【部数限定！】リリース記念に、500部限定で割引販売をします。

500部売り終わったらサクッと値上げします。3,980円 → 1,980円

こんにちは。けいすけです。

このコンテンツはAIでビデオポッドキャストを作ろう！というコンセプトの教材です。

スキルのDL以外はすべて無料部分で詠めます。しっかり読んで、購入するかどうか判断してください。

ツール売りみたいな物だと思ってください。リップシンク動画を作るスキルをDLできますので、それをAIエージェントに読み込ませるとリップシンク動画を作ってくれます。

どんな動画ができるの？

どんな動画ができるかは、見てもらった方が早いと思うので、こちらの動画をご覧ください。

この教材でできるようになるのは、あくまでもリップシンク動画の作成までです。テロップやBGMなどは、別の後工程の編集で入れる必要があります。その点はご了承ください。

ボイストレーナーのみかさんにもサンプル提供してもらって、リップシンク動画をつくってみました。AIリップシンク動画なので、本人とは若干違う表情になっていますが。まあ、これくらいが今の限界です。

どんなことに応用できるの？

応用としては、ビデオポッドキャストやトークリール、ちょっとしたビデオメッセージといったことに使えます。

あと、これ。AIエージェントで動くような設計にしておいたので、何か軽くお願いをしたら、それに合わせて作ってくれるということもできます。

AIエージェントに人間っぽく動画を作らせるということが、一番のメリットですね。

使っているAIやサービスは？費用はかかるの？

今回の教材では、WAN 2.2と、Comfyuiと、それからRunpodというものを使います。

WAN 2.2はフリーで使えるAIなので、WAN 2.2にはお金はかかりません。ComfyUI も無料で使えます。

Runpod というのは、クラウドで GPU を使わせてもらうサービスなので、これにお金がかかります。

Screenshot 2026-05-02 13.09.24.jpg

今回の教材では RTX 4090 か 3090 を使う想定で作りますので、1時間 GPU を稼働させた場合に大体70円から100円ぐらいかかると思ってください。

Screenshot 2026-05-02 13.09.42.jpg

あと、今回のスキルを使うと、40GBぐらいのデータをネットワークのストレージに保存することになります。厳密に言うと25GBくらいなんですが、ちょっと余裕を見ています。そうすると、Runpodの料金的には、だいたい月に2.8ドルかかります。これは動画を生成してもしなくても、これくらいかかります。

準備する物

まずあなたに準備してもらうものは、以下の5点です。

1. Runpodの課金とAPIキー
Runpodに課金して、APIキーを取得する必要があります。取得方法については、後ほど詳しく説明します。

2. 音声データ
リップシンク動画に使用する音声を用意してください。メモリの制約があるため、必ず52秒以内に収めるようにしてください。

3. 画像データ
リップシンクの元となる画像が必要です。人の顔がはっきりと写っているものを用意してください。

このようなデータです。

4. エージェント型AIプログラミングツール
この教材では、AIエージェントに読み込ませるためのスキルを配布します。

そのスキルを実行するために、以下のようなツールを用意してください。

Claude Code
Cursor
Gemini CLI
Antigraviy

5. Pythonの実行環境
本プログラムの実行にはPythonを使用します。あらかじめPCにPythonをインストールするか、もしAIエージェントが自動でインストールを試みた場合には、そのまま許可を出して進めてもらうよう指示してください。

venvで仮想環境を内部に作るようにskillには指示をしてあります。

できあがるもの

このツールを使って出来上がるものは、リップシンクの動画です。仕様や制限については以下の通りです：

1. 動画の仕様

(a) フレームレート：16fps

(b) 最大長：52秒

2. 画面構成

(a) 縦横比：ある程度自由に変更可能（ただし16の倍数で指定する必要あり）

(b) 解像度：あまり高く設定できません（896×504程度が限界の目安です）

ビデオポッドキャストなど、作りたいものが52秒を超える場合は、このように何度か生成して、それらをつなぎ合わせることで長い動画を作ってください。

つなぎ合わせる際の注意点ですが、どうしてもスムーズにつなぐことはできません。いろいろと試行錯誤しましたが、やはり技術的に難しく、動画のつなぎ目はどうしても少しカクついてしまいます。

