【婆が如く】AI動画の作り方noteをGrokだけで再現してみた｜できたこと・崩れたこと

家事と子育てのスキマで経営する3方よしAI共創コンサルタントの田中啓之、ひろくんです。今回は、511万回再生されたAI動画の作り方をnoteで買って、指定のツールを使わずに手持ちのGrokだけで再現してみた話です。

私が見たのはこの動画です。AI動画ラボコイコイさんの「AIが考えるおばあちゃんゲーム」。

ちなみにこれは、私がこのあと作ったほうの1コマです。先に結果を出しておきます。

おばあちゃんが主人公のオープンワールドゲーム風の映像です。回覧板を拾って、自転車を奪って、金庫を破って、パトカーに追われる。全部AIで作られています。

私が見たときで511万回再生。チャンネル登録者は17万人を超えていました。

ネットでは「田舎おばあちゃん版GTA」「ババア版GTA」と呼ばれていて、まとめ記事の見出しにもその名前が使われていました。私は勝手に婆が如くと呼んでいます。

そして、これが今回私がGrokだけで作ったものです。先に全部お見せします。

2分58秒。17本のクリップをつないでいます。よく見ると、途中で画風が変わるところがあります。そこが今回の限界点です。

最初は「よくできてるなあ」で終わるつもりでした。でも見ているうちに、画面に出ている日本語のボタンが気になったんです。AIに日本語を描かせると、だいたい読めない記号になります。それがきれいに出ている。

どうやって作っているんだろう。そう思っていたら、作者ご本人が作り方をnoteで公開されていました。

買いました。読んでみたら、使うのはSeedance 2.5という動画生成AIでした。

料金を見て止まりました。月に数千円かかります。

私はGrokのサブスクを払っています。画像も動画も、その中で作れます。そこでこう考えました。Grok単体で、あのバズった動画にどこまで迫れるのか。別のモデルを増やす前に、いま払っている道具の実力を知っておきたかったんです。

記事の中身は買った人向けのものなので、ここには書きません。気になる方は元記事を読んでみてください。参考になります。

ひとつだけ言えるのは、実際に投稿した動画のプロンプトが、そのままの形で載っていることです。これが今回の検証を可能にしてくれました。

記事には短いカットのプロンプトも載っています。これはそのうちの1本を私が回した結果です。

決めたルールは3つです。

ひとつ、記事が指定しているSeedance 2.5は使わない。手持ちのGrokだけでやる。

ふたつ、プロンプトは自分で書き直さない。記事のものをそのまま投げる。

みっつ、うまくいかなくても直さずに、そのまま並べる。

2つ目が、いちばん大事でした。

私は最初、自己流に整形して投げていたんです。読みやすく短くして、指示を整理して。そうしたら、まったく面白くならなかった。テンポが死んで、人がただ歩いているだけの映像になりました。

書き直すのをやめたら、急に良くなりました。元のプロンプトは30秒に7つの場面が詰まっていて、4秒ごとに画が切り替わる設計になっていたんです。私が整理して減らしていたのは、まさにその密度でした。

指示をそのまま渡したら、こういう選択メニューの演出まで出てきました。私が整理していたら、まず消していた部分です。

AIに渡す指示は、きれいにまとめるほど良くなるとは限らない。ここは完全に私の思い込みでした。

まず、日本語のボタン表示です。

走りながら回覧板を拾う場面。「◎拾う」の日本語が崩れずに出ました。読めます！

ここは正直おどろきました。AIが画面に日本語を描くと、だいたい崩れた記号みたいになります。私も何度も見てきました。今回は出た。しかも意味が通る形で出ました。

種明かしをすると、元のプロンプトが「回覧板」という単語と「⭕拾う」というボタン表記を、どちらも書いているんです。物の名前とUIの文字を分けて指定してある。読めるように出たのは偶然ではなくて、書き方でした。

