OpenMontage で無料AI動画は作れるか？Piper TTS × FFmpeg でゼロコスト検証した全記録

導入：有料API課金ゼロで、AI動画はどこまで作れるのか

2026年、AI動画制作ツールの月額課金は当たり前になりました。Runway、Kling、Soraといったサービスは月数千円〜数万円のサブスクリプションを要求し、「ちょっと試したいだけ」というエンジニアにはハードルが高い状況が続いています。

そこで今回は 「完全無料ツールだけ」という縛りでOpenMontageを実際に動かし、AI動画が完成するかどうか を検証しました。結論を先に出すと、次の通りです。

• ✅ 成功したもの：ナレーション付きドキュメンタリーモンタージュ、アニメーション解説動画、字幕付きスライドショー
• ❌ 無料では届かなかったもの：AIによるオリジナル映像生成、ElevenLabsクラスの自然な音声

この記事では以下の3点を包み隠さず公開します。

1. セットアップから出力までの全コマンド
2. 実際につまずいたポイントとその解決策
3. ゼロコストの現実的な限界ライン

想定読者は Claude CodeやCursorをすでに使っていて、動画制作にも手を広げたいエンジニア です。段階的に理解を深めていきましょう。

OpenMontage とは何か：コーディングアシスタントを動画スタジオに変えるOSS

2026年に注目が急上昇しているプロジェクトの現在地

OpenMontage は、AIコーディングアシスタントを動画制作の司令塔として使う「エージェンティック動画制作システム」です。2026年10月時点では次のような規模に成長しています。

• 12本の制作パイプライン
• 100以上のツール
• 700以上のスキルファイル
• オープンPR 70本以上・issue 40本以上

注目すべきは、Gitリリースタグがまだ発行されていない点です。つまりα〜β段階のプロジェクトであり、公式ドキュメントには書かれていない落とし穴が随所にあります。この記事が実際の検証ログとして機能する理由がここにあります。

従来のAI動画ツールとの決定的な違い

従来のAI動画ツールはブラウザのWebUIで操作するものがほとんどです。OpenMontageはまったく異なるアプローチを取ります。

Claude CodeやCursorといったAIコーディングアシスタントに自然言語で指示を出すと、バックエンドで動画制作パイプラインが自動実行される というモデルです。エディタからターミナルに切り替える必要はなく、普段コードを書くのと同じ感覚で動画制作が完結します。

また、パイプラインがYAMLで定義されているため、特定の工程を無料ツールに差し替えることが技術的に容易です。これがゼロコスト運用の鍵になります。

処理フローの全体像

[AIコーディングアシスタント（Claude Code等）]
        ↓ 自然言語指示
[パイプライン定義（YAML）]
        ↓
リサーチ → 脚本 → シーンプラン → アセット取得 → 編集 → 合成
        ↓
[無料ツールチェーン]
Piper TTS  |  Archive.org / Pexels  |  Remotion  |  FFmpeg

各工程に無料ツールを差し込める「隙間」が設計されており、これがゼロコスト運用の鍵になります。

ゼロコスト制作を支える無料ツールスタックの全体設計

4つの無料ツールで役割を分担する

Piper TTS：ナレーションを完全オフラインで賄う

Piper TTSはMozillaが開発したオフライン音声合成エンジンです。技術的に正確な表現をすると、ONNX形式のニューラルネットワークモデルをローカル推論することで、外部APIに依存しないTTSを実現 しています。

pip install piper-tts

この一行だけで導入が完了します。モデルは30以上の言語・100以上の種類がHugging Faceで配布されており、最新版はv1.8.0（2026年9月公開）です。

最大のメリットは音声データが一切外部に送信されない点です。社内利用や機密性の高いコンテンツにも安心して使えます。ElevenLabsのような表情豊かな感情表現には及びませんが、ナレーションとして聴ける品質は十分に出せます。

映像素材をタダで集める：Archive.org と Pexels の使い分け

Archive.orgのPrelinger Archiveは、20世紀の実写映像がパブリックドメインで大量に公開されており、ドキュメンタリー向けの素材として非常に優秀です。現代的なクリーンな映像が必要な場合はPexelsまたはPixabayを使います。どちらも無料APIキーを取得すれば商用利用可能な範囲でダウンロードできます。

GPU は本当に不要なのか

実際の開発現場では「ローカルAIはGPUが必要」という先入観がありますが、Piper TTS + Remotion + FFmpegはすべてCPUのみで動作します。筆者の検証環境（M2 MacBook Pro 16GB）では1分間の動画で10〜15分程度のレンダリング時間でした。Intel Core i7クラスのマシンであれば15〜25分を見込んでおくと良いでしょう。

セットアップ手順：クローンから初回実行まで

事前に揃えておく環境

• Python 3.10 以上（3.12 推奨）
• Node.js 18 以上
• FFmpeg フルビルド版（後述）

インストールコマンド全手順

git clone https://github.com/calesthio/OpenMontage.git
cd OpenMontage
make setup
cp .env.example .env

make setup は Python 依存ライブラリ・Node.js パッケージ・Piper TTS を一括インストールします。完了まで環境によっては5〜10分かかりますが、進捗ログが流れるので問題ありません。

