構成:LAN の 2 台の PC だけで作ります
2 台は同じ LAN に有線でつないでいます(1 Gb/s)。インターネットのクラウドは使いません。どちらもStrata 研究とフィジカル AI 応用で使ってきた機械です。動画は時間がかかるので、2 台の GPU でカットを分けて同時に作ります。
| PC | CPU | RAM | GPU | 動かすもの |
|---|---|---|---|---|
| PC 1(判断と仕上げ) | Core i7-7800X(6 コア、AVX-512) | 125 GiB | RTX 5060 Ti 16 GB | Strata(企画・監修・直しの計画・版選び)、Qwen-Image(絵)、MiniMax-H3(動画 3 カット)、VOICEVOX(CPU)、ffmpeg、記録の DB |
| PC 2(動画) | Xeon E5-2630 v2 × 2(AVX のみ、2013 年世代) | 251 GiB | RTX 3060 12 GB | MiniMax-H3(動画 2 カット)。AVX だけの CPU 向けに作り直した stable-diffusion.cpp |
- Strata と動画の AI は、同じ GPU を同時には使えません。PC 1 の GPU(16 GB)は Strata でほぼ埋まるので、絵と動画を作るあいだは Strata を止め(3 秒)、終わったら戻します(約 1.5 分)。
- PC 2 の 3060 でも、同じ動画の AI が動きます。1 カット(約 3 秒)の動画が PC 1 は約 400 秒、PC 2 は約 575 秒。2 台で分けると、5 カットの動画が約 20 分で済みます(PC 1 だけなら約 33 分)。
道具:判断する AI と、作る AI を分けています
| 道具 | 役目 | 設定・時間 |
|---|---|---|
| Strata 0.2.15 + Qwen3.8-Flash-Next(NVFP4) | 企画とカット割り、完成した映像の監修(画像を読む)、直しの計画、版選び。どれも思考あり | 企画 195 秒、監修 4〜12 分、直しの計画 6〜10 分 |
| Qwen-Image 2.1 Turbo(Q8_0) | 各カットの最初のコマ、人物・商品の見本の絵。見本の絵を参照させて描くこともできる | 8 段、832×480、1 枚 15〜22 秒 |
| MiniMax-H3(ref2va pruned Q4_K_M、stable-diffusion.cpp) | 最初のコマから約 3 秒の動画と、合った効果音を同時に作る | 73 コマ(24 fps)、20 段。PC 1 約 400 秒・GPU の山 15.2 GB、PC 2 約 575 秒・11.3 GB |
| VOICEVOX 0.26.1(CPU) | カットごとのナレーション(話者 No.7、アナウンス) | 5 本で約 3 秒 |
| ffmpeg・Pillow | つなぎ、テロップ、効果音とナレーションの重ね | 数秒 |
| SQLite | 絵コンテの DB:共通の設定(人物・商品)、カットの版、監修の指摘、直しの計画、時間 | — |
DeepSeek(V4.1 Flash)も Strata で動きますが、文字だけのモデルで絵を読めないため、映像の監修には使っていません。
Strata と道具の役割:Strata が決め、道具が作り、機械の決まりがつなぎます
人は題を出すだけで、途中では手を入れません。Strata の答えは JSON で受け取り、決まった手順がそのまま道具に渡します。
- Strata企画とカット割り — 架空の商品名・売り・キャッチ、5 カット × 3 秒の絵・動き・効果音の指示(英語)、ナレーションとテロップ(日本語)。
- Qwen-Image最初のコマ — カットごとに 1 枚。
- MiniMax-H3動画と効果音 — 2 台で分けて同時に。
- VOICEVOXナレーション — 動画と同時に CPU で。
- 決まった手順仕上げ — 各カットを 3.0 秒に切ってつなぎ、テロップを載せ、効果音にナレーションを重ねる。
- Strata監修 — 完成品から各カット 3 コマ(始め・中・終わり)と企画書を見て、問題・重さ・直し方を書く。
- Strata直しの計画 — 共通の設定(人物・商品)の登録、カットごとの「そのまま/作り直し」と新しい指示、テロップの書式、直せないものの申告。
- Strata版選び — DB に残った全部の版から、カットごとに一番良い版を選んで組む。
最初の CM:約 25 分でできました。ただし、ボトルが空・男の子が別人などの問題がありました
題は「架空の商品をターゲットに、現代の典型的なトマトケチャップの 15 秒 CM」。Strata は商品「トマロ 甘うまケチャップ」(キャッチ「甘うま、とろり」、ねらう人「毎日の家族の食卓を明るくしたい保護者」)と、家族の食卓 → スクランブルエッグにかける → 完熟トマト → 男の子が食べる → 商品の 5 カットを決めました。下は各カットの最初のコマ(Qwen-Image)です。





| 工程 | 道具 | 時間 |
|---|---|---|
| 企画とカット割り | Strata | 194.7 s |
| 最初のコマ 5 枚 | Qwen-Image | 81.9 s |
| 動画 5 カット(2 台で並行) | MiniMax-H3 | 19.9 min |
| ナレーション 5 本(動画と並行) | VOICEVOX | 6 s |
| 仕上げ | ffmpeg | 1.4 s |
