hyperframesで文章から動画を作る手順

こんな人に向いています

• Claude Code か Codex を使っている 人（この手順はどちらかが必要です）
• 記事やメモなど、 すでに文章がある 人
• 動画編集ソフトを触ったことがない、または途中でやめた人
• 顔出しをしたくない人
• 自分の声を録音するのが嫌な人
• 撮影用の素材を用意する時間がない人

顔も声も出さずに作れるので、画面に出るのは文章と画像、聞こえるのは合成音声だけです。

逆に、凝った演出やアニメーションを自分で細かく作り込みたい人には向きません。 ここでやるのは「文章を渡して動画にする」までです。

先に確認してください（必要な契約）

この手順は、AIへ指示を出して進めます。 使うのは Claude Code か Codex で、 どちらも有料の契約が必要です 。 すでに契約している方は、この手順のために追加で払うものはありません。

契約していない場合、この手順は動きません。 先にどちらかを使える状態にしてから読んでください。

動画を作るhyperframesと、ナレーションを作る音声は無料で使えます。

これは最小構成です

この手順は、いちばん少ない素材と手間で1本作りきる形にしています。 文章1つだけで最後まで進むので、まず1本完成させることを優先しています。

足したいものがあれば、あとから足せます。 使いたい写真や動画があれば同じフォルダへ入れる。 色や文字の大きさ、画面の向きを変えたい。BGMを入れたい。 どれもAIへ伝えれば追加してもらえます。

最初から全部を盛り込もうとすると、動画になる前に止まります。 まず最小構成で1本作って、そこから必要なぶんだけ足していく形をおすすめします。

文章はあるのに、動画にするところで止まっていました

文章を書くことはできても、それを動画にするとなると急にやることが増えます。

文章を短く区切って、画面に出す文字を作る。 ナレーションを録る。 文字と音声のタイミングを合わせる。 内容に合う画像を入れて、最後に動画を書き出す。

ここまで自分でやるなら、文章のままでいいと思ってしまいます。

でも実際にAIへ頼んでみると、私がやったのは文章を入れたフォルダを用意して、指示を送ることでした。 途中で動画編集ソフトを開くことも、自分の声を録ることもありませんでした。

最初に作ったのは、約1,700字の文章を使った1分48秒の動画です。 完成まで15分15秒。生成を待っている時間も含まれています。

動画ができると、ブラウザで確認できるURLが送られてきます。 直したいところがあれば、そのままAIへ伝えます。 確認が終わると、投稿できるMP4まで書き出してもらえます。

つまずいた箇所

ただ「文章から動画を作って」と頼むだけでは、思ったとおりにはなりませんでした。

• 英数字が読み間違えられました（MP4が「エムピーヨン」と読まれました）
• 画面に出る文字と、聞こえてくるナレーションがずれました
• 画面の文字が「できまし」と「た。」の2行に分かれました
• 音声ファイルの名前の付け方で、AIが順番を取り違えました

どれも、指示の出し方を変えたら直りました。 その直し方も、この手順に入れています。

この手順に入れているもの

この手順には、上で止まった箇所を直しながら作った内容をまとめています。

• 文章を入れるフォルダを作るところから、MP4を書き出すまでの5工程
• テロップ分割・音声作成・動画生成・検品・書き出しまでを1回で頼む共通プロンプト
• 音声生成用のプロンプト
• 不自然な改行や読み間違いを、指摘する前に直させる検品の指示文
• 完成した動画で確認する箇所
• 画像1枚を渡してキャラクターをしゃべらせる手順（実測35秒）

プロンプトは、クリックしてコピーできるようにしています。 自分で指示文を考える必要はありません。コピーして、AIへ貼るだけです。

先に知っておきたい、音声の規約

これは先に知っておいたほうがいい話なので、手順に入る前に書いておきます。

ナレーションに使う合成音声は、 ソフト本体の規約と、声そのものの規約が別になっています 。 ソフトが商用利用OKでも、声の提供元が「有料教材や情報商材での利用は禁止」としている場合があります。

