Tiny Desk AI ガイド：Outstanding ミーム動画の作り方

元になっているのは、2023年の Charlie Wilson による NPR Tiny Desk の演奏で、曲は「Outstanding」。Gap Band の曲で、当時ボーカルを務めていたのも彼です。作り直される部分は短く、机の後ろのバンド、カメラに向かって笑って手を振るボーカル、サックスのソロ、そして拳を突き上げるラストカットだけです。

それ以外はすべて固定です。部屋、照明、カット、タイミング、音楽はそのままで、入れ替わるのは演者だけ。この映像を知っている人は2ショット目に入る前にどのバージョンか分かるので、編集が雑でも笑いは成立します。

先に言っておくと、どのバージョンも実際の Tiny Desk の演奏ではありません。投稿するときは、プラットフォームが求める場所で AI 生成であることを示し、本物のコンサート映像として見せないでください。

火をつけたバージョンは、負けたばかりのアメリカンフットボールの大学コーチたちを配役していました。「outstanding」というサビは、ライバルに負かされた直後の人が歌うと皮肉に聞こえ、このフォーマットは数日のうちに TikTok と X に広がりました。そこからチームメイト、同僚、政治家、家族へと広がりましたが、構造はまったく同じままでした。笑いの核は編集ではなく配役だからです。

多くの AI 動画フォーマットは「生成のうまさ」を褒めさせます。このミームは「誰がどこに入っているか」を読ませるだけで、ハードルがずっと低いのです。

• 元ネタに知名度がある。すでに知っている映像なので、何が変わってなぜ面白いのかが一目で伝わります。
• オチが映像に組み込まれている。ボーカルがカメラを向くところ自体がすでに間であり、そこに正しい顔を置くだけで成立します。
• 席が1つではなく5つ。1本の動画にグループ全員を配役できるので、個人の編集ではなくグループチャットで一緒にやる遊びになります。
• プロンプトが不要。フォーマットが固定なので、いちばん手抜きのバージョンでもミームとして読めます。
• 短いループ。18秒ほどはオチを置くのに十分で、2回見たくなる長さでもあります。

固定テンプレートが解決するのは舞台設定で、同一性ではありません。1枚の写真を4つのショットに通し、シーンの照明や髪、服まで保つことが最も難しい部分で、それを担うのはテンプレートではなく動画モデルです。

その編集を動かしているのが Kling 4.0 です。この系統で最新かつ最も高性能なモデルであり、コストを下げるために使えた旧世代や簡略版ではありません。最高水準のモデルは、安価なテンプレートツールの背後にあるモデルより1回あたりの実行コストが高く、それが1本 520 クレジットという価格の主な理由です。サブスクリプションはなく、生成に失敗すればクレジットは自動で返金されます。その 520 クレジットが買うのは、同じ顔が4つのショットすべてで高い忠実度のまま保たれること。安いモデルが最初に失うのは、まさにそこです。

ここでいうテンプレートは、自分で開いて編集する CapCut のプロジェクトではありません。モデルがその場で編集する、完成済みの演奏です。4つの固定ショット、およそ18秒で、タイミングと音源はすでに合っています。シーンを説明する必要も、カメラワークを選ぶ必要も、参照動画を用意する必要もありません。写真を席に割り当てると、モデルが変わらない映像の中で演者を差し替えます。

1ショット目は約5秒で、キーボードと2人のコーラスです。2ショット目はミームの中心で、ボーカルが笑って手を振るアップ、およそ6秒。3ショット目は横から撮ったサックスソロで、キーボードが画面の隅にいます。4ショット目は3人のショットに戻り、拳を突き上げて終わります。

この順番が、どの席が重要なのかを教えてくれます。ボーカルは最も長いショットとオチを受け持ちます。キーボードは4つのうち3つに登場。コーラスは最初と最後を支えます。サックスは1回だけですが、笑いの次に人気のある瞬間です。

