Audio Studio MCPとは、AIに頼んで手元のMacで効果音とBGMを作らせる道具です

出典: 【ローカル完結】効果音もBGMもMacで無料生成！Claude Codeから使う『Audio Studio MCP』が軽くて速いので解説します

動画のBGMや、アプリの画面が切り替わる時の音。毎回、素材サイトを開いて探し、合わなければ探し直していませんか？Claude Code を使い始めると、ここもAIに任せられないかと思えてきます。

まさおさんは、よりリッチなコンテンツを作ろうとすると、効果音のような細かい所が欲しくなってくる、と話します。動画は、この話から始まりました。

まさおさん（動画の中で・0:16〜）

よりリッチなコンテンツを作っていきたいなって思った時とかにやっぱ細部にね神は宿るじゃないですけれども

これまでは、エージェントに素材を探させて、見つけた音を使っていたそうです。今回の道具では、効果音も BGM も、ローカルの環境で作れるようになりました。

まさおさん（動画の中で・0:35〜）

ローカルで効果音とか生成したりだとかあとはBGMとかをね生成したりすることができるようになって便利ですよというものになっております

Claude Code を想定して作られていて、MCP クライアントから使う形です。作者は、KanaWorks_AI の名前で公開している方だと紹介されます。

導入についてまさおさんが話すのは、リポジトリのリンクを貼って、これを使いたいと伝えるだけで始められるレベル、ということでした。MCP なので、入れておけばいつでも効果音を作れます。

MCP は、AIに外の道具をつなぐための共通の決まりです。

まさおさん（動画の中で・0:53〜）

Macでもね僕はねM4の32GBのやつでねちょっと使ってみてましたけれどもすぐに作成できてモデルとかも比較的軽量だったということで

試した環境は、M4・32GB の Mac。画面では、Claude Code に頼んだ結果として、カフェ向けのローファイな曲の候補が3つ並び、それぞれに試聴のプレーヤーが付いていました。

まさおさんは、品質が個人的に高いと感じた、と話します。歌入りの曲は作れないので、そこは今後に注目しているそうです。

使いどころとして挙がるのは、アプリ、熱いゲーム、そしてまさおさん自身も手がける動画系のコンテンツでした。

音の素材は、探して集めるものから、頼んで作らせるものへ。動画の最初の話で、まず押さえたいのはここです。

探す時間が減れば、その分を、候補を聞いて選ぶ時間に回せます。音の仕事の中身が、ここで入れ替わるんですよね。

2026年9月28日、AIに作らせたミニゲームの試作の報告に、効果音などの音が電子音のままだと書かれていました。私は、効果音はちゃんと作っていないのか、とAIに返しました。

AIが効果音とBGMを、AIで曲を作るサービスのSunoで作り直して、組み込んだ版。今度は、タップするたびに音がリセットされ、BGMが最初から再生されるのが気持ち悪い、と私は返しました。

まさおさんの話は、音を用意する手間が減る、という話です。私の件は、音を作り直してもらったあとも、タップした時の鳴り方が気持ち悪いと返した話でした。

作る道具が手元の Mac に来ても、鳴った時の細部を、耳で確かめる所は残ります。そこは、作る道具とは別に、人の耳に残る仕事かな。

私なら、効果音は素材を探す手間より、作らせて確かめる回数を増やします。

音を作っているのは、MCP そのものでしょうか？それとも、その奥に別の本体があるのか。ここからは、道具の中身の話です。

動画によると、生成しているのは Stable Audio 3 という、音の波形を作るモデル。Audio Studio MCP は、それを包んで、手軽に呼び出せる形にしています。

まさおさん（動画の中で・3:44〜）

こっちのオーディオスタジオMCPはこれをねラップしている形になっております

まさおさんは、本体は手元の Mac で生成する Stable Audio で、それをいい感じに使うツールが MCP だ、という形で整理します。

まさおさん（動画の中で・4:00〜）

オーディオスタジオMCPっていうのはツールを4つ提供してくれていてクロードコードはねMCP経由でこれを呼び出すと

MCP が用意するツールは4つで、Claude Code が MCP 経由で呼び出します。作れるのは BGM、楽器ループ、効果音で、Mac でも Windows でも使えます。

スライドの登場人物は5つで、依頼する人、Claude Code、Audio Studio MCP、Stable Audio 3、そして音のファイルが並んでいました。

