メインコンテンツへスキップ
見出し画像

(ComfyUI・動画生成AI初心者でもできる!)Ollamaでエッチな動画プロンプトを作って、そのまま動画生成まで完結するツール「Vidubus」を作った

    【2026-10-18 更新】Vidubus 1.1を配布しています。この記事のzipは1.1に差し替えました。変わったところは記事の最後の「更新の記録」と、使い方サイトの変更履歴にまとめています。


    以前、Gemma 4でエッチな画像プロンプトを作って、そのままComfyUIで画像生成までできるツール「Pixubus」を出しました。おかげさまで今も読まれています。

    その動画版ができました。名前はVidubus(ヴィドバス)です。Node.jsとOllamaで動く、自分のPCで使うソフトです。

    日本語で頼むと、手元のOllamaが動画生成AI用の英語プロンプトを書いて、ComfyUIのMiniMax H3が声つきの動画を作ります。ここまでが1つの画面で終わります。

    画面はこれです。

    画像

    欄に書いたのはこれです。

    夜の静かな楽屋で、バニーガールの女性が背中のジッパーをゆっくり下げられるが、「まだ、ダメ」と呟いて相手の手をそっと止める。衣類が少しだけずり落ちる肩のラインが強調され、緊張感が漂う。

    「作る」を押すと、こうなります。

    画像

    この1本は、こだわりモードで解像度を1344×768に上げて作ったものです。既定の864×480・turboなら1分ほどで出ます。

    画像

    使い方は無料のサイトに載せています。どんなツールか先に見たい方は、買う前に覗いてみてください。

    まずはComfyUIでMiniMax H3の動画を作ってみる

    先に、ComfyUIだけでMiniMax H3の動画を作るところまでやります。Vidubusを使うにも、ここまでは同じ手順です。

    ComfyUI Desktopを入れる

    ここからComfyUI Desktopを入れます。0.32〜0.34には動画の生成が遅くなる不具合があった(ComfyUIのIssueで報告され、0.35で解消)ので、0.35以上にしてください。私は0.39.2で検証して、0.40.0でも動くのを確かめています。

    VRAMは16GB(RTX 5070 Ti)で確かめています。12GBで動いたという話もありますが、私は確かめていません。ほかのGPUで足りるかは、自分で調べてみてください。空き容量は、モデルだけで70GB前後見ておいてください。

    テンプレートからMiniMax H3を開く

    左のバーの「テンプレート」を開いて、右上の検索欄に「H3」と入れます。

    画像
    画像

    使うのは「MiniMax H3:画像から動画へ」と「MiniMax H3: 参照から動画」の2つです。画像から動画へは、その絵から動画を始めます。参照から動画は、絵の見た目のまま別の場面を作ります。

    足りないモデルを、まとめてダウンロード

    テンプレートを開くと「セットアップが必要です」の一覧が出るので、「すべてダウンロード」を押します。ファイル名も置き場所も、ComfyUIが揃えてくれます。

    画像
    画像

    2つで約60GB。回線次第で時間がかかります。

    サンプルのまま実行する

    画像

    テンプレートの英文は、決まった3枚のサンプル画像用です。画像から動画へはtransparent_rgb_gaming_mouse.png(透明なゲーミングマウス)、参照から動画はred_superboy_on_city_roof.pngとmecha_dragon_lightning.pngの2枚。

    手元に無いと、開いたときに「Load Image に必要なメディアファイルが不足しています」と出ることがあります。モデルの不足ではありません。上のリンク(ComfyUI公式のテンプレートの置き場)から落として、「画像を読み込む」のノードにドロップするか、ノードの「ファイルを選択」で選びます。ファイル名は変えなくて大丈夫です。

    公式の手順ページにも、入力画像のダウンロードがあります。

    https://docs.comfy.org/ja/tutorials/video/minimax/minimax-h3-native

    上のバーの「実行する」を押すと、サンプルのまま動画が出てきます。

    画像
    画像

    自分のキャラで作ってみる

    「画像を読み込む」の欄を自分のキャラの画像に差し替えます。ここではCAのキャラの絵を入れました。この絵は、後で有料パートの作例にも使います。

    プロンプトの欄の英語は、Vidubusで書いたものを貼りました(Vidubusのことは、後で説明します)。

    画像
    画像
    画像

    H3の「画像から動画へ」は、絵をそのまま動かすというより、絵の人物や絵柄を引き継いで、場面は英文のとおりに描き直します。

    参照から動画(キャラの見た目を揃える)