席は5つで固定されており、必須なのはボーカルだけです。空いた席はバンド本来のメンバーが残るので、写真1枚でもバンド全員がそろいます。

• ボーカル — 必須。アップと最後の3人ショット。みんながスクリーンショットする瞬間です。
• キーボード — 4ショット中3ショット。オープニングとサックスソロにも登場します。任意の席では最もよく映ります。
• 左右のコーラス — 最初と最後のグループショット。出たいけれど主役は避けたい人にちょうどいい席です。
• サックス — ソロのみ。1ショットだけですが、笑いの次に人気のある瞬間です。

仕上がりが残念なとき、ほとんどはモデルではなく写真の問題です。モデルが置き換えるのは顔だけでなく人物全体で、顔、髪、肌の色、体格、服装まで含みます。そして知っているのは写真に写っていることだけです。情報を半分隠した写真を渡すとモデルは推測するしかなく、推測はショット間のズレとして現れます。

技術的には、モデルは輪郭を合わせています。あごのライン、髪と背景の境目、肩の形、服の色とシルエット。その輪郭から人物を再構成し、光とアングルの違う4つのショットで繰り返します。だから解像度より鮮明さが重要です。1200ピクセルのくっきりしたスマホ写真はきれいな輪郭を与え、4000ピクセルでもぼやけた写真はノイズを与えます。正面の写真が重要なのも同じ理由で、テンプレートのカメラは正面に固定されているため、斜め45度の写真は顔の半分をモデルに作らせることになります。

短く言うと、1人だけ、カメラを見て、鮮明で、光が均一で、腰から上、服装が見えること。サングラスなし、顔の前に手を置かない、強い美肌フィルターなし、極端な角度なし、そして集合写真ではなく1人1枚です。

• 昼光か、柔らかく均一な室内光を使う。強いサイド光は顔を2つの露出に分けます。
• 肩から下まで写して、服装を見せる。服はテンプレートではなく写真から取られます。
• カメラは目の高さに。下から撮るとあごが広がり、上から撮ると細くなります。
• サングラス、マスク、顔の前の手は使わない。
• 美肌フィルターや強い HDR は使わない。平滑化がその人の肌として動画に出ます。
• ビデオ通話のスクリーンショットは使わない。ぼやけがちで、構図が偏り、画面の光が顔に当たっています。
• 集合写真を複数の席に使わない。1人ずつ切り抜くか、個別の写真を頼んでください。

席ごとに求められるレベルは違うので、いちばん見られる場所にいちばん良い写真を置きます。ボーカルは最も厳しい席で、6秒のアップ、正面、鮮明、サングラスなし。サックスは任意ですが、クリップの中でも特に近いショットを受け持つので、ここにも鮮明な写真を。キーボードは3ショットに出て、多くはミディアムショット。コーラスは最初と最後のグループショットで顔が小さく、最も寛容な2席です。

誰をどの席に置くかで、オチの決まり方も変わります。主役の席には、その冗談の対象になる人を。誕生日の人、上司、賭けに負けた友人、プロジェクトを出したばかりの責任者。出たいけれど主役は避けたい人はコーラスへ。配役はこのフォーマットで唯一あなたが決める創作部分であり、いちばん楽しい部分でもあります。

グループで作る場合、実際に大変なのは生成器ではなく、プロジェクト化せずに使える写真を5枚集めることです。訂正のメッセージを5通送るのではなく、ルールを1通にまとめて送ります。「あなただけが写っている写真を、カメラを見て、腰から上、昼光で送って。サングラスとフィルターはなし。バンドに入れるから」。多くの人は少し下から自撮りした写真を送ってきますが、それは誰もが持っている写真だからです。それでもだいたい使えます。あごがゆがみ、服装が見えないだけです。

