
【自宅PCで短編映画】MiniMax H3 FL2VA×InfiniteTalk×Irodori-TTSで150秒の映画を作った:短編映画付き
📌 この記事の要約
MiniMax H3 FL2VA、InfiniteTalk、Irodori-TTSを組み合わせ、自宅PC(RTX 4070 SUPER 12GB)で約2分30秒の短編映画『明日の私から、ひとこと』を作りました
一度は完成したものの、見直すと「固定カメラなのに画面全体が揺れる」「セリフの後ろに知らない声が入っている」「150秒のはずが145.22秒」という問題が出ました
最終版では、H3で生成した8カットをすべて元画像の固定表示に差し替えています
AI動画では、動かすことよりも動かさないことのほうが難しい、というのが今回いちばんの学びです
はじめに
筆者はこれまで、InfiniteTalkを使った物語動画を自宅PCで作ってきました。
今回は、新しくMiniMax H3のFL2VAという動画生成方式を試しながら、約2分30秒の短編映画を1本仕上げました。
主人公は猫耳の女性「エリカ」。つまり、この記事のエリカ本人です。
生成から編集、字幕、効果音、問題の修正まで、Windows 11の自宅PCでほぼローカルだけで進めました。この記事では、その顛末を順番にまとめます。

🎀 Erica「筆者が作った短編映画、主人公が私なんだって。古い電話に出たら相手が『明日の私』だったの。……なのに、完成版を見直したら私のセリフのあとに知らない声が入ってたらしいのよ。ちょっとゾッとしたわ。どうやって直したのか、一緒に見ていきましょ」
📝 短編映画『明日の私から、ひとこと』とは
🔹 夕暮れの商店街で鳴る、古い電話
舞台は夕暮れの商店街です。
古い電話が鳴り、エリカが受話器を取ると、相手は「明日の私」でした。
明日の私です。店先の傘を持って、赤いベンチに行って。先客がいるから。
雨が降るとは思えない空の下、エリカは半信半疑で傘を持ってベンチへ向かいます。ところが、そこで待っていた「先客」は人間ではなく、一匹の猫でした。
翌日、同じ電話のそばには一枚の札が置かれています。
昨日の同じ時刻へ、10秒だけ
電話の正体に気づいたエリカは、猫に向かって小さく笑います。
そこ、予約席だったのね。
大きな事件は起きません。一本の電話と雨と猫を通して、昨日と明日が短い時間だけつながる物語です。

🔹 使ったAIと制作環境
主に使ったAIは次の3つです。
MiniMax H3 FL2VA:情景カットの動画生成
InfiniteTalk:画面内で話すエリカのリップシンク
Irodori-TTS:エリカの日本語音声
PCはWindows 11とRTX 4070 SUPER 12GBです。PCメモリは32GBと動画生成をメインにするPCとしてはギリアウトかもしれません。GPUとメモリはいつも上辺スレスレでがんばってくれています。
制作には、あらかじめ用意したプロダクションキットを使いました。中身は、README、脚本、22カット分のカット表、セリフと演出をまとめた音声表、元画像16枚、そして電話のベル・最初の雨粒・雨音の効果音です。プロダクションキットはChatGPTと相談して作りました。
完成尺は150秒、映像は横長の24fpsです。