作った動画を何に使うかによって、選べる声が変わります。 使う前に、ソフトの規約と、声の提供元の規約の両方を確認してください。 確認する項目は、この手順の後半にも一覧でまとめています。

用意するもの

この手順では、AI側の契約が必要です。hyperframesとKokoroは無料で使えます。 Kokoroはhyperframesから使えるため、別の音声ソフトを起動する必要はありません。 VOICEVOXがインストールされている場合は、Kokoroの代わりに使えます。

画像は指示すればhyperframes側が生成します。使いたい画像がある場合だけ用意すれば大丈夫です。

パソコン側に Node.js 22以降 と FFmpeg が必要ですが、 入っていなければAIに「hyperframesを動かすのに必要なものを入れて」と頼めば揃います。

最初に動画作成用の専用フォルダを作る

最初に、AIを使う作業専用のフォルダを作ることをおすすめします。

私の場合は、codeフォルダの中だけでAIを使っています。 その中をweb、app、movieなどに分けています。 Web制作なら、さらにサイトごとのフォルダを作り、そのフォルダを作業場所としてClaude CodeやCodexを開きます。

今回使うのはmovieフォルダです。 hyperframesもmovieフォルダに置き、作りたい動画ごとに素材用のフォルダを作ります。

文章だけで作る場合は、画像を入れなくても大丈夫です。 手元にある画像や動画を使いたい場合は、元の文章と同じフォルダに入れます。

Claude CodeやCodexはmovieフォルダで開きます。 あとは「観葉植物の動画フォルダの素材を使って、動画を作って」と指示すれば、 AIがそのフォルダの中身を確認して作業を始めます。

使う音声を先に選びます

ナレーションは合成音声で作ります。自分の声を録る必要はありません。 音声は、hyperframesに用意されているKokoro、またはVOICEVOXで作れます。 どちらを使うかは、プロンプトを送る前に選びます。あとから切り替える前提の手順ではありません。

Kokoroを使う場合は、別のアプリを起動する必要はありません。 ただし漢字をそのままKokoroへ渡すと、漢字の部分を「Chinese letter」と読むことがありました。 この手順では、Misakiの日本語G2PをOpenJTalkモードで通してから音声にする指示を使います。

VOICEVOXがインストールされている場合は、同じ読み上げ.txtからVOICEVOXの音声も作れます。

完成例と同じ声を使う必要はありません。 このガイドの完成動画と、ご自身が作る動画で、別の音声を使っても手順は同じです。 ただし音声によって利用条件が違います。規約は後半の「注意点」にまとめています。

全体の流れ

工程は5つです。

1. テロップに割る（AIに書かせる）→ テロップ.txt（画面に表示する文章）と読み上げ.txt（音声にする文章）ができます
2. 音声にする（KokoroまたはVOICEVOXをAIに操作させる）→ 音声/001.wav 〜（1行＝1ファイル）
3. 動画を組む（AIに指示）
4. ブラウザで再生して確認する
5. 書き出す → 完成動画

5工程ありますが、手を動かすのはプロンプトを送るところと、④の確認だけです。 あとは待っている時間になります。

要点は 1行＝1テロップ＝1音声ファイルで最後まで揃える ことです。 ここが崩れると、動画を組む段階で音声とテロップの対応が狂います。

事前の準備

1. movieフォルダの中に、作りたい動画の素材フォルダを作ります
2. movieフォルダを作業場所にして、Claude CodeまたはCodexを開きます
3. hyperframesのスキルをmovieフォルダへ導入します（AIに一度伝えるだけです）

https://github.com/heygen-com/hyperframes のスキルを、このmovieフォルダに導入してください。
Node.jsとFFmpegが入っているかも確認して、なければ入れてください。

