Strata · Video generation · 2026-11

Strata の動画生成:ローカル AI だけで CM を作り、Qwen が監修して直す

Strata 研究で使ってきた LAN の 2 台の PC だけで、架空のトマトケチャップ「トマロ(TOMARO)」の 15 秒 CM を作りました。企画・監修・直しの計画・版選びは Strata(Qwen3.8-Flash-Next)が受け持ち、絵・動画・声は専用の AI が作ります。クラウドは使っていません。Qwen が完成した映像を見て問題を自分で指摘し、自分で直せるかも試しました。

判断
Strata 0.2.15(Qwen3.8-Flash-Next)
絵
Qwen-Image 2.1 Turbo
動画と効果音
MiniMax-H3(stable-diffusion.cpp)
ナレーション
VOICEVOX(No.7)
1 本の時間
約 25 分(2 台で並行)
Setup

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。

PCCPURAMGPU動かすもの
PC 1(判断と仕上げ)Core i7-7800X(6 コア、AVX-512)125 GiBRTX 5060 Ti 16 GBStrata(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 GiBRTX 3060 12 GBMiniMax-H3(動画 2 カット)。AVX だけの CPU 向けに作り直した stable-diffusion.cpp
Tools

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。

Roles

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。

  1. 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)。
  2. Qwen-Image最初のコマ — カットごとに 1 枚。
  3. MiniMax-H3動画と効果音 — 2 台で分けて同時に。
  4. VOICEVOXナレーション — 動画と同時に CPU で。
  5. 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。
  6. 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。
  7. 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。
  8. 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。
First ad

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Strata194.7 s
最初のコマ 5 枚Qwen-Image81.9 s
動画 5 カット(2 台で並行)MiniMax-H319.9 min
ナレーション 5 本(動画と並行)VOICEVOX6 s
仕上げffmpeg1.4 s
合計(実時間)約 25 分
Review by Qwen

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 s238 s
Self-fixing

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 CM452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163約 44 分
25 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243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134約 19 分
大・中・小は、その回の完成品に対する Strata の監修の指摘の数。
自分で指摘

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。

自分で直す

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。

選んで組む

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。

Notes
動画を載せていない理由

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。