【完全コピペ対応】「ずんだもん＆四国めたん AI動画自動化システム」の全コード公開｜台本を書くだけで動画が完成する実際に動く仕組みの作り方

こんにちは、「MAKO」です。

前回の記事「AIエージェントに「ずんだもん＆四国めたん動画」を全自動で作らせてみた」に、たくさんのスキをいただきました。本当にありがとうございます。

あの記事を公開してから「 自分でも同じシステムを構築したい 」「 具体的なコードを教えてほしい 」というメッセージを多数いただきました。

この記事は、その声にお応えするものです。

深夜二時、初めて `output/video.mp4` を再生した瞬間——ずんだもんが「なのだ！」と喋り始めた時の興奮は、今でも忘れられません。あの瞬間を、あなたにも体験してほしい。

この記事を読めば、あなたは今日中に「台本を書くだけで動画が完成するシステム」を自分のPCに構築できます。 通常ゼロから環境構築すると約3日かかるところを、ここに書いてあるコードをコピペすれば 30分 で動画出力まで到達できます。一切の省略なく完全公開します。

この記事で手に入るもの

「面白そうだけど、自分には難しそう……」と思った方。安心してください。

この記事には、 プログラミング初心者でもコピペで動かせるように 、以下のすべてが含まれています。

• VOICEVOX × Remotion × Antigravityの 完全なソースコード一式

• 台本から音声を自動生成する Pythonスクリプト（2ファイル）

• 音声と映像を同期させる Remotionコンポーネント（3ファイル）

• 画像のエラーを回避する 最適化スクリプト

• コマンド2つで動画が完成する 実行手順書

• AIエージェントに渡すための 指示書テンプレート

• そして、実際に動作する 台本JSONのサンプル

前回の記事で紹介した「仕組みの概要」に対して、今回は 「全部動く実物」 をお渡しします。

はじめに：このシステムの全体像

仕組みはシンプルです。

Step 1 → JSON形式で「台本」を書く
Step 2 → コマンドを1つ叩く（音声生成）
Step 3 → コマンドをもう1つ叩く（動画レンダリング）

【完成品イメージはこちら】
今回のシステムを使って実際に生成された動画です。

これだけで、以下のスペックの動画が出力されます。

• 解像度 — 1920×1080（Full HD）

• フレームレート — 30fps

• コーデック — H.264（MP4）

• 動画長 — 台本の量に応じて自動計算（サンプルでは約3分）

• ファイルサイズ — 約3〜20MB（内容による）

人間がやるのは台本を書くことだけ。音声合成、タイミング計算、レイアウト、エンコード——すべてが自動です。

必要な準備（無料ツールだけでOK）

このシステムはWindows11 がインストールされたミニPCにて作成、および動作確認を実施しています。
CPU 　N100
メモリ　16 GByte
SSD　 477 GByte

構築に必要なものはすべて無料で入手できます。

• Node.js（v18以上推奨）
  → https://nodejs.org/ からダウンロード

• Python（3.10以上推奨）
  → https://www.python.org/ からダウンロード

• VOICEVOX（デスクトップアプリ版）
  → https://voicevox.hiroshiba.jp/ からダウンロード

• Pythonパッケージ（`requests` と `Pillow`）
  → Pythonインストール後にコマンドで導入

ここまでのセットアップは、検索すれば無数に解説記事が出てきます。

さて、ここからが本題です。

上の4つを揃えた状態で「よし、動画自動化システムを作るぞ」と検索を始めると、バラバラに散らばった情報をかき集め、バージョン差分によるエラーに悩まされ、Remotionの設定で丸一日が溶け——という世界が待っています。私自身がまさにそうでした。

この有料エリアでは、 その「3日間の試行錯誤」を30分に圧縮する ために、動作確認済みの完全なコードと設定ファイルを提供します。

もちろん、自力で組み上げる腕に自信がある方はこのまま閉じていただいて結構です。「時間を買いたい」方だけ、この先へどうぞ。