そのため、そのような状態でも問題ない用途で活用することをお勧めします。

インストール＆実行方法

まず、Runpodのページにいって、アカウント登録などは済ませておいてください。

ここからいけます。

https://www.runpod.io/

そしたら右上のところから、クレジットをチャージできるので、チャージしましょう。

ミニマムで10ドルからチャージできるので、お試ししたい人はまず10ドルでいいと思います。

次にAPIキーを作成します。

何か自分で分かりやすい名前を入れて、APIキーをつけてください。

Screenshot 2026-05-02 13.28.26.jpg

このようにAPIキーが発行されました。このAPIキーは後で使うので、取っておいてください。

次に、この記事の有料部分から、スキルをダウンロードしておいてください。

ダウンロードしたzipファイルを解凍するとこのようになっています。

Claude Code の場合は、この画面のようなところにスキルのフォルダを入れてください。

.claude/skills/

Screenshot 2026-05-02 13.41.39.jpg

Codexの場合は以下ですね。

.agents/skills/

その他のコーディングエージェントの場合は、どこに入れたらいいかは自分で調べておいてください。

次に、環境ファイルである .env.example をコピーして複製し、.envにリネームしておいてください。

.envの中には、先ほど取得したRunpodのAPIキーを入力して保存しておいてください。

そしたら、スキルを起動します。

コーディングエージェントによっては、再起動しないとスキルを認識しない場合もあるので、コーディングエージェントは再起動させておきましょう。

そして、このように、スキルを呼び出してセットアップをするようにお願いしてください。

途中で許可を求められると思いますので、問題なければ許可してください。順調にいけば10-15分ぐらいでセットアップが終わって、サンプルの動画が生成されます。

途中でサボる時は、すすんでますか？とかつついて挙げてください。

完成すると、サンプルの動画がここに3つ出来上がってきます。

これを見てみてください。しっかり喋っているというところが分かると思います。

これでセットアップは終了です。

これ以降は、スキルを呼び出して音声と画像を与えれば、そこからリップシンクの動画を作ってくれます。

ちなみに、セットアップが終わると、Runpodにstorageが作られます。

実はこのストレージですが、存在するだけでお金がかかります。といってたいした額ではありません。月2.8ドルぐらいです。

もし「もう動画を作らない」となったら、このストレージを消してしまったほうがいいです。消してしまっても、もう一回スキルでセットアップをすれば、また作り始めることができます。

ちなみに、動画を製作中はこのpodと言うところに、使っているGPU等が表示されます。

podもGPUを確保しているだけでお金がかかります。ですので、動画を作り終わったらpodは解放しましょう。スキルでは自動で解放するようになっていますが、動画を作り終わってもpodが残っていたら削除してあげてください。

さて、それでは作り方は終わりなので、これでリップシンク動画をどんどん作ってみてください。

ちょこっと技術的な解説

あんまり技術的なことは興味ないよー。という方は読み飛ばしてもらっていいです。

Runpodというのは、GPUを時間貸ししてくれるシステムです。ですので、すでに自分でGPUを持っているという方は、実はローカルパソコンで動かすことも可能です。必ずしもRunpodを使わなくても実行できます。

ただし、高性能なGPUを持っていなければいけないので、満足に動かそうとしたら、30万円から50万円ほどの支出が必要になることもあります。

Runpodで時間貸しでGPUを借りて、そこでComfyUIというものを動かしています。ComfyUIは画像生成や動画生成など、本当にいろいろなことができるプログラムです。

ちなみにComfyUIは「ワークフロー」という形で動かすのですが、今回動かしているのは以下のような図のワークフローになります。

それから、スキルのこのあたりにワークフローがあります。

さらに分析したり、さらに改良して色々使ってみたい方は、こういうのも見てもいいと思います。

ComfyUI について詳しく語り出すとめちゃくちゃ大変なので、ComfyUI についてもっと知りたい人は、別の記事などを検索してみるといいと思います。

よくある質問

購入前に必ず読んでください

動画の画質はどれくらいですか？

動画の画質なんですが、そんなに良いものはできないです。僕がよく使っているのは 896 × 504 ですね。

これ以上良くしたい場合は、作った動画をアップスケールするなり、自分でいろいろやってみてください。

動画のサイズは自由に指定できるんですか?