生成の速さも、とても速かったそうです。実測のスライドでは、15秒の曲が約4.9秒でできあがっていました。

モデルは、小型の sm-music と効果音向けの sm-sfx、そして一番高品質で既定の medium の3つ。

まさおさん（動画の中で・6:21〜）

これね2つ合わせて2.6ギガの軽量な効果音と音楽のモデルみたいなのがあるんですけど

小型の2つは合わせて約2.6GBで、環境によっては軽い小型を使う手もある、という話です。

ライセンスについては、Stable Audio の側のものを、各自で読んでほしい、という話でした。

本体と、呼び出すための皮は、別の物。音を作る力は Stable Audio 3 の側にあって、MCP はそこへの入口を整える役目かな。

だから、音の質を決めるのは本体のほうです。MCP が足しているのは、AIから頼みやすくする呼びやすさだと、私は見ています。

ライセンスの話も、同じ線で分かれるんですよね。読むのは、包んでいる側ではなく、音を作っている本体の側。

道具が増えるほど、どこまでが本体で、どこからが皮なのかを分けて見る目が要ると思います。迷った時は、音の質や使える条件は本体、頼み方や入れ方は MCP、と分けて考えるとよさそうです。効果音だけ欲しい日は、効果音向けの小型を選ぶ、という使い分けもできそうです。

私なら、道具の本体と、呼び出すための皮を分けて見て、ライセンスは本体の側で読みます。

長いBGMが1本ほしい時、最初の1回で決めてしまいたくなりませんか？動画の実演は、そうはしません。まず候補をいくつか出して、そこから選ぶ。その流れを、順に追っていきます。

まさおさんは、BGMを作るとき、複数の候補をまとめて出すやり方を挙げます。ベスト・オブ・Nと呼ばれる形で、スライドでは、20秒の候補を3つ作る流れが示されていました。

3つの候補から1つを選ぶのは Claude Code の役目。ただ、Claude Code は音を聴けません。そのためスライドには、今回は1番目の候補を選んだ、と書かれていました。

まさおさん（動画の中で・4:39〜）

自分の耳と合わせて人間のチェックっていうのを途中でしっかりと挟んでいきながらやっていくというのも一つだと思いますけどね

話は、音声を読み込めるモデルと組み合わせて自動で選ぶ案にも及びます。そのうえで、自分の耳で確かめる人のチェックを途中に入れる形も一つ、とまさおさんは話します。

次は、選んだ候補の一部の作り直し。インペイントという操作で、スライドでは、後半の11.29秒から20秒までを作り直していました。

まさおさん（動画の中で・5:14〜）

ここで出てきたやつの1個を何秒作り直しするとかっていうのができたりだとかして

そこから、のばす操作で長くしていきます。continue という操作で元の20秒を40秒にした例が、スライドに出ていました。雰囲気を変える variation では、ジャズピアノ風の例もあります。

まさおさん（動画の中で・5:21〜）

それをさらにですね伸ばすじゃないですけれどもっていう形で1本のね長いBGMみたいなのを作りましたよっていうのが僕がちょっとやったやり方です

繰り返し流せるBGMの例も出ていました。スライドでは、約19.8秒、85BPM（1分あたりの拍の数）で7小節、音量を-16LUFS（音量をそろえる単位）にそろえたOGG（音声ファイルの形式）でした。1回の依頼で、Claude Code がツールを3回つないでいます。

候補を出すところまでは、AIの得意な仕事。でも、どれを手元に残すかは、また別の仕事なんです。

私は、AIは横に広げ、人間は縦に掘る、と考えています。候補を並べるのは横の仕事。選んで持ち続けるのは、縦の仕事です。

50kgDietのリール（インスタの短い動画）のBGMは、2026年8月21日の初日に、私が選んだA案の1曲です。Sunoで作った曲の19.6秒分を切り出して、音量をそろえたものでした。

ところが、2日目から17日目までは、リールごとに新しい曲をSunoで作っていたんです。2026年9月9日の朝、私はAIに、なんで毎回Sunoを開くのか、曲は固定だろう、毎回作るな、と返しました。

以後は、この1本だけを毎回、動画の音として入れています。曲を変えるのは、私が言った時だけ。

候補を並べて選ぶ場面は、私の過去記事にもあります。DaVinci ResolveをClaudeに操作させ、BGMなどの作業はAIに任せて、カットは人が決める、と整理した動画解説の記事で、朝LIVEの切り抜きを直した時の場面です。

私の記事より（DaVinci Resolve Claudeで字幕とBGMはAIに、カットは人が決める・第5節）

AI が出したのは、同じ40秒で4通りの試作です。私は、間を詰めて1.2倍にする案を選びました。

並んだのは4通りの候補で、決めたのは私でした。まず広げてもらって、それから一つに絞ります。動画の、候補を複数出して選ぶ流れと、同じ形です。

私の記事より（DaVinci Resolve Claudeで字幕とBGMはAIに、カットは人が決める・第5節の続き）

AI は動画を再生しないので、言葉の頭や終わりが欠けていないかは私が聞いて決めました。

AIが聞けない所は、私の耳が受け持ちました。音を聴けないから人の確認を途中に挟む、という動画の話と、向きがそろっています。

ここからは、動画と同じ流れを、AIに頼んで私のMacでも動かしてみた話です。まず、大きいモデルにローファイ風のカフェBGMを15秒、候補2つで頼みました。返ってきたのは約7秒後。モデルを読み込む時間も込みです。

