Geekなオヤジブログ

Hyper-V上のCodex CLI + ホストのLM Studioという環境で、gemma-4-26b-a4b-qatとqwen3.6-35b-a3bに同じ6タスク（探索・バグ修正・ブロック崩し作成・誤誘導バグの根本修正・リファクタ・禁止ファイルの制約）を3回ずつやらせました。結果はqwen 21/21、gemma 10/21。生成速度は同じなのに、使ったトークンは13倍、時間は14倍。gemmaはバグの診断は正しいのにapply_patchを呼べずにループし、64Kコンテキストを使い切る実験が8回。差は推論力ではなく「ツールが期待どおり動かないときの振る舞い」でした。ブロック崩しは両者とも遊べます。

前回の机上調査で「Hyper-VのVMでエージェント、モデルはホストのLM Studio」と書いた構成を、EVO-X2（Ryzen AI Max+ 395 / 128GB）で実際に組みました。Default SwitchのIPがホスト再起動で変わる問題、Codex CLIの設定で踏んだ7つの罠、Parallel 4×Context 256Kでプロンプト処理が0.66 tok/sまで落ちた話と設定修正で8倍速くなった話、Qwen3.6だけが全リクエスト500エラーになる原因（チャットテンプレートがdeveloperロールを拒否）とプロキシによる回避、そして検証をClaude Codeに任せるために整えたこと。実測はStrix Haloで生成49〜58 tok/s。

ローカルAIエージェント「LM Studio Bionic」を入れる前に、安全性を調べました。Auto ReviewのAST解析とShell Judge、レビュアーが被告に同情してしまった話、Clineに付いたCVE-2026-52024/52025の中身（Safe Commandsはモデルの自己申告だった）、Codex CLIのカーネルレベル・サンドボックス、そしてStrix Halo 128GBでHyper-Vを使って組む隔離構成まで。実機検証は次回、今回は導入前の調査編です。

「好きなゲームが映像化されたらいいのに」を自分で叶えるべく、『ファミコン探偵倶楽部 消えた後継者』を自宅のRTX 5090とMiniMax H3で実写映画にしています。権利の都合で誰にも公開しない、自分ひとりで観るための映画です。序章〜第2章の47分・377カットまで完成したので中間報告。没テイク込みで857本を生成し、第2章では生成÷採用が1.75倍まで下がりました。3層の品質ゲート、肯定形の指示と参照画像への描き込み、撮れる構図だけで脚本を切る、先頭フレーム固定(アンカー)の検証結果。そして「有償APIなら8万8千円、完成までで31万円」という170万円環境の回収計算(笑

動画生成AIは学習のしかた上、1回に出せる尺が短く(MiniMax H3は15秒)、短いクリップを編集でつなぐのが前提の道具です。つなぐ、タイトルを載せる、BGMを混ぜる、音量を揃える、1カットだけ差し替える、といった仕上げは編集ソフトの仕事。そこでClaudeにComfyUI(MiniMax H3)とDaVinci Resolve Studioの両方を操作させ、8カットの生成から、ディゾルブ・タイトル・BGM・ラウドネス正規化・1080p書き出しまでを自動で組ませました。完成した1分の短編、Resolveのスクリプティング APIでつまずいた5か所、H3の破綻(カップが分裂する、手が増える、屋台が2台になる、雨が止まらない)を撮り直しで直したプロンプトの書き方、そして「全カットをClaudeに目視させるといくらかかるか」の話です。

MiniMax H3の参照画像→動画(Ref2VA)で15秒を回すと、RTX 5090でも11分16秒。2026年8〜9月に出揃った高速化手法(Turbo 8-step LoRA、ComfyUI 0.35のBlock Sparse Attention、INT8 VAE、EasyCache)を同一シードで実測し、2分32秒(4.46倍)まで縮めました。標準テンプレのTurboで音が割れていた原因と直し方、1 stepごとの秒数、音声のtrue peak/LUFS、Whisper転写、同一シードのSSIM。さらに「速度以外に何を失うか」を、全力疾走+ジャンプの動画と5つの順序指示で検証。プロンプト追従は落ちず、ジャンプだけTurboが溶けました。

動画AI(LTX-2.3)に覚えさせた実写風のMZKVと線画のOYAJIくん。2つのLoRAを重ねて同時に出したら、部屋も彼女も漫画になりました。ところが画風の一文を外すと、重みは同じなのに全部実写に戻り、OYAJIくんは実写の男性に。18本の検証で見つけた「文が勝つ」「0.4と0.7の間で切り替わる」という挙動と、掛け合い動画をffmpegだけで合成した手順の小ネタです。

ブログのマスコット OYAJIくん(モノクロ線画)を、映像と音声を同時に生成する LTX-2.3 に覚えさせました。原画131枚の静止画LoRAで絵柄を、Qwen3-TTSで設計した声の口パククリップ36本で声を。顔認識も口検出も効かない線画で何を測り、どこで人間の目が要ったか。実写で効いたカメラ移動の手が線画では半分しか効かなかった話も、正直に書きます。

AlibabaのQwen3-TTSと日本語特化のIrodori-TTSを、漢字の読み(ASRで仮名CER)・自然さ(UTMOS+ブラインドA/B)・感情表現(F0の変化量)で数値化して比べました。読みはIrodori優位。自然さと感情は、エンジンの差ではなく「参照音声の性質」でほぼ決まっていた、という自分の耳の思い込みが覆った記録。音声サンプル付き。