動画のサイズは指定できます。ただし、16の倍数でなければならないという制約があります。

そのため、例えば500×500という動画は作成できませんが、504×504などのサイズであれば作成可能です。

また、大きすぎる動画はメモリが足りなくて動かないです。

896 × 504の動画を僕はよく作っていますが、それ以上の大きさは難しいと思ってください。

大きな動画を作る場合は、今回の教材で使ったGPUではない、もっとメモリがたくさん搭載されたGPUを使えばできる可能性はありますが、そこまで試していないので、ぜひご自身でやってみてください。

AIが作ったとバレないですか？

現状の技術だと、AIが作ったリップシンクの動画はほぼバレます。

なので、AIが作ったということがバレても構わない用途に使うといいと思います。むしろ「これはAIで作りました」と、自分から明かしてしまうくらいの方がいいと思います。

AIが作ったことがバレたくないという人は、絶対に使わない方がいいと思います。これ、絶対にバレます。

完璧なリップシンク動画を作れますか？

完璧なリップシンク動画は作れません。

この教材を買えば、リップシンク動画が必ず作れるようになりますか？

必ず作れるようになるわけではありません。あなた次第です。

音声と口がうまく合わないことはありますか？

音声がすごく早口の場合は、口の動きが追いつかない場合があるので、ゆっくり、はっきりしゃべった音声を用意することがおすすめです。

動画のFPSはどれくらいですか？

今回の教材では16fps固定です。

これはWan.2.2の制約によるものなので、この16fpsという数値は変えられません。

違和感のないリップシンク動画が作れますか？

これは状況によります。

1. 自分の写真と自分の声でリップシンク動画を作った場合

めちゃくちゃ違和感がある動画が作れます。

2. 自分以外でも、実在する人の写真などを使ってリップシンク動画を作った場合

かなり違和感があるものが出来上がります。

これはなぜかというと、実際にその人をあなたが知っているからですね。

そうじゃなくて、例えばAIけいすけのような、仮想的に実際には存在しない人であれば、まあまあそれなりのものが作れますね。

なので、実在の人物を使った違和感のないリップシンク動画を作ろうと思っているのであれば、この教材ではまずできません。

できないし、現状だと、他のAIツールやサービスでも、まずできないと思ったほうがいいです。

ポッドキャストの面白い台本を作るには、どうしたらいいんですか？

すみませんが、この教材の範囲外です。

音声読み上げをするには、どうしたらいいんですか？また、おすすめの音声読み上げソフトはありますか？

すみませんが、この教材の範囲外です。ちなみに僕はMiniMax Audioを使っています。

リップシンク動画は作れました。その後に動画を編集するには、どうしたらいいですか？

すみませんが、この教材の範囲外です。ですが、Adobe Premiereの教材や、AIで動画を編集する方法などの教材はたくさんありますので、ご自身で勉強してみるといいと思います。

リップシンクをしてくれるようなクラウド型のAIサービスがあると思いますが、それとは何が違うんですか？

この教材と一般的なクラウド型サービスの違いは、主に以下の3点です。

動画の長さ：一般的なクラウド型のサービスだと5〜15秒に対し、一度に最大52秒の長尺動画を生成可能。
圧倒的な低コスト：従量課金のクラウド型で10分程度の動画を作ろうとすると、数千円かかるばあいもあります。本手法なら約200円でできます。
即戦力と自動化：即座に実務へ活用できるスキルとしてまとめてあります。なので、AIエージェントへの組み込みや自動化もできます。

スキルのDLはこちら