus 5.5 に任せる組み合わせがよさそうです。
苦手2：アクセントの確認
Opus 5.5 には耳がありません。ただ、読み上げを Whisper で文字起こしして台本と突き合わせれば、読み間違いは見つけられます。
たとえば「1光日」は、文字起こしでは「一行実」と出ました。漢字は違いますが、読みは「いっこうじつ」で合っている、と分かります。
{
"script": "ボイジャーが1光日に届く日は、NASAの発表で確かめました。",
"asr": "ボイジャーが一行実に届く日は、 NASA の発表で確かめました"
}アクセントや抑揚の自然さは、文字起こしでは分かりません。最後は人が聞いて確かめています。
見直して直したところ
作ってすぐ完成ではなく、見直して気づいたところを直してもらっています。
- ボイジャーの動画は、「ついに24時間」と読み上げる瞬間に、画面のカウンターがまだ23時間台だったので合わせた
- まとめの動画は、最初「自分で声を聞けない、確認は人の耳」と言い切っていた。実際は文字起こしで読みを確認していたので、「読みは文字起こし、アクセントは人の耳」に直した
頼むならこういう動画
作ってみて、Opus 5.5 に頼むなら次のような動画が向いていると感じました。
- 宇宙のように、カメラでは撮れないもの
- 電気のように、目に見えない仕組み
- 距離や時間のように、数字で比べると分かるもの
人が主役の物語は、画像を作るAIと組み合わせるのがよさそうです。
最後の場面では、まとめの動画を描いた実際のコードを流しています。
