まえがき：静止画の「沼」から抜け出したい

昨日のQiitaトレンド、見ましたか？
「ClaudeCodeで漫画を自動生成する」記事。あれ、めちゃくちゃ面白かったですよね。私も早速手元の環境で試して、無限に4コマ漫画を作って遊んでいました。

でも、エンジニアの性（さが）でしょうか。30分後にはこう思ってしまったんです。
「これ、動かないかな？」

2026年現在、画像生成はコモディティ化しましたが、**「ストーリー性のある動画の完全自動生成」**はまだ未開の地（ブルーオーシャン）です。

そこで昨晩、「LLMが脚本を書き、AI Video Generator が撮影する」完全自動パイプラインを組んでみました。
結論から言うと、Textideo のAPIを噛ませることで、驚くほど簡単に実装できてしまいました。

本記事は、その「技術的アプローチ」と「ハマりポイント」の共有です。

🏗 アーキテクチャ："VideoOps" を構築する

やりたいことはシンプルです。「テキストを投げたら、編集済みのMP4が返ってくる」黒魔術的なAPIを作ること。

構成は以下の通りです。

graph TD
    A[User Idea] -->|Prompt| B(Director Agent / Claude 3.5)
    B -->|Script JSON| C{Scene Manager}
    C -->|Visual Prompt| D[Textideo API (Renderer)]
    D -->|MP4 Fragments| E[FFmpeg (Editor)]
    E -->|Final Movie| F[Output]

脳（Brain）: Claude 3.5 Sonnet (指示出しが一番的確なので)
目（Renderer）: Textideo API (ここが重要。後述)
手（Editor）: FFmpeg + Python

ユーザーがアイデア（Prompt）を投げると、Agentが脚本と絵コンテをJSONで作成。それをレンダリングエンジンが映像化し、最後に結合して出力します。

🔧 実装のハイライト

1. 監督Agentに「カメラワーク」を理解させる

LLMにただ「動画のプロンプト書いて」と言うと、「A cat is sitting」みたいな退屈な指示しか出しません。
映画的な映像を作るには、カメラワーク（Camera Movement） の指定が不可欠です。

システムプロンプトで、特定のJSON構造を強制します。

# director.py

class Scene(BaseModel):
    narrative: str
    visual_prompt: str = Field(..., description="Image generation prompt in English")
    # ここがキモ。AI Video Generatorが理解できる物理カメラ指示を定義
    camera_action: Literal["zoom_in", "pan_right", "static", "dolly_zoom"] 
    duration: int = Field(..., default=4)

こうすることで、Agentは「ここは悲しいシーンだから static で」「ここはオープニングだから pan_right で」といった演出意図をコードとして出力してくれるようになります。

2. レンダリングエンジンの選定（なぜ Textideo なのか？）

ここが今回一番悩んだポイントです。
動画生成AIは群雄割拠ですが、APIとして組み込む場合、以下の条件を満たす必要がありました。

Instruction Following: 指定したプロンプト（特にライティングと構図）を無視しないこと。
Consistency: キャラクターがシーンごとに別人にならないこと。
Response Time: 同期処理で待てるレベルの速度。

いくつかの主要サービスをAPI経由で叩き比べた結果、今回は Textideo を採用しました。
決め手は 「Camera Control のAPIパラメータの追従性」 です。

多くのモデルは zoom_in と指定しても無視して勝手に動いたりしますが、Textideoのモデル（特に最新のVeo系）は、コードで指定したカメラワークを物理エンジンのように忠実に再現してくれました。

実装はこんな感じです。

# renderer.py
import requests

def render_scene(scene_data, api_key):
    """
    Textideo APIを叩いて、シーンごとの動画を生成する
    """
    url = "https://api.textideo.com/v1/generate"
    
    payload = {
        "prompt": scene_data['visual_prompt'] + ", cinematic lighting, 8k, photorealistic",
        "video_settings": {
            "aspect_ratio": "16:9",
            # Agentが決めたカメラワークをそのままパラメータに流し込む
            "camera_motion": scene_data['camera_action'], 
            "fps": 24
        }
    }
    
    # 正直、ここでエラーハンドリングをサボると死にます（戒め）
    try:
        response = requests.post(url, json=payload, headers={"Authorization": api_key})
        response.raise_for_status()
        return response.json()['download_url']
    except Exception as e:
        print(f"Rendering failed: {e}")
        return None

このコードを書いているとき、「あ、俺いま映画撮ってるわ」という謎の全能感に浸れます。

🚧 実際に踏んだ「地雷」と解決策

もちろん、一発ではうまくいきませんでした。

課題：シーン間のキャラ崩壊（Identity Loss）

Scene 1では金髪だった主人公が、Scene 2で急に黒髪になったりします。動画生成AIあるあるですね。

解決策：Seed Image Injection

Textideoの機能にある image_to_video を併用するアプローチに変えました。

最初に1枚だけ、主人公の「決定稿」となる画像を生成する。
その画像をBase64化し、全シーンのAPIリクエストに reference_image として渡す。

(ここに Consistency 制御のコードを挿入)

これを実装した瞬間、動画のクオリティが「実験」から「作品」に変わりました。
一人のキャラクターが一貫して物語の中を歩き回る様子は、感動すら覚えます。

🎁 成果物

スクリプトを実行して、コーヒーを淹れて戻ってきたら、指定したフォルダに final_movie.mp4 が生成されていました。

内容は「サイバーパンクな東京の夜明け」。
Agentが勝手に指定した pan_right のカメラワークで、ネオン街から朝焼けへと視点が移動していく映像美。
これを自分が一切手を動かさずに、Pythonスクリプトだけで作ったというのが信じられません。

（※ 生成された動画はX(旧Twitter)に貼っておきます）

🔮 まとめ：エンジニアは次の「クリエイター」になる

今回、AI Video Generator をAPIとしてワークフローに組み込んでみて感じたのは、**「動画制作はもはやプログラミングの対象である」**ということです。

絵心がなくても、カメラを持っていなくても、ロジックとAPIがあれば世界観を作れる。
特に Textideo のような、開発者フレンドリーなAPIを持つツールの登場で、この流れは2026年、さらに加速するでしょう。

皆さんもぜひ、手元の積み本（積読）をAgentに読ませて、その要約を「動画」として出力するパイプラインとか作ってみてください。絶対面白いので。

参考リンク

(LGTM👍 いただけると、次の「音声生成編」を書くモチベーションになります！)