Kokoro、Misaki、OpenJTalk、日本語Whisperは、この導入文では入れません。 Kokoroを選んだ場合は、後ろにあるKokoro用プロンプトを実行するときに、足りないものもAIに揃えてもらいます。

KokoroではなくVOICEVOXを使う場合は、VOICEVOXを公式サイトからダウンロードしてインストールします。 使う声の規約も、ご自身で必ず確認してください。

まとめて頼むプロンプト

テロップ分割から音声作成、動画生成、検品、MP4の書き出しまでを1回で頼みます。 送るのは 共通プロンプトと音声プロンプト の2つです。

1. 共通プロンプトをコピーします
2. Kokoro用かVOICEVOX用の音声プロンプトを1つ選び、共通プロンプトの下へ続けて貼ります
3. 2つを同じ入力欄へ貼ってから、まとめて1回送信します

貼ったあと、送信前に次の2か所を書き換えます。

• 「ここに素材を入れたフォルダ名を書く」を、実際のフォルダ名に置き換えます
• 縦型で作りたい場合は「横型1920×1080」を「縦型1080×1920」に書き換えます（正方形なら「正方形1080×1080」）

共通プロンプト

対象フォルダにある文章と素材を使って、テロップ付き・ナレーション付きの動画を作ってください。

【対象フォルダ】
ここに素材を入れたフォルダ名を書く

対象フォルダ内にある動画の元になる文章を使ってください。
本文だけを対象にし、リンク・CTAは含めないでください。

【テロップの分け方】
- 句読点（、。）を区切りにして改行してください
- 句読点は削除してください
- 1行を、画面に1回表示するテロップにしてください
- 句読点で分けても1行が長い場合は、意味が切れない位置でさらに分けてください

【作るファイル】
対象フォルダの中に、次の2つのファイルを作ってください。

テロップ.txt：画面に表示する文章です。英数字は元の表記を残してください。
読み上げ.txt：テロップ.txtをコピーし、英数字だけを読み方のカタカナに直してください。

2つのファイルは、行数と文章の順番を必ず揃えてください。

【音声の作り方】
- この共通プロンプトの下に貼られた音声生成プロンプトに従ってください
- 読み上げ.txtを1行ずつ音声にしてください
- 1行につき1つの音声ファイルを作ってください
- 複数の行を1つの音声ファイルにまとめないでください
- ファイル名は001.wav、002.wavのように連番にしてください
- 対象フォルダの中に音声フォルダを作り、そこへ音声ファイルをまとめてください
- 対象フォルダの中に音声一覧.txtを作り、ファイル名・秒数・テロップの対応を1行ずつ書いてください
- 漢字・固有名詞・英数字が正しく読まれているか、実際の音声を確認してください

【動画の作り方】
- hyperframesを使って、横型1920×1080の動画を作ってください
- 元の文章に見出しがあれば、シーンの区切りに使ってください
- 画像は内容に合わせて生成してください
- 誇張せず、元の文章に書かれている内容と数字を変えないでください
- テロップ.txtの1行を、画面に1回表示してください
- 001.wavにはテロップ.txtの1行目、002.wavには2行目という順番で対応させてください
- 画面に出すテロップにはテロップ.txtを使い、読み上げ.txtのカタカナは表示しないでください

【検品】
- テロップ・音声・画像の対応を最後まで確認してください
- 読み間違い、音声とテロップのズレ、文字切れは指摘を待たずに修正してください
- テロップを除く画面上の文字で、文末の1〜4文字だけが次の行に残る改行を禁止してください
- 横幅に収まらない場合は、不自然な位置で改行せず文字サイズを縮小してください
- 実際のフォントを読み込んだスナップショットで、画面上の文字を確認してください

【完了時】
- ブラウザで確認できるURLを出してください
- 最終検品後、MP4を書き出してください
- 完成したMP4は対象フォルダにも入れてください
- 完成したMP4の保存先も教えてください
- ログインや認証など私の操作が必要な場合を除き、途中で確認を求めず最後まで進めてください