同じローファイ風のカフェBGMを、今度は小さい音楽モデルに頼みました。返ってくるまでは約4秒で、こちらも15秒の音です。聴き比べられるように、2つを続けて置いておきますね。

次に、作ったあとの手直しです。15秒の曲の一部を作り直すのに約15秒、30秒へのばすのに約10秒かかりました。ループ用に仕上げたOGGは-16.0LUFSで、長さは29.8秒です。

ここで気づいたのは、Claude Code に日本語で1回頼むだけで、ここまでがつながることでした。道具を探す、生成する、処理する、の3回を自分でつないで、約34秒で終わりました。そのあいだに候補2つから1つを選び、ループのOGGまで作っています。

ただ、選んだ理由はピークが低かったという数値だけ。音は聴いていない、と Claude Code 自身が答えています。AIは音を聴けないからです。下の1本が、AIが数値だけで選んだ15秒です。

つまり、作る、手直しする、ループに仕上げる、までは、日本語で頼むだけで1回ごとに数秒から数十秒で回りました。残るのは、出てきた音を人が聴いて選ぶところです。

私なら、候補はAIに広げさせ、どれを持つかは耳で決め、決めたら固定します。

スライドの題は、使う前に知っておく4つ。音は作れる、でも気をつける所がある、という締めくくりです。どこで手が止まりやすいのでしょうか？

1つ目は、歌は作れないこと。スライドでは、作れるのはインストの曲と効果音だけ、とまとめられています。

2つ目は、メモリの制約です。スライドでは、読み込み中に約5〜7GBを使い、16GBの MacBook Air で動く、とあります。8GBは未検証でした。

まさおさん（動画の中で・6:59〜）

歌は作れないっていうのとメモリに関してもちょっと制約があったりするんで気をつけておいてほしいなと思っているのと

3つ目は、秒の指示が確実ではないこと。15秒でクライマックス、のような細かい指定は、聞けない場合がある、という話です。

まさおさん（動画の中で・7:06〜）

あとはですね秒の指示は確実ではないんで15秒でクライマックスとかねこういうのはちょっと聞けませんよっていうのがあったりだとか

4つ目は、ライセンスです。本体の Stability AI Community License をしっかり読んでから商用で使ってほしい、とまさおさんは話します。

まさおさん（動画の中で・7:15〜）

ライセンスの話はね先ほど言った通りなんでちょっとねしっかりと読んでいただいた上で商用利用はしていただければと思っております

スライドの実測では、M4・32GBの Mac mini で、15秒の曲が約4.9秒で仕上がっています。まさおさんは、品質が好みなので、手札として持っておこうと思う、と話します。

4つとも、使う前に知っていれば、やり直しを減らせる注意。先に読んでおくだけで、手が止まる回数が変わります。

第1章で触れた試作の効果音は、Sunoに頼むと、数十秒の曲として返ってきました。AIが使ったのは、頭の3秒です。

動画の注意は、秒の指示が確実ではない、という話でした。私の場面は、効果音を頼むと数十秒の曲で返ってきて、頭の3秒だけ使った話です。どちらも、出てくる音の長さは、こちらの思いどおりにならない、という話です。

動画で語られた秒の指示も、AIに頼んで私のMacで確かめました。3秒の効果音を3回頼むと、ファイルはどれも3.0秒です。でも、音が鳴っていたのは1.9〜2.0秒まで。残りの約1秒は無音でした。

つまり、ファイルの長さは指示どおりでも、音が鳴っている長さは別なんです。下の2つは、同じ3秒の効果音を、大きいモデルと小さい効果音モデルにそれぞれ頼んで出た音です。

次に、メモリです。通常の大きいモデルで最大約6.5GB、小型のモデルで約0.8〜1.5GBでした。動画で話された約5〜7GBと、同じ範囲に収まっています。

さらに、歌も確かめました。歌詞つきの歌を頼んでも、サーバーが送った指定は VocalType: Instrumental でした。歌が入るかどうかは、下の15秒を聴けば分かります。

入れる手間もあります。全モデルを入れるのに約28分かかり、Macの空きは約12GB減りました。

ここで、動画の4つ目の注意点を思い出しました。入れた時の記録に、The weights are licensed under the Stability AI Community License. と表示されたんです。

だから、商用で使うなら、先に本体のライセンスを読んでおくのがよさそうです。試すのと、仕事で使うのは別の話。

動画は、Audio Studio MCP とは何かから始まり、Stable Audio 3 を包んだしくみ、候補を選んで作り直してのばす実演、使う前の注意点へと、順に進みます。

私が持ち帰ったのは3つ。音の細部は作らせて確かめること、候補はAIに広げさせてどれを持つかは耳で決めること、商用の前に本体のライセンスを読むことです。

効果音の作り直しを返した日、選んだ1曲にBGMを固定した運用、曲の頭から効果音を切り出した件。作る道具が手元に来ても、決める所は人に残ります。

音をAIに作らせるとして、最初に耳で確かめたいのは、どの音ですか？