| 合計(実時間) | 約 25 分 |
- カット 1〜4 は CM らしい実写風になりました。ケチャップがとろりとかかり、ラベルの TOMARO も崩れません。効果音は動画の AI が映像に合わせて作り、ナレーションは「甘うま」も正しく読みました。
- 問題:商品カットのボトルが空(企画で中身を書いていなかった)、商品カットに絵に無い手が出る(動画の AI の付け足し)、カット 1 と 4 で男の子が別人、テロップの字が細い、音楽が無い。
Qwen の監修:大きな問題は、観点を渡さなくても自分で見つけました
完成した CM から各カット 3 コマ(計 15 枚)と企画書を Strata に見せ、問題を指摘させました。答えは教えていません。A は観点なし、B はどの CM にも使える一般的な点検の観点 8 つ(商品の見た目・人物の一貫性・指示に無い物・形の崩れ・動き・文字・音と構成・CM としての出来)を渡しました。
| 問題(人が見つけたもの) | A:観点なし | B:一般的な観点 |
|---|---|---|
| カット 1 と 4 で男の子が別人 | ◎ 大 | ◎ 大 |
| 商品のボトルが空 | ◎ 大 | ◎ 大 |
| 商品カットに手が出る | ○ 中 | ◎ 大(指の崩れも) |
| テロップ | △ 書式の不統一 | ○ 背景と同化して読めない |
| 音楽が無い | × | × |
| 時間 | 611 s | 238 s |
- 人が見落とした問題も見つけました。カット 2 にボトルが 2 本写っている(最初のコマの時点から)、商品カットの背景が企画の白いテーブルでなく木目、男の子が食べたあと笑顔に戻らない、トマトの水が一滴でなく筋になる、トマトの下の葉がバジルのよう、スプーンが 2 本に増える、など。
- 観点を渡すと速く(4 分)、手・指・小物の崩れまで拾いました。観点はこの CM 向けではなく、どの CM にも使える一般的なものです。
- 音は苦手です。Qwen は音を聞けず、企画に「音楽なし」と書いてあっても、CM として足りないとは最初は気づきませんでした(2 回目の監修で初めて指摘)。
- 指摘には直し方も付きます。どの工程(企画・絵・動き・音・テロップ)をどう直すかと、直した英語の指示文の案。これを次の「自分で直す」に使いました。
自分で直す:共通の見本の絵で大きな問題は消えました。最後は全部の版から選んで組むのが一番良い結果でした
各カットを絵コンテとして記録する DB(SQLite)を入れ、カットをまたぐ人物・商品を「共通の設定」として、文章と見本の絵で 1 か所に持ちました。Strata が監修の指摘を読んで直しの計画を書き、機械がそのとおりに作り直し、もう一度監修します。どのカットの、どの版を、何の指摘で、どう直したかが全部残ります。







| 回 | Strata がしたこと | 大 | 中 | 小 | 時間 |
|---|---|---|---|---|---|
| 0 | 最初の CM | 4 | 5 | 2 | 約 25 分 |
| 1 | 男の子・母・ボトルを共通の設定に登録、4 カットを作り直し、テロップを太字+帯に | 1 | 6 | 3 | 約 44 分 |
| 2 | 5 カットを作り直し、テロップを縁取りに。「BGM を通す道具が無い」と直せないものに申告 | 2 | 4 | 3 | 約 44 分 |
| 3 | 作り直さず、DB の全部の版(14 版)からカットごとに一番良い版を選んで組んだ | 1 | 3 | 4 | 約 19 分 |
- 第 1 回で、最初の大きな問題 4 つのうち 3 つが構造で直りました。男の子はカット 1 と 4 で同じ見本の絵から描くので同じ顔に、ボトルは見本の絵に中身が入り、商品カットには「no hands」と書いて手が消えました。テロップは太字になりました。
- 作り直すと、直る所と悪くなる所が混ざります。第 2 回では、男の子が赤い T シャツになり、商品カットに木や本が出ました。原因は Strata ではなく組み立ての決まりで、全カットの指示の最後に企画の絵柄の言葉(「暖かい木の面、鮮やかな赤のアクセント」)を機械が足していたためです。Strata が「木なし」と書いても、後ろの言葉が木と赤を呼びました。
- 全部の版から選ぶのが、一番安く一番良い結果でした。Strata は「監修の指摘を鵜呑みにせず、自分の目で、カットのつながりも考えて」選び、赤い T シャツの版を「カット 1 とのつながりが壊れる」として外しました。残る問題も 10 件、自分で挙げました。
- 弱い点:誤った指摘もそのまま受け入れました(第 1 回で、誤りだった「キャッチの語順が逆」に従ってナレーションを変えた)。同じ映像でも、監修のたびに重さの判定が揺れます(同じ版が「中」の回と「大」の回がある)。
大きな問題は観点なしでも見つける
人が見落とした問題も複数。音は聞けない。
共通の見本の絵で、人物と商品をそろえた
道具が無い音楽は「直せない」と申告。
全部の版から最良を選ぶのが一番良かった
作り直さずに約 19 分。DB に版が残っているから選べる。
動画は MiniMax-H3 で作りました。その MiniMax H3 Community License は、EU・英国・韓国・米国を除外地域とし、そこで出力を表示することを認めていません。このページは世界中から見られるため、作った動画とそのコマは載せていません。載せている絵は、どれも Qwen-Image 2.1(Apache-2.0)が描いたものです。
ページの絵・商品・人物・ブランドは、すべて AI が作った架空のものです。ナレーションの声は VOICEVOX:No.7。