.env を空欄のままにするという選択

.env.example をコピーして作成した .env ファイルは、APIキーを記入しなくてもゼロコストパイプラインは正常に動作します。ただし、次の項目は うっかり埋めると課金経路が開く ので注意が必要です。

• OPENAI_API_KEY：GPT-4o画像生成・高品質TTSが有効化
• RUNWAYML_API_KEY：Runway Gen-3による動画生成が有効化
• ELEVENLABS_API_KEY：ElevenLabs音声合成が有効化

ゼロコスト検証中はこれらを空欄のまま維持するのがベストプラクティスです。

音声モデルのダウンロード

python3 -m piper.download_voices en_US-lessac-medium

ここに重要な落とし穴があります。Piper TTSはモデルファイルとして .onnx ファイルと .onnx.json ファイルの2つセットが必要です。どちらかが欠けると実行時エラーになります。上記コマンドを使えば両方が正しくダウンロードされます。

日本語ナレーションを使いたい場合は次のモデルが利用可能です。

python3 -m piper.download_voices ja_JP-kokoro-medium

ただし日本語モデルは英語モデルと比較してイントネーションの不自然さが目立ちます。品質について後のセクションで詳しく触れます。

実践：無料縛りでAI動画を完成させる

ケース1：アニメーション解説動画（Remotion + Piper TTS）

Claude Codeに対して次のプロンプトを投げました。

Make a 60-second animated explainer about how neural networks learn.
Use captions and background music. Keep it free tier only.

リサーチから最終MP4出力まで 約12分 で完了しました。中間ファイルは output/ ディレクトリに保存されており、次の方法で確認できます。

ls output/
# script.md        ← 生成された脚本
# scene_plan.json  ← シーンプラン
# assets/          ← 取得した素材
# final.mp4        ← 最終出力

字幕はFFmpegで焼き込まれており、タイミングも概ね正確でした。BGMはPixabayから自動取得した著作権フリー音楽が使われており、実用的なクオリティです。Remotionによるアニメーションはシンプルなフェードイン・スライドが中心ですが、解説コンテンツとしては十分機能します。

ケース2：ドキュメンタリーモンタージュ（Archive.org 実映像のみ）

Make a 90-second documentary montage about what a city feels
like at 4am. Use real footage only, no narration, elegiac tone.

ナレーション無しのケースでは、生成時間が 約8分 に短縮されました。TTSの合成処理がボトルネックであることが分かります。Archive.orgから取得した1940〜50年代の都市映像は雰囲気があり、このユースケースでは無料素材の制約を感じさせないクオリティでした。

AIによる素材の取捨選択精度は想定より高く、「4am」というキーワードに対して夜景・街灯・無人の通りに関連するクリップを優先的に選んでいました。

FFmpegが裏で何をしているか

最終出力の際にFFmpegが実行する主要な処理を確認できます。

# 字幕焼き込み
ffmpeg -i input.mp4 -vf subtitles=captions.srt output_sub.mp4

# 音声ミックス（ナレーション + BGM）
ffmpeg -i video.mp4 -i narration.wav -i bgm.mp3 \
  -filter_complex "[1:a]volume=1.0[narr];[2:a]volume=0.3[bgm];[narr][bgm]amix=inputs=2[aout]" \
  -map 0:v -map "[aout]" final.mp4

# 最終エンコード（品質調整）
ffmpeg -i final.mp4 -crf 23 -preset slow output.mp4

-crf 値を下げる（例：18）と画質が上がりますが、ファイルサイズも増加します。用途に応じて調整してください。

つまずきポイントと対処法：公式も認める5つの罠

実際の開発現場では、セットアップで詰まることが最も多いです。検証中に遭遇した全ての問題を記録しています。

1. make setup が失敗する（Pythonバージョン不一致）

Python 3.10 未満の環境では依存ライブラリのインストールが失敗します。pyenv で切り替えましょう。

pyenv install 3.12.0
pyenv local 3.12.0
python --version  # Python 3.12.0 を確認
make setup        # 再実行

2. Windows の npm install エラー

パスの長さ制限と権限の問題が複合的に発生します。次のコマンドで回避できます。

npx --yes npm install

それでも失敗する場合は、Windows の「長いパスを有効にする」グループポリシーを変更するか、WSL2環境に移行することを推奨します。

3. Remotion が起動しない

Node.js 18 未満が原因です。nvm を使って切り替えてください。

nvm install 20
nvm use 20
node --version  # v20.x.x を確認

4. FFmpeg のコーデック不足

OSのパッケージマネージャーでインストールした最小ビルドのFFmpegは、H.264エンコードやAACオーディオが使えない場合があります。

# macOS
brew install ffmpeg

# Ubuntu/Debian
sudo apt install ffmpeg  # フルビルド版が含まれる

# ffmpeg-full が必要な場合（Arch系）
sudo pacman -S ffmpeg

5. 音声モデルが見つからないエラー

.onnx ファイルのみで .onnx.json が欠けているケースが多いです。

# 一旦削除して再ダウンロード
rm -rf ~/.local/share/piper/voices/en_US-lessac-medium*
python3 -m piper.download_voices en_US-lessac-medium
# ファイルが2つ存在することを確認
ls ~/.local/share/piper/voices/ | grep lessac