最初にやったのは、映像の生成ではありません。脚本とカット表を読んで全22カットをタイムラインに並べ、どこでセリフが始まり、どこに無言の間を置くかを先に決めました。
短い作品でも、すべてのカットを同じ密度で埋めると、見る側が状況を理解する余裕がなくなります。今回は特に、電話の内容を一度で聞き取れることと、猫を見つける場面に十分な間を取ることを大事にしました。
📝 声づくり:Irodori-TTSでエリカの9つのセリフ
🔹 セリフを作って、実尺を測る
セリフはV01からV09までの9種類です。エリカ用の既存の音声設定を使ってIrodori-TTSで生成し、すべて48kHzのWAVにそろえました。
生成したあとは、セリフごとに実際の長さを測っています。
V01「……私が出るの?」:1.92秒
V02「明日の私です。店先の傘を持って、赤いベンチに行って。先客がいるから。」:6.40秒
V03「明日の私、もう少し説明が上手になっててよ。」:4.52秒
V04「雨なんて降りそうにないけど。」:4.76秒
V05「赤いベンチ。……誰もいない。」:4.52秒
V06「先客って、あなたのこと?」:3.04秒
V07「入る?」:1.16秒
V08「昨日の同じ時刻へ、十秒だけ。」:6.00秒
V09「……そこ、予約席だったのね。」:4.52秒
いちばん長いV02も、10秒の電話カットに無理なく収まりました。
🔹 「何も話さない5.5秒」を設計する
猫を見つける場面では、V05が終わってからV06が始まるまでに約5.5秒の間を取っています。
空のベンチを見て「誰もいない」とつぶやき、少ししてから足元の猫に気づく。この流れは、何も話さない時間があって初めて成立します。
セリフを詰め込むより、黙っている時間を決めるほうが難しかったかもしれません。
🔹 画面内の声、電話の声、心の声を作り分ける
V02は、冒頭と翌日の場面で同じテイクを使っています。同じ音声を使うことで、翌日に電話をかけた声が、昨日聞いた声と同じだと伝わるようにしました。
ただし、冒頭のV02は受話器越しに聞こえる場面です。そこで冒頭だけ帯域を狭め、音量と質感を調整して電話らしい音にしています。翌日のV02は加工前の声です。
心の声には、次の処理を加えました。
低域と高域を軽く整理する
短い残響を加える
音量を少しだけ下げる
これで「画面内で話す声」「電話から聞こえる声」「心の声」の3種類を聞き分けられるようにしています。

📝 映像づくり:MiniMax H3 FL2VAとInfiniteTalk
🔹 MiniMax H3 FL2VAで8つの情景カットを作る
FL2VAは、テキストに加えて、開始フレームや終了フレームを条件として扱える動画生成方式です。今回は元画像を開始フレームにして、静止画から短い情景動画を作りました。
生成したのは次の8カットです。
C01:夕暮れの商店街
C03:店先の古い電話
C05:受話器を持ち上げる手
C09:傘に落ちる最初の雨粒
C10:雨に濡れた赤いベンチ
C13:ベンチの下から顔を出す猫
C15:靴の上で落ち着く猫
C17:翌日の電話
1カットは約5秒、24fps、124フレームです。
🔹 832×464で全滅、864×480で完走
最初は832×464で生成しようとしました。
ところが、潜在表現の寸法に関するエラーが出て、8カットすべてが失敗しました。
解像度を864×480に変えたところ、全カットが完走しました。成功した8カットの合計生成時間は896.8秒、約14分57秒です。
RTX 4070 SUPER 12GBでも生成はできますが、解像度やフレーム数には注意が必要です。
🔹 InfiniteTalkで「話す3カット」を作る
画面の中でエリカが実際に話すのは、次の3カットです。
C04「……私が出るの?」
C14「入る?」
C21「……そこ、予約席だったのね。」
それぞれの元画像とIrodori-TTSの音声をInfiniteTalkに渡し、口の動きを生成しました。
発話の前に短い無音を入れた専用のWAVを作り、口が動き始めるタイミングをカット内の演出に合わせています。また、話し終わった瞬間にカットを切らず、口を閉じた表情を少し残すようにしました。
生成時間は、C04が約9分7秒、C14が約8分44秒、C21が約8分30秒。合計で約26分21秒でした。
C04とC14は、話したあとに口を閉じた状態も十分に残りました。C21はセリフの最後の約0.22秒が次の猫のカットにかかりますが、音声は切らず、語尾だけが猫の画面へ続く形にしています。
📝 仮編集と音の配置
🔹 パンとズーム、タイトルと札
音声と映像がそろったところで、22カットをつないだ仮編集を作りました。
この段階では、静止画カットにゆっくりしたパンやズームを加えています。店先へ寄る、傘の柄へパンする、空を見上げる方向へ動く、ベンチの下で猫の前足から顔へ移る、電話脇の札へ寄る、といった動きです。
冒頭にはタイトル「明日の私から、ひとこと」を入れ、翌日の電話のそばには「昨日の同じ時刻へ、10秒だけ」の札を重ねました。
字幕は台本上の想定時間ではなく、生成したWAVの実尺に合わせて作っています。
🔹 雨音はカットをまたいで敷く
効果音は次の位置に置きました。
約16秒:電話のベル
約60.5秒:最初の雨粒
60〜111秒:柔らかい雨音
雨音はカットごとに分けず、約51秒の一続きの音として敷いています。カットが変わるたびに雨音を最初から鳴らし直すと、同じ場所で同じ時間が流れている感じが失われるからです。
冒頭と末尾にはフェードを入れ、ベルや雨粒は場面の意味がわかる程度に聞こえつつ、セリフを邪魔しない音量にしました。