うまくいく配役の例をいくつか。グループチャット全員でバンドを組み、いちばん話す人を主役に。出したばかりのチーム。誕生日会は本人を主役に、友達をコーラスに。送別会は去る人を主役に。家族は祖父母をアップに、孫をグループショットに。共通しているのは、主役が観客に伝わる人であること。笑いの核は配役なので、一瞬で分かる人が多いほどクリップは機能します。

生成を押すと、動画はキューに入り、GPU 上でフレームごとに編集され、テンプレートの音源と合わせて書き出されます。数秒ではなく数分かかるのはそのためです。タブは閉じてかまいません。ジョブは履歴に残り、カードに経過時間が出ます。5人でも1人でも所要時間はほぼ同じです。席がいくつ埋まっていても、クリップ全体を一度に編集するからです。

動画1本は520クレジット。新規アカウントの無料クレジットは画像ツール向けの量で、動画向けではありません。18秒をフレーム単位で編集するのは、画像1枚よりはるかにレンダーコストがかかります。クレジットパックは買い切りの単発購入で、サブスクリプションはなく、有効期限もありません。

ジョブが失敗すると520クレジットは自動で戻り、履歴カードに理由が出ます。まず同じ写真で再試行してください。失敗の多くはキューや安全審査の問題で写真の問題ではなく、失敗のあとに良い写真を差し替えると、次の結果が何で変わったのか分からなくなります。

出力は縦型 MP4、720 × 1280、音声付きで、TikTok、Instagram Reels、YouTube Shorts にそのまま出せます。履歴カードからダウンロードして、他のクリップと同じように投稿してください。

このミームでおなじみの音を使いたい場合は、アップロード時に TikTok か Instagram のライセンス済み楽曲ライブラリから「Outstanding」を追加し、元の音を下げます。そのライブラリがない場所に投稿するときや、バンドらしい音にしたいときは、動画本来の音源がそのまま使えます。

このフォーマットを楽しく保つルールはシンプルです。出演に同意した人の写真だけを使い、18歳未満は保護者の同意を得てください。プラットフォームが求める場所で AI 生成であることを示し、本物の Tiny Desk の演奏として見せないこと。著名人や、嫌がる人の写真はアップロードしない。許可なく広告や商用利用に使わない。

もう1つ区別しておきたいのは、テンプレート版が避けているのは音源であって商標ではないという点です。Tiny Desk は NPR の商標で、「Outstanding」の権利は権利者にあります。ファンメイドであることが明確に伝わる形にしてください。

残念な結果はほぼすべて、モデルではなく写真に原因があります。よくあるものを、おおよそ頻度順に挙げます。

• 集合写真を複数の席に使う。1人あたりのピクセルが減り、服装も切れがちです。1人ずつ切り抜くか、個別の写真を頼んでください。
• サングラス、手、髪が顔にかかっている。照合できる顔の情報が減り、ショット間でズレます。
• 強い美肌フィルター。フィルターの平滑化がその人の肌として動画に出て、未加工のバンドの中で浮きます。
• 下から、または横から撮った写真。テンプレートのカメラは正面なので、斜めの写真は正面ショットの中で斜めの顔になります。
• 結果が悪いときに一度に複数を変える。まず写真、次に席、最後に設定の順で。そうしないと何が効いたのか分かりません。

「最高の Tiny Desk AI」のリストのほとんどは、やることが違う製品を混ぜて並べています。だからランキングを読む前に、何を比べているのかを知っておいてください。次の6つの質問が、1回使って終わりのツールと、グループチャットに勧められるツールを分けます。

• 元の放送を使うのか、自前のテンプレートか。この答えが画質だけでなく権利リスクを決めます。
• 何人まで配役できるか。席が1つならフィルター、5つならグループの遊びです。
• 透かしは入らないか。実際に得られる解像度と長さはどれくらいか。
• レンダーが失敗したらどうなるか。クレジットは自動で戻るのか。
• MP4 をダウンロードできるのか、期限付きの共有リンクだけなのか。
• アップロードした写真をどう扱い、いつまで保存するのかを明示しているか。