    もう1つのテンプレート「参照から動画」は、画像を読み込む欄が2つあります。

    画像
    画像

    画像を読み込む欄は2つあるので、両方に画像を入れてから実行します。これができたら無事動いています。Vidubusからも同じモデルで動きます。

    次に、画像のノードを1つ消して自分のキャラの絵を入れ、Vidubusで作った英語のプロンプトを付けて実行します。

    画像
    画像

    でも、英語のプロンプトは分からないですよね

    テンプレートの英文は、サンプル画像のための文です。自分のキャラで自分の場面を作るなら、英文を書き直すしかありません。

    しかもH3の英文には書き方があります。ショットの区切り、台詞、聞こえる音、参照する画像の呼び方。それを英語で、です。「放課後の音楽室で、楽器を片付けながら振り向いて…」を英語で書ける人は、たぶん多くないと思います。私は書けません(笑)。

    逃げ道もあります。

    コーディングエージェントにComfyUIを操作させる手。ただ、月額がかかりますし、題材によっては断られます。

    ComfyUIにOllamaのノードを繋ぐ手。これなら日本語でも書けます。ただ、作った動画は出力フォルダに並ぶだけで、何を作るかは自分で考えるしかありません。

    解決します — Vidubus

    断られない動画生成を、手元に。

    日本語で頼めば、ローカルLLMが台本を書いて、声つきの動画が出てくる。契約も、英語の台本も、ターミナルも要らない。外には何も出ない。

    Vidubusはそういうツールです。言いたいことを3枚の絵にしました。

    画像
    画像
    画像

    できることを1枚の図にすると、こうなります。

    画像

    中で何が起きているか(アプリでのOllamaとComfyUIの関係)

    画像

    ComfyUIだけで作った時と比べると

    さっきと同じ画像を、Vidubusに入れて日本語で頼んだ画面です。

    画像

    英文は1行も書いていません。絵の人物と絵柄はそのままで、場面は頼んだとおりになります。

    最後に、Vidubusだけで作った作例集を1本。

    12カットとも、日本語で頼んだだけです。全部、手元のPCで作りました。

    Vidubusでできること

    日本語で頼むだけ

    画像

    欄に日本語を書いて「作る」。これだけで1本できます。
    このシンプルモードはSora2並の簡単さを目指してつくりました。

    縦動画の例。欄に書いたのはこれです。

    体育の授業。紺色のスクール水着の美少女たちが体育館で準備体操をしている。手前の一人が座ってストレッチしながら「いち、に、さん、し」と号令をかける。

    画像

    縦動画(9:16)も、縦横比を選ぶだけで作れます。スマホ向けのショートにどうぞ。

    英語プロンプトから動画まで、続けて進みます。細かく決めたい時は「こだわりモード」へ。

    画像

    こだわりモードで見ると、英語はこう自動で出ます。読めなくても、そのまま③へ進めます。

    外で断られる題材も、手元なら書ける

    英語を書くのは手元のOllamaです。外のサービスに投げないので、外の審査で止められることはありません。月額もかからない。どこまで出すかは、使う方にお任せします。

    例えば、こういう頼み方です。

    昼下がりの日差しが差し込む部屋で、バニーガールの太ももに頭を預け、心地よさそうに目を閉じて耳かきをされている。耳元で「気持ちいいでしょ?」と囁かれ、身を委ねる。耳かきのカサカサという音が聞こえる。

    画像

    提案のカテゴリには、最初からこういう題材が並んでいます(触手 · 異形、戦闘敗北 · 捕縛、吸血鬼 · 魔族 など)。足りなければ自分で足せます。私はバニーガールや体操服ブルマを足しました。

    画像

    シチュエーション提案

    日本語で書けるようになっても、「で、何を作ろう」で手が止まります。作ってみて気づきました。

    なので提案を付けました。カテゴリとセクシーさを選んで押すと、作れそうな場面をOllamaが6件出します。

    画像
    画像

    押せば依頼の欄に入って、すぐ作れます。迷ったら「おまかせ」で。

    キャラを管理できる

    画像

    画像と名前を入れるだけでキャラになります。キャラを選んで作ると、同じ見た目のまま別の場面になります。

    画像

    作った動画を管理できる

    画像

    作った動画は全部ギャラリーへ。頼んだ日本語、キャラ、日付で探せます。

    画像

    カードのアイコンから、静止画にする、音声だけ、ダウンロード、「この設定で作る」。

    画像
    画像

    静止画にできる

    画像

    気に入った場面を、pngの静止画で何枚でも残せます。

    画像
    画像
    画像

    音声だけ取り出せる

    声と音だけを、wavかmp3で保存できます。ASMRを作る時の素材にどうぞ。

    画像

    例として、1本の音声をそのまま置いておきます。

    画像

    外からスマホでも

    TailscaleのようなVPNがあれば、外のスマホから家のVidubusを使えます。私はスマホのホーム画面に入れています。Inkubus、Pixubus、Vidubus、Mycelinkの4つを並べています。