Kokoroを使う場合

共通プロンプトの下へ、次のプロンプトを続けて貼ります。

Kokoroの日本語音声を使ってください。
漢字をKokoroへ直接渡さず、Misakiの日本語G2PをOpenJTalkモードで通してIPA音素へ変換し、is_phonemes=Trueで合成してください。1行1WAV、話速1.2。
生成後、各行について「元テキスト・生成音素・秒数」を記録し、日本語Whisperで逆文字起こしして内容を検品してください。eSpeak単体の日本語音素変換は使わないでください。

VOICEVOXを使う場合

VOICEVOXがインストールされている場合は、共通プロンプトの下へこちらを続けて貼ります。

読み上げ.txtを使って、VOICEVOXで音声を作ってください。
VOICEVOXの出力を使い、読み上げ.txtの1行ごとに分かれた音声ファイルを書き出してください。
読み間違いがある行は、読み上げ.txtを修正して音声を作り直してください。

送信したあとは、AIが①〜⑤を続けて進めます。 ここから先は、その中で何が起きているのかと、確認する箇所の説明です。

① テロップに割る

文章をそのまま渡すのではなく、 1回で画面に表示する単位 に改行して並べたテキストを作ります。これはAIに書かせます。

このとき、 テロップ用と読み上げ用の2つのファイル を作ります。 どちらも1行目どうし、2行目どうしが同じ内容になるよう、行数と順番を揃えます。

画面にはテロップ.txtを使い、音声は読み上げ.txtから作ります。 ファイルを分けることで、音声生成へテロップ用の文章まで送るのを防げます。

このとき除くもの

• コードブロックの記号（バッククォート3つ）— そのまま読み上げてしまう
• 執筆用のメモや空欄（「ここにリンクを貼る」など）
• 末尾のCTA・リンク類

書き下ろしの台本から作る場合は、最初から1行ずつ書けばこの工程は必要ありません。 既存の文章を使い回すときだけ必要になります。

英数字はカタカナに直す（読み上げ用のみ）

音声生成では、英数字をそのまま渡すと読み間違えることがあります。VOICEVOXで試したときの読みは次のとおりです。

カタカナに直すと誤読が消え、文字ごとに区切られて聞き取りやすくなります。

ただし、画面に出すテロップまでカタカナにすると読みにくくなります。 「チャットジーピーティーを使いました」と表示されるのは不自然なので、 表示用は元の表記のまま残します。

出来上がりの形です。

テロップ.txt

• 観葉植物を枯らさないコツは
• 水やりの回数ではありませんでした
• MP4で書き出して終わりです

読み上げ.txt

• 観葉植物を枯らさないコツは
• 水やりの回数ではありませんでした
• エムピーフォーで書き出して終わりです

英数字を含まない行は、2つのファイルで同じ内容になります。

ここまでで、動画の材料になる2つのファイルができます。

② 音声にする

音声にするのは読み上げ.txtだけです。テロップ.txtは動画を組む段階で使います。

Kokoroを選んだ場合は、漢字をKokoroへ直接渡さず、Misakiの日本語G2PをOpenJTalkモードで通してIPA音素へ変換します。 変換した音素をis_phonemes=TrueでKokoroへ渡し、1行につき1つのWAVを作ります。 生成後は、元の文章・生成した音素・秒数を行ごとに記録し、日本語Whisperで音声を文字に戻して内容を確認します。 eSpeak単体の日本語音素変換は使いません。

初回は、Kokoro、Misaki、OpenJTalk、日本語Whisperの準備に時間がかかることがあります。 必要なものが入っていない場合は、AIにエラーを確認して揃えてもらいます。

VOICEVOXを選んだ場合は、VOICEVOXの画面へ1行ずつ手作業で入力する必要はありません。 読み上げ.txtを使うように伝えれば、行ごとに分かれた音声ファイルまで作ってもらえます。