次に、アクションです。

ふすまが吹き飛ぶ場面です。

止められると思っていました。生成AIは暴力っぽい描写を嫌がるので。でも通りました。

理由は、元のプロンプトの書き方にありました。激しい動きを指定しつつ、「血は出さない」「怪我は見せない」と同じ文の中に並べてあるんです。強さを薄めずに、線だけ引いてある。

弾かれるのが怖くて表現を弱めると、逆に画が弱くなる。これは今回いちばん勉強になりました。

金庫を開けた場面。火花、金の延べ棒、「⊗取る」のボタンまで出ています。ミニマップ、体力バー、武器アイコン。ゲームのUIっぽさも、プロンプトに書いた位置にちゃんと置いてくれました。

最後のポスターです。大きなタイトル文字はきれいに出ました。

ここからが本題です。

逃亡シーンの後半です。直前まで実写だったんです。

同じ指示を続けているのに、途中から画風ごと別物になりました。しかも停めてある車のナンバーに「警視庁」と書いてあります。誰も頼んでいません（笑）。

崩れた理由ははっきりしています。

Grokは1本15秒までしか作れないんです。記事のプロンプトは30秒ひと続きで書かれているので、途中で切って、別々に生成して、後でつなぐしかない。切ったところで世界観がリセットされます。

顔も服も、クリップをまたぐと少しずつ変わります。画面のアイコンの形も変わります。前のクリップの最後の1コマを静止画で抜いて、次のクリップの開始画像として渡す。この手でだいぶ抑えられましたが、消せませんでした。

細かい日本語も苦手でした。大きなタイトル文字は出るのに、ポスターの中の小さい看板は読めない文字になっています。大きさで線が引かれている感じです。

本家と並べると、いちばんの差はここです。本家は30秒をひと息で撮っている。こちらは17本のつぎはぎ。動きの滑らかさが違います。

今回の実測

17クリップ・合計2分58秒。撮り直しはゼロ。生成は1本あたり2分から4分で、同時に投げられるのは2本まで。3本同時にすると1本が落ちます。半日かかりました。

いちばん時間を使ったのは、生成そのものではなく待ち時間でした。半日かかっています。

Grok単体でも、1カットの中身はここまで迫れました。でも15秒の壁は工夫では越えられません。

記事の指定どおりSeedance 2.5を使えば、30秒をひと続きで作れます。参照できる素材も50点まで。人物も場所も持ち物も同時に固定できます。つまり、今回いちばん崩れた「つなぎ目」の問題が、そもそも発生しません。

次はそこを確かめます。同じプロンプト、同じ素材で2.5を回して、今回の17本つぎはぎと並べてみる予定です。

道具を増やす前に、いま払っている道具の限界を先に知る。順番としてはこれで良かったかなと思っています。どこで頭打ちになるか分かると、次に何を足すべきかがはっきりしますね。

ここまで出せました。あとは、これを30秒ひと続きで撮れるかどうかです。

同じところで止まっている方は、まず手持ちのAIで1本だけ作ってみてください。限界が見えたときが、次の道具を足すときです。

note記事の再現が終わったあと、同じ型で自分の企画をひとつ作ってみました。舞台は肉のハナマサ。夜8時の半額シール争奪戦を、龍が如く風のゲーム実況パロディにしています。

1分20秒。10秒のクリップを8本つないで作りました。

先に、できあがった1分20秒の見どころを並べます。画面に出ている日本語もゲームUIも、後から合成したものではありません。全部AIが映像の中に直接描いています。

この動画で一番の発見は、出したい日本語は「」で囲んで書けば、そのまま絵の中に描かれるということでした。「半額が如く」の赤い筆文字も、「ヒートアクション」も、肉に貼られた「半額」シールも、敵の名前プレートの【アパートの主】【残業帰り】【バイト上がり】も、後から合成したテロップではありません。全部AIが描いています。