    画像
    画像

    動画を作る時間の目安が分かる

    作る前に「864×480 · 10秒 → 約7分(この接続先の直近3本)」のような、そのPCの記録から出した目安が出ます。

    画像

    買う前に確認してほしいこと

    買ってから「動かない…」となるともったいないので、先に書いておきます。

    確かめた環境

    画像

    いつものRTX 5070 Ti(16GB)の他に、同じPCからOllamaだけ、ComfyUIだけをRunPodに置いた形、Mac(M1 · 16GB · OllamaはMac、ComfyUIはRunPod)、ネットカフェのRTX 4080 SUPER(16GB)で動かしました。ネットカフェのPCは、使い方サイトの手順どおりに入れて、そのまま動きました。RunPodの2つは別々に試したもので、両方を同時にRunPodに置いたことはありません。

    Mac(Apple Silicon)でComfyUIを動かす構成は、私の手元では確かめていません。利用者の方から「M5 Maxでは映像のVAEをfp16版にすると動いた」と報告をもらい、1.1で動画モデルに「MiniMax H3 fp16」の行を足しました。Macの方はこの行を選んでください。動くかどうかは環境によります。

    VRAM 16GBのNVIDIAのGPUがあれば手元で動きます。GPUが無くても、RunPod(時間課金のクラウドGPU)に繋げば動きます。やり方は使い方サイトの「リモート環境」に。

    それと、お願いが1つ。買う前に、記事の最初の手順でMiniMax H3が動くことを確かめてください。ComfyUIで動かないPCでは、Vidubusからも動きません。

    ComfyUIの速さ

    画像

    RTX 5070 Ti(16GB)で、5秒・turboの1本が864×480で約1分、1888×1056で約10分です。

    Ollamaのモデルの選び方

    画像

    おすすめはGemma 4の12b QAT(「gemma4:12b-it-qat」)。Vidubusはこれで確かめていて、これが動くことを必須にしています。英語プロンプト1回が、RTX 5070 Ti(16GB)で約15〜35秒です。

    26bはおすすめしません(理由は使い方サイトの「Ollamaのモデルと設定」に)。

    なぜGemma 4なのか。Inkubus、Pixubusで使ってきた経験では、Qwenは日本語が弱く、センシティブな判定も強めでした。Gemma 4は日本語が自然で、縛りも緩いです。

    すべては、あなたの想像を作品にするために

    Vidubusは単体でも使えますが、私は姉妹のソフトと組み合わせて使っています。Vidubusは、その最後の動画の担当です。

    本を書くのはInkubus。寝ている間にローカルLLMが小説を書いて、縦書きのEPUBにする所までやります。

    絵を描くのはPixubus。この記事のCAのキャラも、Pixubusで日本語から作ったものです。Vidubusで参照させたいキャラは、Pixubusなら日本語で描けます。

    画像

    ネタが広がらない時はMycelink。1つのワードから連想を枝分かれさせて、マインドマップを描きます。

    どれも手元のPCだけで動きます。クラウドに送らないので、題材も表現も思いのままです。

    Zimoto Creative Studio

    画像

    この4つを合わせて、Zimoto Creative Studioと呼ぶことにしました。

    名前は、英語圏の「ローカルLLM」がXの自動翻訳で「地元LLM」になっていたのが元です。ローカル=地元=Zimoto。

    MiniMax H3の精度や労力を考えると今はまだ、小説のCMや数分ほどの宣伝映像が限界です。でもAIが進化すれば、もっと作れるようになるはず。そう思って作っています。

    将来的にZimoto Creative Studioで一気通貫で映画まで作れるようになるのを目指しています。

    メンバーシップのこと

    それと、メンバーシップをやっています。

    画像

    4つとも、メンバーシップに入っていれば手に入ります。

    買う前に1つ。この記事は買い切りで、以後のアップデートは付きません。次の版が出ても、ここに置くzipは1.1のままです(1.1は、Macで動画が作れない報告を受けて差し替えたものです)。動かなくなるような致命的な不具合のみ差し替えます。以後の改善はメンバーシップから出していきます。

    Vidubusは初期リリースで、これからも改善していく予定です。なので、メンバーシップへの加入をおすすめします。

    この記事のあとにv1.5をだしています(メンバーシップ限定)

    ここから先で手に入るもの

    • Vidubus v1.1本体のzipと、動かすまでの手順

    • 1本の動画(夜の楽屋のバニーガール)を作る手順を、起動から画面つきで

    • 実際にできた動画と、その設定と頼んだ日本語。真似できます

    Vidubus 1.1 ダウンロード

     
     
    ローカルLLMで小説・イラスト・動画を作りたい人に、ツールと作り方を届けます。"オタクとしての創作AI活用"が中心。小説のInkubus、イラストのPixubus、動画のVidubusは自作。OllamaとComfyUIは自宅のGPUで実機検証。メンバーシップは200人を突破。

    あなたへのおすすめ