《脉动迷宫：EverPulse》公开开场动画，详解 Suno 与本地 AI 分工制作游戏音频的方法

オープニングムービー

Xで先行公開しましたが、『脈打つ迷宮：EverPulse』のオープニングムービーを公開します（95 秒）。
PC の横の画面とスマホの縦の画面の両方で遊べるゲームなので、オープニングも横と縦の 2 本を作りました。見る画面に合う方をどうぞ。

PC 版（横）

https://www.youtube.com/watch?v=3qjsZHvVM_8

スマホ版（縦）

https://www.youtube.com/watch?v=vxLrKUS98lk

流れている曲は、私が Suno で作った「Echoes in the Endless Night」です。場面の切り替えは、この曲の拍に合わせてあります。

はじめに

前回は、画像生成 AI の絵をゲームに使える形にするまでの話でした。
今回は 音 です。ゲームの曲（BGM）、剣を振る音などの効果音、そしてキャラクターの声。

先に書いておくと、Claude には聴く耳がありません。音を聞いて「いい曲だ」「この音は変だ」と判断できません。
それでも、今このゲームには、曲の一覧に 142 曲、声のファイルが 1,407 個あります。
どうやって作り、どうやって確かめたかを書きます。

2 つの作り方: 「聞かせる曲」と「流す曲」

曲は、2 つのやり方で作っています。

• Suno（有料のプラン）: 私が自分で作っています。歌詞付きの 3〜4 分のまとまった曲が作れるので、テーマ曲や、町・ダンジョンの主題歌のような「聞かせる曲」に使っています

• 手元の PC の音楽生成 AI（ACE-Step）: Claude が作ります。歌の無い曲を、階や場面ごとにたくさん作っています

Suno の曲は、テーマ曲のほかに、町・酒場・教会・浅い階の洞窟・地下墓地・氷の階・ボス戦など 10 曲あります。
冒頭のオープニングで流れている「Echoes in the Endless Night」も、この 10 曲のうちの 1 曲で、歌の入った曲です。オープニングでは、この曲の冒頭 95 秒を使い、最後は静かに消えていくようにしました。
ゲームの中では、後ろでずっと流れるので、曲の終わりが始まりに自然につながるように作るのがコツでした。どう指示すればつながりやすいかは、Claude と相談して決めました。

Suno で曲を作ろうと思った理由ですが、ゲームの構想段階から「ボーカル入りのBGM」を流すことを重要視していました。そんな中で、ボーカルが歌う高品質な楽曲が生成出来て、商用利用可能な生成サービスを探した結果、現時点では一番自分の目的と水準に合っているサービスが suno でした。

Suno で作った曲は、私が手元に置くと、Claude が確かめて、つなぎ目が目立たないように整えてからゲームに入れます。
そして、町は「The Town Remembers」、浅い階は「The Maze Breathing」、ボス戦は「Hearts of Steel」というふうに、階や場面に割り当てます。

遊ぶ人は、設定で BGM の種類を選べます。

• Soundtrack: Suno の歌付きの曲

• Classic: 手元の PC で作った歌の無い曲

• Mix: 両方を時間で交互に

歌付きの曲は印象に残りますが、長く遊ぶと歌の無い曲の方が落ち着く、ということもあるので、選べるようにしました。

手元の PC で BGM と効果音

2026 年 10 月 1 日、Claude に「画像と同じように、手元の PC だけで曲や効果音を作れる仕組みを調べて」と指示しました。
すると、画像生成に使っている道具（ComfyUI）が、そのまま音楽用の ACE-Step 1.5 と、効果音向けの Stable Audio 3 に対応していました。どちらも 8GB のグラフィックボードで動きます。

その夜のうちに、

• BGM 8 曲（町・洞窟 5 段階・ボス・タイトル）。1 曲 90 秒を約 25 秒で

• 効果音 29 種・48 個（攻撃・被弾・会心・レベルアップ・宝箱・呪文など）

ができました。私が寝ている間の作業です。

剣を振る音が「無音」だった

ここで問題が起きます。最初に試した「剣を振る音」が、ほぼ無音でした。
Claude は音を聞けないので、普通なら気づけません。

気づけたのは、音を数値化する道具 を作っていたからです。
音のファイルを読んで、長さや音量、無音の部分がどれだけあるかを数え、波形を画像にします。
数えると、剣を振る音は音量が極端に小さく、ほぼ無音でした。指示の出し方を変えて作り直すと、ちゃんと鳴るようになりました。

