# タコとAIエージェントの制作会話

ここでは、127.77秒・23ショットのメイン動画を作る過程で、作品の作り方を変えた実際のやり取りを抜き出します。表記は読みやすいように一部だけ整えています。

## 1. 一枚の画像ではなく、動く縦動画を使う

### タコ

> あと、渡した動画の1フレームだけを切り取って、動画にするの？

### AIエージェント

Excel絵コンテに表示する画像は、構図を確認するための代表フレームです。完成動画では、外フェンスや玄関前フェンスのMOVを連続した実写として使い、カメラ移動、草木の動き、風や鳥の環境音を残します。縦動画は横へ伸ばさず、中央の元映像と左右のぼかし背景で16:9へ収めます。

## 2. タコの大きさを感覚ではなく数値で合わせる

### タコ

> タコさんの大きさを全体的に統一してね。160cmぐらいだよ。フェンスは140cm、その上のテープは2mって分かってるよね？ これはでかすぎるよ。

### AIエージェント

タコ約160cm、内フェンス140cm、金色テープ約200cmを共通の物差しにしました。比較対象と同じ地面・同じ奥行きへタコを置き、140cmのフェンスに対して約14%高く見えるよう数値で確認しました。画像生成だけでは尺度が再び曖昧になったため、実写を確定したあとにタコの位置とピクセル高をローカル合成で固定しました。

## 3. 矢印をやめ、実物のフェンスへ表示を合わせる

### タコ

> オレンジの罫線がフェンスに合っていないので分かりにくい。矢印の矢は変。外フェンスも矢印が分かりにくい。

### AIエージェント

既製の矢印を廃止し、内フェンスは橙、外フェンスは赤で、実際の支柱列とテープの曲線を直接なぞる方式へ変えました。遠近方向も画面の都合で決めず、実物の地面とフェンス上端に沿わせました。文字、色線、寸法は画像生成に任せず、決定的なローカル編集で固定しました。

## 4. 使える素材でも、今回の話を散らすなら外す

### タコ

> `シカ再び.mp4`を入れた。
>
> 最後のオチで、外フェンスを見ながら「まるでウォール・マリアだね」と言ったら、超巨大なキャラが奥から歩いてくるオチにしたい。

その後、完成の流れを見て、次のように判断しました。

> シカ再びの場面は今回はいらないよ。別の回で使うね。巨大人型は、重低音で「ドコ……ドコ……」って音が響きながら歩いてくる感じ？

### AIエージェント

`シカ再び.mp4`は削除せず、今回の最終版からだけ外しました。オチは、タコが「ウォール・マリア」と言う、低い足音に気づく、同じ画角の奥からオリジナルの巨大人型が二歩近づく、二歩目直後に暗転する、という短い因果へ絞りました。

## 5. 勝手に修正を始めず、認識を確定する

### タコ

> こらこら、勝手に修正を開始しない。巨大人型が出る側にもタコさんがいないと不自然だね。オレンジの線が奥へ下がるのも不自然。

### AIエージェント

作業を止め、先に認識を整理しました。巨大人型のカットにも直前と同じタコを、同じ画角・位置・大きさで残す。内フェンスの線は実物の遠近に沿わせる。変更点をまとめて確認したあとにだけ反映する、という順序へ戻しました。

## 6. 本人らしい声を選び、映像を声へ合わせる

### タコ

> 音声を僕の音声を使って作れないかな？

比較試聴後:

> 表情ありがいい感じに聞こえる。あと、これは早口すぎない？

さらに:

> 今後もタコさんはこの声にしたいんだけど、やり方は確立できる？

### AIエージェント

約20秒の短い本人音声を参照するChatterbox TTS 0.1.7のゼロショット音声合成を使い、「控えめ」「自然」「表情あり」を比較しました。選ばれた「表情あり」で全20台詞を作り、声を3秒へ押し込まず、`音声尺＋0.55秒以上`を基準に映像側を延長しました。話速は全台詞1.0倍です。

誤読は全音声を作り直さず、「内フェンス」「140センチ」を含む5台詞だけ、読み上げ用文字を分けて再生成しました。本人の参照音声は非公開のローカル環境だけで扱い、成果物へ複写していません。

## この会話から分かったこと

実写と生成キャラクターを自然につなぐには、見た目の雰囲気だけでなく、元動画の時間、縦横比、地面、奥行き、実寸、人物の連続性を一つずつ固定する必要があります。声も映像へ無理に押し込まず、自然な声を先に作ってから映像の長さを決める方が伝わります。そして、素材が増えても全部を使うのではなく、今回の核を守るために外す判断が必要でした。