音効は AI 動画に残った最後の手作業

動画モデルは今や音声を生成する。Veo は音付きで出てくるし、Seedance も映像と音が一緒に出る。MiniMax H3 は映像とステレオ音声を同じパスで生成し、Gemini の Omni 系はフレームを書き出すのと同時に同期した音声を書き出す。無音で生成する時代はこの一年のどこかで終わった。戻ろうとする人はいない。
それなのに、完成した AI 動画はどれも、まだ手で組み立てたような音がするのはなぜか。
実際に手で組んでいるからだ。生成された音声は土台を一枚敷くだけで、環境音、場合によっては音楽のキュー、頼めば台詞らしきものが付いてくる。完成品に要るのは設計された音のほうだ。4 秒目に閉まるドア。キャラクターが振り向くときの布の動き。金属ではなくプラスチックのラッチが鳴らす、あの中空のカチッという音。この層は今も、ライブラリから買うか、整音した部屋で録るか、2019 年に誰かがライセンスしたパックから引っ張ってくる。
ElevenLabs の Sound Effects v3 が今週 fal に載った。効いてくるのはバージョン番号ではなく、エンドポイントがどんな形をしているかのほうだ。何を開いていて、何を先回りして片付けてくれているのか。
エンドポイントが開いているもの
テキストを入れると音効が出てくる。最大 30 秒。書いた文脈を踏まえて生成される。ウェブ画面ではなく fal の API から叩ける。そしてギャップのないループをネイティブにサポートし、環境のベッドとゲーム音声という二つの用途をはっきり狙っている。

そのうち三つは普通だ。四つ目は普通ではない。
ギャップレスループは技術的な制約で、多くの生成オーディオがこれを苦手にしている。ループは始まった場所で終わらなければならない。位相が揃っていて、継ぎ目にクリックがなく、モデルが収束しようとした痕跡の盛り上がりも聴こえてはいけない。ゲームのレベルを組んだことがある人、10 分の環境トラックを作ったことがある人なら分かる。20 秒ごとに一回呼吸するループポイントだ。あれが出た時点で素性はばれる。
テキストから音声を作るモデルにループを頼むのは、単体で気持ちよく聴こえるかとは無関係な制約を満たさせることになる。それを後処理で直すものではなく、ネイティブ機能として並べた点が、このリリースの実質だ。
30 秒というのももう一つの制約で、これは書いておく価値がある。シーン全体もスコアも無理だ。だがタイムラインを実際に埋めるものは無理ではない。車の屋根に当たる雨、サーバールームの唸り、市場の群衆、砂利を踏む足音、建物の空調の低い響き。ループできるベッドの 30 秒は、クロスフェードすれば 1 分の映像を覆えるし、きれいに回れば 1 時間を覆える。こうした素材はもともとカットではなく背景だ。
なぜこれがアグリゲーターの上で動くのか
fal は推論プラットフォームで、数百の画像、動画、音声、3D モデルを一つの API の後ろに並べている。Adobe、Canva、Shopify といった顧客がいる。そこに ElevenLabs の音効エンドポイントが加わるのは小さな製品ニュースだが、構造的な意味は大きい。音声が映像と同じパイプラインの中で一級市民になったということだ。
これが効くのは、AI 動画制作が実際にどう分解されるかによる。今のワークフローは別々の呼び出しの連鎖だ。脚本、キーフレーム、アニメーション、アップスケール、声、音楽、効果音、ミックス。以前はどの工程も別のツールにあり、請求の関係も別で、一つ変えるには別の場所にログインし直す必要があった。効果音のエンドポイントが動画のエンドポイントの隣に座れば、その連鎖は一つのプログラムになる。一つのプログラムなら、バージョンを切り、再実行し、コストを積むことができる。