この道具は、その後もずっと使っています。掛け声を足したときも、曲をまとめて作ったときも、ほぼ無音の 1 本や、音が小さすぎる 1 曲を、この道具が見つけました。Suno の曲を入れるときも、長さと無音を確かめています。

耳で聞けないなら、数値を見て判断させればいい。AI と音を作るときの一番の発見でした。
ただし、「いい曲かどうか」は見えません。そこは私が聞いて決めています。

倒れたときの断末魔と、気持ちいい会心の音

効果音は、私の注文で何度か作り直しました。

自分が倒れた瞬間、スローモーションの間に 3 秒ほど断末魔の声を流して欲しい、と指示した時は、男女 × 子供・大人・老人の 6 種類を作ってもらいました。見た目の性別と年代に合わせて声が変わります。

会心の一撃の音を「ズバッッッ！という気持ち良い音に」と指示したときは、4 つ作って毎回ランダムに 1 つ鳴らすようにしました。
このとき、会心の音と同時に普通の「当たった音」も鳴っていて、せっかくの音が濁っていたことも分かりました。

管理画面から曲を作る

その後、曲づくりを私でも指示できるようにしました（v0.66.0）。
管理画面の BGM のところに日本語で「こんな雰囲気の曲」と書いてボタンを押すと、指示が順番待ちに入ります。
手元の PC で動いている「曲づくり係」がそれを取りに来て、曲を作り、サーバへ送ります。

ゲームのサーバは古い NAS（次回書きます）で、音楽生成 AI は動かせません。そこで、サーバは指示を受け付けるだけ、作るのはグラフィックボードのある PC、と分けました。

このとき、曲の質も見直しました。それまでの作り方では途中で途切れる所がありましたが、大きいモデルに替え、指示の出し方を工夫すると途切れなくなりました。そのうえで品質を変えた 3 曲を私が聞き比べ、「既定は高品質で」と決めました。

今、曲の一覧の 142 曲のうち 118 曲は、この曲づくり係が作った曲です。
階ごとに曲を変え、ボス戦・瀕死・仲間が倒れた・追われている、といった状況でも曲が切り替わります。

声: Irodori-TTS

最初の掛け声は、効果音の道具で作った「言葉の無い声」でした。呪文の名前は読めません。
そこで、無料で手元で動く日本語の読み上げを調べてもらい、Irodori-TTS と Qwen3-TTS を同じ文で比べました。
私が聞き比べて、「Qwen3 は感情が声に乗っていない」ので、全部 Irodori にしました。

作った声は、

• 掛け声 24

• スキルの名前 1,266（211 種 × 6 組の声）

• ボスのセリフ 33

です。最初は 1 個 8 秒かかっていましたが、Claude が無駄な読み込みを見つけて直すと 1 個 2 秒になり、全部で 35 分で作れました。

しかし声でもつまずきました。「同じボスなのに、セリフごとに声の高さや性別までバラバラ」と気付いたのです。
数値で確認すると、同じボスの中で声の高さが最大 3.7 倍違っていました。ボスごとに声をそろえる工夫をして、作り直しました（v0.74.0）。

もう 1 つ。画像生成と声の生成を同時に動かすと、グラフィックボードを取り合って落ちます。今は必ず順番に作っています。

まとめ

• 「聞かせる曲」は Suno で私が、「流す曲」は手元の PC で Claude が作る

• 耳の無い AI には、音を数値化する道具を持たせる

• 数値化して分かるのは「壊れているか」まで。「良いかどうか」は人が聞いて決める

• 重い生成は GPU のある PC、サーバは指示を受けるだけ、と分ける

次回は、そのサーバの話です。無料の Firebase をやめて、自宅の古い NAS でゲームのサーバを動かしています。メモリ 1GB の機械で何に気をつけたか、手元と NAS の同期で起きた上書き事故の話を書きます。

オープニングの映像をどう作ったか（1 枚絵を動かし、ゲームの画面を撮り、曲の拍に合わせて組み立てた話）は、第 9 回で書きます。

具体的な手順は、手順編（有料）にまとめる予定です。