ファイルの並べ方

対象フォルダの中は、次の形になります。

ファイル名は連番だけにします。 音声の書き出し機能をそのまま使うと 話者名や本文が入った長い名前になることがあり、 動画を組むAIが対応を取り違えやすくなります。本文は別ファイルに置きます。

秒数の一覧も出します。 これがあると、動画を作るAIが最初から全体の尺と シーン配分を計算できます。無いと、組み終わるまで長さが分かりません。

③ 動画を組ませる

AIはテロップ.txt、読み上げ.txt、音声/、音声一覧.txtを使って動画を組みます。

共通プロンプトには、次の項目がすでに入っています。自分で書き足す必要はありません。

• サイズ ：横型1920×1080。縦型・正方形にする場合だけ、送信前にこの部分を書き換えます
• 章立て ：元の文章に見出しがあれば、そのままシーンの区切りに使えます
• 残したい数字 ：実測値などは削らせません
• トーン ：誇張しない、実体験ベース、など
• 音声とテロップの対応 ：1行＝1ファイルで揃っていること
• 画面に出すのはテロップ.txt ：読み上げ.txtのカタカナは表示させません

検品の指示（重要）

共通プロンプトの【検品】は、テロップについての指示ではありません。 テロップは、最初から1行で表示できる長さに分けているため、途中で改行されない前提です。 対象は、テロップとは別に動画の画面上へ配置される文字です。 何も言わないと、「AIに任せたら自然につながった。」が 「AIに任せたら自然につながっ」と「た。」の2行に分かれることがあります。

不自然な改行・文字切れ・孤立行・読み間違い・音声とテロップのズレは、 指摘を待たずに修正する指示も入れています。

④ ブラウザで再生して確認する

生成が終わると、AIからURLが送られてきます。

リンクの開き方

ブラウザが開き、動画編集ソフトのような画面が表示されます。

再生のしかた

1. すぐには再生できないことがあります。 画面が安定するまで少し待ちます
2. 中央の映像が表示されている部分の、 左下にある ▶️ ボタン をクリックします
3. 最後まで再生して、テロップ・音声・画像を確認します

直したいところがあれば、そのままAIに続けて指示を出します。 画面を閉じる必要はなく、修正後にまた同じように再生して確認できます。

⑤ 書き出す

共通プロンプトには、最終検品後にMP4を書き出す指示も入っています。 AIから完成したMP4の保存先が送られてきます。

AIが自動で書き出せなかった場合だけ、画面右上の緑色の「Export」ボタンをクリックします。

書き出し先は hyperframes/renders/ です。 ファイル名には書き出した日時が入るので、作り直すたびに別ファイルとして残ります。

注意点

音声の規約（必ず読む）

この手順では、KokoroとVOICEVOXの使い方を紹介しています。 ここに書いている内容は、特定の音声がすべての用途で使えることを保証するものではありません。

Kokoro-82Mの公式モデルページには、ライセンスがApache 2.0と記載されています。 日本語音声は、公式の音声一覧で確認できます。

• Kokoro-82M公式モデルページ
• Kokoro-82M公式音声一覧
• hyperframes公式GitHub

VOICEVOXの場合、ソフト本体の規約には、商用・非商用を問わず利用できると書かれています。 ただし、作成した音声は 各音声ライブラリの規約に従う必要があります。

• VOICEVOXソフトウェア利用規約

キャラクターの声を使う場合は、VOICEVOX本体の規約だけでなく、 キャラクター提供元の規約も確認してください。 ほかの音声合成ソフトを使う場合も、ソフト本体と使用する音声の両方を確認します。

選ぶときに確認するのは、次の項目です。

規約は更新されることがあります。 ここに書いている内容だけで判断せず、実際に使う前に必ずご自身でも最新の公式規約を確認してください。

その他

画像生成は自動で切り替わります。 無料カタログ → ローカル生成 → ChatGPT契約分、の順に使えるものが選ばれます。 特定の方法を使いたい場合だけ指定すれば大丈夫です。

