エージェント SDK「Music Video Arena」公開──Claude Fable 5 と GPT-5.6 Sol の自律生成能力を比較
楽曲と予算を渡すだけで動画生成から編集までを完結させる自律エージェントの挙動を、46〜80 本の生成クリップとツール呼び出しログから検証した。
リリース: 2026-07-16 · 読了 5 分記事の要約
1. 核心（What）
- Claude Fable 5 と GPT-5.6 Sol を用いた自律音楽ビデオ生成エージェントの比較実験を実施。
- 予算 25 ドルと 100 ドルの条件下で、各モデルが FAL API を利用して動画生成・編集を自動実行。
- GPT-5.6 Sol は $100 予算時に 3 種類の動画生成モデルを併用し、画像生成と動画生成を組み合わせる手法を採用。
- Claude Fable 5 は $100 予算時で総コスト 73.65 ドルに達し、GPT-5.6 Sol よりもトークンコストが高く推移。
2. 影響（Why）
- エージェントの判断能力差: モデルによって「画像から動画生成」へ切り替える判断や、複数の生成モデルを使い分ける戦略が異なる。ツール連携の実装において、単なる API 呼び出し以上の「試行錯誤」の質がプロダクトの仕上がりに直結する。
- 国内 SaaS への実装指針: 動画生成を組み込む [国内 クリエイティブ系 SaaS 業種] 規模の企業にとって、エージェントに全任せするよりも、特定の生成モデルを固定し、編集指示のみを LLM に担わせるハイブリッド構成の方が品質とコストの安定性が高い。
3. 根拠・詳細（How）
- エージェントのアーキテクチャ: plan, web_search, generate_image/video, run_command (ffmpeg) の 6 つのツールを定義し、github.com/hershalb/music-video-arena にて公開。各ステップのログとツール呼び出し履歴を保存可能。
- コスト構造の分析: Claude Fable 5 は入力 10 ドル/出力 50 ドル (1M トークンあたり) の価格体系で、総コストの 30-40% が LLM 推論費用。GPT-5.6 Sol は入力 5 ドル/出力 30 ドルと安価で推移。
4. 展望・課題（Next）
- 長尺生成の課題: 現状のモデルはキャラクタの一貫性維持やストーリ構築が困難であり、自己反省による再生成（リテイク）のプロセスが組み込まれていない点が今後の改善課題。