体力バーもHEATゲージもミニマップもダメージの数字も同じです。編集ソフトで足したものは一つもありません。

8本を作る過程で、崩れては直しを繰り返しました。効いた直し方をそのまま書きます。

ゲームUIは「これ以外は出すな」と禁止の形で書く。最初は左上に意味不明なゲージが8本並んだり、HEATが「HEDT」になったりしていました。「体力バー1本とHEATゲージ1本とミニマップだけ。余分なゲージなし、縦一列なし、HEAT以外の英字なし」と禁止で書いた途端に崩れなくなりました。

物が体に貼り付く崩れは「その後どうなるか」を書く。投げた冷凍肉が顔面に貼り付いたまま動く画になっていたのですが、「当たった後は普通の重力で床に落ちる。体に貼り付かない。顔を覆わない」の一文で直りました。

場所は1本ずつ書く。共通の設定に入れてはいけない。これが一番効きました。全8本に同じ「夜のスーパー」という設定を貼っていたせいで、台所のシーンの後半で突然スーパーの店内に飛んでいたのです。結果として主人公が店に2回入る動画になっていました。人物と速度の縛りは共通でいいのですが、場所と時間帯は本ごとに違うので共通にしてはいけません。

脇役の容姿を書かないと、主役の顔がコピーされる。敵3人を「ライバル3人」とだけ書いた回は、敵が4人とも主人公と同じ顔になりました。「70代の女性・ベージュのエプロン」「30代のサラリーマン・紺のスーツ」「10代後半の学生・グレーのパーカー」と書き分けて、さらに「敵は誰ひとり眼鏡をかけない。主人公と同じ顔をしない」と否定で書いたら別人になりました。

顔を固定するために参照画像を1枚渡しています。これで主人公は8本を通して同じ人物になりました。

ただし参照画像を使うと尺は10秒が上限になります。前のクリップの最終フレームを次の開始フレームに渡す方法とは併用できないので、顔の一貫性を取るか、クリップ同士のつながりを取るかの二択になります。今回は顔を取りました。その結果、クリップの切れ目で店の内装や客層が変わっています。

ここが今回いちばん歯がゆかったところです。前の記事で書いた「15秒の壁」と同じで、工夫では越えられない仕様の線がありました。

ほかにも、よく見るとおかしいところが残っています。見なかったことにせず並べておきます。

BGMはSunoで作った楽器だけの曲です。最初は自分で波形を合成した音を乗せていたのですが、聴き返したら明らかに安っぽかったので作り直しました。使える道具があるのに自前でやろうとして遠回りした形です。

1分20秒の動画を出すまでに、クリップを延べ16本作りました。8本で足りるはずが倍かかっています。何をどう間違えて、どこで気づいたのかをそのまま書きます。

最初の台本は、原文の激しさを自分から削っていました。

note記事の型をなぞったつもりで台本を書いたのですが、できたのは「長ネギで打ち合って、最後の1パックを譲って、笑って去る」という話でした。争奪戦なのに争奪していません。

おかしいと思って原文を読み直したら、こう書いてありました。走りながら老人を自転車から蹴り落として奪う。ショットガンで襖を吹き飛ばす。武器選択ホイールからフラッシュバンを選ぶ。ベンツの窓を肘で割る。パトカーが民間車を弾き飛ばして追ってくる。

そして自分の台本を見たら、プロンプトに NO contact / NO blood（接触なし・流血なし）と書いてありました。原文が全部やっていることを、自分から禁止していたわけです。

セリフをひらがなで書いていました。

「そのにく は わたしの もんじゃ」のように、全部ひらがなで書いた台本を作っていました。漢字が崩れるのを恐れて先回りで開いたのですが、根拠がありません。

原文を実測したら「誰だボケえええ！！！！！なぐりこみかあ！！！！！」「おい！田中さん回覧板だおら！！」と、漢字のまま通っていました。全部漢字かな交じりに戻したら、そのまま出ました。

主人公が完全な別人でした。

台本に「45歳の日本人男性・167cm・中肉・黒髪短髪」と書いて生成したら、丸メガネも無精髭もない、まったく知らない男性が出てきました。

探したら、自分の顔写真がファイルとして何十枚も手元にありました。生成のコマンドにも参照画像を渡す口が最初から付いています。使えるものがあるのに、文章で説明しようとしていただけでした。写真を1枚渡したら、丸メガネも無精髭も出るようになりました。