正直な検証結果：ゼロコストの限界はどこか

無料だけで十分に作れたもの

• ✅ ナレーション付きドキュメンタリー
• ✅ 図解・解説動画（Remotion + 字幕）
• ✅ 静止画ベースのスライドショーアニメーション
• ✅ BGM付きモンタージュ映像

課金しないと手が届かなかったもの

• ❌ AI動画生成（Kling / Runway / Veo）：オリジナル映像はどうしても有料API依存
• ❌ 高品質TTS：ElevenLabsと比較するとPiper TTSの感情表現は明らかに劣る
• ❌ Flux等による画像生成：ローカル実行はGPUなしでは非現実的な速度

品質の体感評価：無料スタックは「実用」か「お試し」か

用途別の評価をまとめると次のようになります。

日本語ナレーションについては、現時点のPiper TTSモデルでは助詞の読み上げやイントネーションに不自然さが残ります。英語コンテンツを対象とする場合は実用水準に達していると判断できます。

時間コストという隠れた対価

ゼロコストの裏には時間コストがあります。セットアップのトラブルシューティングだけで2〜3時間を要しました。有料サービスであればブラウザを開いて即日使えるところ、その差分はエンジニアとして受け入れられるコストかどうかを事前に考慮してください。

公開前に必ず確認：AGPL-3.0 ライセンスの注意点

OpenMontageは AGPL-3.0 ライセンスで公開されています。技術的に正確な理解として、注意点は次の通りです。

• 改変してネットワークサービスとして公開する場合：ソースコードの開示義務が発生します
• 自分が制作した動画コンテンツそのもの：AGPLの影響を受けません。生成した動画は自由に利用・公開できます
• ローカルで自分だけが使う場合：ソースコード開示義務は発生しません

素材側のライセンスも別途確認が必要です。Archive.orgの映像はパブリックドメインであっても個別に確認が必要なケースがあり、Pexelsの規約では素材そのものの再配布は禁止されています。最終的な商用利用の判断は各素材の個別ライセンスに基づいて行ってください。

まとめ：ゼロコストAI動画制作は「条件付きで」成立する

今回の検証で明らかになった境界線をまとめます。

作れるもの：既存素材（Archive.org・Pexels）＋Piper TTS＋Remotion＋FFmpegで構成できる動画。ドキュメンタリー・解説・スライドショー系は十分に実用レベル。

作れないもの：AIがゼロからオリジナル映像を生成するコンテンツ。これは有料API（Runway、Kling、Veoなど）なしには現時点で実現できません。

最初に試すなら「ナレーション無しドキュメンタリーモンタージュ」 をお勧めします。TTS合成が不要なぶん成功率が高く、Archive.orgの素材は品質が高いため、初回でも満足度の高い成果物が得られます。

α〜β段階のプロジェクトであることを前提として付き合うのがベストプラクティスです。issueやPRを見ながら最新の状況をキャッチアップし、自分のユースケースに合ったYAMLパイプラインを育てていく姿勢で取り組むと、このツールの価値を最大限に引き出せます。

次のステップとして、課金を検討するなら音声品質（TTS）への投資が最も費用対効果が高い と判断しています。ElevenLabsの月額課金（$5〜）を加えるだけで、クライアント納品に耐えうる動画品質に一気に近づきます。映像生成（Runway等）への課金はその次のステップです。

よくある質問（FAQ）

OpenMontage は本当に完全無料で使えますか？

ツール自体は無料ですが、ゼロコストで使えるかどうかは「何を作るか」に依存します。既存素材＋オフラインTTSの組み合わせであれば完全無料で動作します。AI映像生成や高品質音声合成は有料APIが必要です。

Claude Code 以外のAIアシスタントでも動きますか？

公式ドキュメントによるとCursor・GitHub Copilot・WindsurfなどMCP対応のアシスタントであれば動作するとされています。ただし実際の開発現場ではClaude Codeでの検証事例が最も豊富です。

日本語ナレーションの品質はどの程度ですか？

2026年10月時点で利用可能な ja_JP-kokoro-medium モデルは実用水準に届きつつありますが、英語モデルと比較してイントネーションの不自然さが目立ちます。社内資料であれば許容範囲、YouTube公開コンテンツでは改善の余地があります。

GPU がないマシンでも実用的な速度が出ますか？

1〜2分程度の動画であれば10〜25分程度で出力できます（マシンスペック依存）。長編コンテンツや大量バッチ処理の場合は時間的コストとのトレードオフを考慮してください。

生成した動画を商用利用してもいいですか？

OpenMontage自体のAGPLライセンスは生成物には影響しません。ただし使用した素材（Archive.org映像・Pexels素材・BGM等）の各ライセンスを個別に確認する必要があります。商用利用を前提とする場合は、各素材の商用ライセンス条件を事前に精査してください。