📝 完成したはずが、見直して見つかった3つの問題
最初の完成版は、150秒、832×464、24fps、総フレーム数3600、音声48kHz、字幕はSRTで書き出しました。全体をデコードして、ファイルが壊れていないことも確認しています。
これで完成、と思ったのですが、見直すと問題が見つかりました。
🔹 問題1:固定カメラなのに、画面全体が揺れる
まず気になったのは、画面の落ち着きのなさです。
編集で入れたパンやズームが、静かな物語には少し多すぎました。
さらに、MiniMax H3 FL2VAで生成したカットには、被写体だけでなく画面全体が細かく揺れて見える部分がありました。プロンプトでは固定カメラを指定していたのに、次のような揺らぎが出ていたのです。
背景の建物がわずかに動く
構図がフレームごとに微妙にずれる
固定されているはずの電話やベンチが、呼吸するように変形する
カメラが小刻みに動いているように見える
1フレームずつ見れば大きな問題ではありません。でも、続けて再生すると、三脚で撮ったはずの画面が揺れているように感じられます。
修正版では、静止画カットのパンとズームをすべて外しました。さらに、H3で生成した8カット(C01、C03、C05、C09、C10、C13、C15、C17)を元画像の固定表示に差し替えました。
動く部分は減りましたが、全体の視線が安定し、電話や猫、セリフに集中しやすくなりました。
InfiniteTalkで作ったC04、C14、C21は、背景の位置が比較的安定していました。全体にスタビライズをかけると口の同期や顔の自然さを損なうおそれがあるので、こちらは補正していません。
🔹 問題2:日本語のあとに、知らない声が入っていた
もう一つは音声の問題です。
V04「雨なんて降りそうにないけど。」とV08「昨日の同じ時刻へ、十秒だけ。」のあとに、意図しない声が入っていました。
最初は、H3の生成動画に含まれる音声や、雨音などの効果音が混ざったのではと疑いました。そこで、Irodori-TTSの単体WAV、H3素材の音声、雨音、雨粒、電話のベル、完成版のミックス音声を一つずつ確認しました。
結果、H3の音声は完成版では使っておらず、効果音にも人の声は入っていませんでした。原因は、Irodori-TTSで生成した単体WAVそのものでした。
V04は、日本語部分が約1.72秒で終わり、そのあと約1.97秒の無音を挟んで、WAVの末尾で余分な声が始まっていました。
V08は、日本語部分が約3.06秒で終わり、4.36〜5.94秒あたりに不要な声が入っていました。
どちらも、日本語、無音、余分な声という並びです。日本語のすぐあとに続けて別の言葉が出ているわけではありませんでした。