コストの話は静かなほうの論拠だ。小さな制作の中で、人の一時間が本当に代替できない項目は少ない。音響設計はその一つで、「この部屋はどんな音がするか」に正解はなく、判断でしか決まらない。生成エンドポイントはその判断を消さない。判断と素材の間にある調達の工程を消す。
生成された音がまだ失敗するところ
失敗の型は三つあり、先に手を打っておく価値がある。
一つ目は具体性。「ドアが閉まる」と書けば、どこにでもあるドアが出てくる。フォーリーの職人芸はドアを選ぶことにある。重さ、ラッチの種類、枠が金属か木か。プロンプトである程度は運べるが、モデルの既定値は聴いてきたもの全部の平均で、平均的なドアは誰も気に留めないドアだ。書く量が少ないほど、その平均に戻る。それが正しいこともあれば、シーンが安っぽく感じる原因になることもある。
二つ目は重ね。実際のシーンは積み重ねだ。ベースの環境音、中間層の活動、その上に点の効果音、全体が台詞の下で沈む。生成一回につきステムは一本。生成した五つの音を説得力のあるミックスにまとめるのは、生成ではなくミックスの問題で、違いが聴き分けられる人は今も要る。この作業は長いプロンプトに外注できるものではない。
三つ目は同期。映像と別に生成した音は、映像に合わせて置かねばならない。フレーム単位で合わせるのはタイムライン上の作業で、足が着地したフレームに足音を確実に置くテキストプロンプトは存在しない。だからこそ面白い仕事は音声と映像を一度に出すモデルで起きているし、一部のモデルが今出している 5 ステム分割は見た目より大きい。一度の生成で同期が手に入り、ステム分割で後からバランスを取り直せる。
生成された効果音に必ず聞く三つのこと
痕跡なくループするか。二回続けて読み込み、継ぎ目で聴く。呼吸が聴こえたら、それはベッドではなくクリップで、レベルではなくシーンの下に置くものだ。この試験に機材はいらない。ヘッドホン一本で足りる。
重ねに耐えるか。単体で見事な音はミックスで消えることが多い。もっと悪いと台詞とぶつかる。使うつもりの音量より低いレベルで効果音を頼み、キャラクターが残るか見る。ミキサーのフェーダーはもともとそのためにある。
正しい部屋に座るか。リバーブは文脈で、文脈こそテキストプロンプトが最も苦手とする部分だ。中身が同じ二つの効果音でも、空間が違えばしっくりこない。同じ音を寝室に置くのと地下駐車場に置くのでは別物になる。直し方はたいてい、プロンプトを良くするのではなく別パスを回すことだ。
どれも難しい試験ではない。音響デザイナーが 10 秒で回す試験で、この仕事が存在する理由でもある。こうしたエンドポイントの価値は、その試験を三つではなく二十の候補に対して回せることにある。三つなら一番ましなものを選ぶしかないが、二十あれば正しいものを選び始められる。
実務的な帰結
一人で作る人にとって、変わるのは初稿のコストだ。映像と同じループの中で音を反復できる。つまり二つは一緒に設計され、音が最後の仕上げ工程としてやってくることはなくなる。ワークフローの改善であり、ワークフローの改善は積み上がる。
スタジオにとって価値はロングテールにある。ライブラリは計画した音を覆う。編集が夜 11 時に要求したあの一音は覆わない。まさにそこがテキストプロンプトの得意な場面だ。具体的に書くほど、頭の中の音に近づく。
ツールを作る人にとって、エンドポイントがアグリゲーターの上にあること自体が信号だ。音声はもう別会計の買い物ではない。レンダリングと同じ要求チェーンのパラメータであり、音声を独立した工程として扱う製品は一四半期で遅く感じられる。
正直にまとめる。これは音響デザイナーを置き換えないし、リリースもそうは言っていない。置き換えるのは、音響デザイナーが一日のうちライブラリを漁って「そこそこ近いもの」を探す時間だ。省かれているのは検索であって、判断ではない。その時間は言葉より大きく、ポストプロダクションの全員が嫌っている部分だ。