店に2回入る動画になっていました。

できあがった通しを見たら、部屋 → 店内 → 外の夜道 → 店の前 → また店内、という順番になっていました。1本目の後半で既に店の中にいて、2本目で外に戻り、3本目で入り直しています。時系列が巻き戻っていました。

原因は、8本すべてに同じ設定文を貼っていたことです。そこに「夜のスーパー。黄色白ストライプの外壁、蛍光灯の通路、精肉ケース」と書いてあり、台所のシーンにも夜道のシーンにもスーパーの描写が入ったまま渡していました。

敵が4人とも自分の顔になりました。

ラップで敵を巻き上げる場面で、巻かれている4人が全員こちらと同じ顔でした。

台本を見たら、その回だけ敵を「ライバル3人」とだけ書いていて、容姿をひとことも書いていませんでした。ほかの回は「ベージュのエプロンの70代女性」「紺のスーツのサラリーマン」と書いていたので、ちゃんと別人が出ています。書かなかった人物には、渡した参照写真の顔が回ってくるのだと分かりました。

音が明らかに安っぽかった。

最初のBGMは、正弦波と矩形波を足して自分で合成したものでした。和太鼓に聞こえるように作った音も、実際は周波数を落とした正弦波です。聴き返したら誰が聴いても作り物でした。

音楽生成サービスの契約があり、手順も手元に残っていました。作り直したら、当然ですが比べものになりません。手を動かす前に、手持ちに何があるか探す。これを何度も飛ばしています。

16本というのは、この7回ぶんの作り直しの合計です。1回ごとに原因を1つずつ潰していったら、結果として倍になりました。

最後に、ひとつ白状します。

ここまで書いてきた作業、手を動かしたのは私ではありません。

AGI Cockpitという、AIエージェントに仕事を任せるデスクトップアプリがあります。Claude CodeやCodex、Geminiを1つの画面で並べて動かせるもので、無料で使えます。その中にいるAI秘書に「これ試したい」と投げただけです。

そこから先は全部そのAIがやりました。

noteの記事にブラウザでログインして読んだのもAI。買った記事からプロンプトを取り出して、Grokに17回投げて動画を作ったのもAI。つないだのも、この記事を書いたのも、アイキャッチを描いたのも、YouTubeに上げたのもAIです。

つまり、AIがAIを動かしています。Claudeが手を動かして、Grokに絵と動画を作らせた。私はその間、別の仕事をしていました。

私がやったのは2つだけです。最初の一言と、出てきたものへのダメ出し。

正直に書くと、ダメ出しはかなりしました。アイキャッチは6回作り直させています。「合成に見える」「どんどんダメになってる」と何度も突き返しました。

それでも、私がPhotoshopを開いた回数はゼロです。動画編集ソフトも開いていません。

これが、分身AIを育てるとできるようになることだと思っています。1回1回の指示を覚えさせて、判断の基準を渡していくと、任せられる範囲がどんどん広がる。今回はそれが「記事を読んで、動画を作って、記事にして、公開する」まで伸びました。

ここに至るまでに試してきたことも、同じブログに書いています。

AIを道具として使うのではなく、自分の分身として育てる。そうすると、자分が寝ている間も手が動きます。

手持ちのGrokだけで、2分58秒ぶん作れました。

画面の日本語ボタンも、自転車の強奪も、金庫破りも出ました。一方で、15秒ごとに切ってつなぐしかないので、つなぎ目で画風が変わる。ここは工夫では消せませんでした。

やってみて分かったのは、道具の差より先に、指示の書き方の差が出るということです。私が良かれと思って整理した分だけ、映像がつまらなくなっていました。

婆が如く、Grok単体版としてはここまで迫れました。次はSeedance 2.5で同じことをやって、並べてみます。