修正版ではセリフを作り直さず、日本語部分を残して末尾だけを切りました。切った位置は、V04が2.05秒、V08が3.30秒です。音が急に途切れないよう短いフェードアウトを入れ、字幕の終了時刻も直しました。
完成版からこの2か所を取り出して音声認識にかけたところ、「雨なんて降りそうにないけど」「昨日の同じ時刻へ、10秒だけ」の日本語だけが認識されました。余分な声は取り除けています。
🔹 問題3:150秒のはずが145.22秒に
修正版を書き出したら、今度は尺が150秒ではなく145.22秒になっていました。
映像には3600フレームあるのに、音声が最後のセリフV09の終わり(約145.22秒)で終わっていたのです。そのあとの約4.78秒の無音が、ファイル全体の長さに反映されていませんでした。
そこで、音声を150秒まで無音で明示的に埋め、映像のタイムスタンプも作り直して24fps・3600フレームに固定しました。
最終版は、尺150.000秒、832×464、24fps、総フレーム数3600、音声尺150.000秒です。全尺をデコードし、映像・音声ともにエラーがないことを確認しました。

📝 AI動画は「動かさないこと」のほうが難しい
🔹 最終的な役割分担
今回いちばん印象に残ったのは、AI動画では、動きを作るより画面をきっちり止めるほうが難しい場合がある、ということです。
人物や猫が動くのは自然です。でも、建物や電話、ベンチ、路面まで一緒に動くと、画面全体が落ち着きません。物の動きとカメラの動きを完全に分けるのは、AI動画ではまだ難しい場面があります。
編集で足したパンやズームも、必ずしも作品を良くするとは限りませんでした。動きの少ない画面を見ると、つい何か動かしたくなります。でも静かな物語では、止まった画のほうがセリフや音に集中できます。
最終的には、次の役割分担がいちばん安定しました。
画面内で話す場面:InfiniteTalk
声と演技:Irodori-TTS
情景の印象:元画像の固定表示
雨や時間の流れ:効果音と編集
MiniMax H3 FL2VA:動きの可能性を確かめる試作

H3の映像を最終版から外したのは、失敗というより編集上の判断です。生成したから使うのではなく、作品に必要かどうかで決める。それが今回いちばん大事なポイントでした。
🔹 生成時間より、直す時間のほうが長かった
記録したAIの生成時間は次のとおりです。
MiniMax H3 FL2VA:8カットで896.8秒(約14分57秒)。最初に失敗した832×464の試行は含みません
InfiniteTalk:C04が約547.1秒、C14が約524.3秒、C21が約509.8秒で、合計約1581.1秒(約26分21秒)
2つを合わせた動画生成時間は約41分18秒です。
これとは別に、音声生成、仮編集、確認、修正、書き出し直しの時間がかかっています。実際には、生成を待つ時間より、できあがったものの問題を見つけて直す時間のほうが長くなりました。
150秒の短編でも、脚本を22カットに分け、16枚の元画像を割り当て、9種類の音声を作って長さを測り、声を加工し、無言の間を決め、映像を生成し、効果音・タイトル・字幕を入れ、書き出して全尺を確認し、揺れと不要な声と尺のずれを直して、もう一度検証する。ここまでやって、ようやく完成です。
AIが映像や声を作ってくれても、それだけでは映画になりません。どのカットを動かし、どこを止め、どこで黙るか。その判断は、普通の映像制作と同じように必要でした。
おわりに
『明日の私から、ひとこと』は、MiniMax H3 FL2VA、InfiniteTalk、Irodori-TTSを組み合わせて作った150秒の短編映画です。
生成AIは、最初から完成品を出してくれる魔法の道具ではありませんでした。それでも、声、口の動き、雨の商店街、時間を越える電話を一つずつ組み合わせることで、16枚の元画像から一本の物語にできました。
AIで何を作れるかより、作ったものをどこまで使い、どこで捨てるか。その判断が、作品の仕上がりを決めるのだと思います。
企画・構成次第で短い映画なら作れることがわかったので動画の導入部分に入れたりいろいろ試してみる予定です。

🎀 Erica「せっかく生成した映像を外すのって、もったいない気がしたけど……『使わない』って決めるのも監督の仕事なのね。私も劇中で『もう少し説明が上手になっててよ』なんて言っちゃったし、明日の私はちゃんと説明上手になっておくわ」
最後までお読みくださり、ありがとうございます!
私は京都生まれ大阪育ちなので、記事では結構ボケているつもりです。お好きな記事のコメント欄にツッコミ、お待ちしています😊