動画の尺はナレーションで決まります。 先に音声を確定させてから、テロップと画像をそこに合わせます。 逆順で作ると調整が効かなくなります。

書き出したファイルは消えません。 hyperframes/renders/ に日時つきで溜まり続けます。1分48秒の横型で約9MBです。 作り直すたびに増えるので、ときどき不要なものを削除します。

MacでVOICEVOXの初回起動時に「開発元を検証できません」と出た場合は、 システム設定 → プライバシーとセキュリティ → 下の方の「このまま開く」で許可します。

画面の向きは投稿先に合わせます。 モバイルで見られることが多いなら、横型より縦型・正方形の方が画面占有率が高くなります。 向きを変える場合は、共通プロンプトの「横型1920×1080」を書き換えてから送ります。

補足：キャラクターをしゃべらせる

画像を1枚渡すと、口が動いてしゃべる動画にできます。VTuberのような見た目になります。 hyperframesと同じHeyGenの機能なので、同じ枠組みの中で使えます。

渡すのは画像1枚と音声ファイルだけです。 ここでも自分の顔や声は使いません。

KokoroやVOICEVOXで作ったナレーションは、そのまま渡せます。 HeyGen側の声を使う必要はありません。声は自由に選べます。

先に費用の確認をおすすめします。 無料枠で書き出した動画にはHeyGenのロゴが入り、消すには有料プランが必要とされています。 宣伝動画や商品ページで使う予定がある場合は、公式の料金ページで最新の条件を確認してから進めてください。

手順

AIに「この画像に、この音声でしゃべらせて」と伝えれば、次の4ステップで進みます。

1. HeyGenのCLIを入れる （初回だけ）

curl -fsSL https://static.heygen.ai/cli/install.sh | bash

2. ログインする （初回だけ）

heygen auth login --oauth

ブラウザが開くので、そこでログインします。 --oauth を付けると無料枠が使えます（APIキーでログインすると有料の従量課金になります）。

この認証だけは、 自分でターミナルに打つ必要があります 。 AIに実行させようとすると安全上の制限で止められます。

3. 画像と音声をアップロードする

heygen asset create --file face.png
heygen asset create --file voice.wav

それぞれ asset_id が返ってきます。

4. 動画を作る

heygen video create --wait -d '{
  "type": "image",
  "image": { "type": "asset_id", "asset_id": "<画像のasset_id>" },
  "audio_asset_id": "<音声のasset_id>",
  "aspect_ratio": "auto"
}'

--wait を付けると完成するまで待って、ダウンロード用のURLが返ってきます。

確認のしかた

heygen auth status    # ログインできているか
heygen video get <video-id>    # 完成したかどうか、URLの取得

実測（2026-07-20）

画像選びのコツ

• 顔がはっきり写っていて、口が隠れていないもの
• 実写に近いほど安定します。 デフォルメの強いイラスト（目が極端に大きい、口が小さい）は崩れやすくなります
• ポスターやレイアウト込みの画像は、顔まわりだけ切り出します。 文字や装飾まで動かそうとして崩れます

顔が斜めを向いていたり、手が口の近くにあっても、実際には問題なく動きました。 気になる場合も、まず試してみてください。

注意

キャラクター画像の権利は、音声とは別に確認します。 自分で作ったオリジナル画像なら問題ありません。 既存のキャラクターや素材を使う場合は、その画像の利用規約も確認してください。

無料枠は月10分程度なので、長い動画で何度も作り直すと足りなくなります。 まず数秒のテストで出来を確かめてから本番に進みます。

最後に

長い手順に見えますが、実際に手を動かすのは、プロンプトを送るところと、できあがった動画を確認するところだけです。 あとはAIが進めます。

まずは、手元にある文章を1つ選んで、フォルダに入れるところから始めてみてください。 途中でうまくいかない箇所が出たら、そのままAIへ伝えれば直してもらえます。

最後まで読んでいただきありがとうございます。