CapCut代替でAI動画をOSSで自作する完全ガイド：生成と編集

「CapCut代替で、AIが作るフォトリアルな動画をOSSだけで完結させたい」——この記事は、その具体的な作り方を、動画の生成（AIで動く映像を作る）と編集（切り貼り・字幕・書き出し）の両面から整理する完全ガイドです。CapCutの代わりを探すきっかけは人それぞれですが、行き着く先は「編集も生成も自分の管理下で回す」という同じ発想になります。CapCutが規約改定でアップロード素材への広範な権利を主張するようになった今、TikTok/Reels系のクリエイターの間では「編集も生成も、自分の管理下（ローカル or 自分のAPIキー）で回したい」というニーズが急速に高まっています。

結論から言うと、編集はOpenCut（MIT・⭐63,175）を中心とした動画編集OSS、生成はWan2.2やHunyuanVideo-1.5などのモデルを『無料Web／API／ローカル』の3ワークフローで使い分けるのが現実解です。本稿は公式リポジトリの一次情報と、実際に試して分かった注意点をもとに、① 結局どのOSSで何ができるのか、② 何を解決するのか、③ CapCutの何を代替できるのかを、スペック・コスト・合法用途まで含めて解説します。

同じ「AIで動画を作る」でも、Claude Codeを動画スタジオ化する方向のツールもあります。編集の自動化に興味があれば OpenMontage：Claude CodeをAI動画スタジオに変えるOSSツール もあわせてどうぞ。

CapCutの何が問題か：規約改定・データ・機能制限

まず、なぜ「CapCut代替」を探す人が増えているのかを整理します。理由は大きく3つ、規約（コンテンツの権利）・データ（プライバシー）・機能制限（透かしや有料化）です。

もっとも大きいのが規約改定です。CapCutを運営するByteDance（TikTokの親会社）は、2025年6月12日に利用規約を更新しました。この改定では、ユーザーがアップロードしたコンテンツに対して「無条件・取消不能・非独占・ロイヤリティフリー・サブライセンス可能・永続的・全世界」の利用許諾をCapCut側に与える、という広範な条項が含まれています。しかも、顔認識や音声パターンといった生体的特徴（バイオメトリクス）も商用目的で利用しうるとされ、この権利はコンテンツを公開しなかった場合や、後から削除した場合でも残ると読める構成になっています（出典は本文末尾の参照ソース）。

これが実務でなぜ問題かというと、クライアントワークやNDA（秘密保持契約）を伴う案件で効いてきます。納品前の映像や、企業の未公開素材をCapCutに読み込ませた時点で、意図せず第三者に広範な利用許諾を与えてしまう——という契約違反リスクが生まれるからです。個人のバズ動画では気にならなくても、商用・受託になると無視できません。

2つ目はデータの結合です。規約上、アップロードしたコンテンツとそのメタデータを、TikTokをはじめとするByteDoの他サービスと紐づけて評価しうる構成になっています。TikTokとCapCutを両方使っているクリエイターにとっては、プロファイリングの度合いが上がる可能性があります。3つ目は分かりやすい機能制限で、無料版の透かし・一部エフェクトの有料化・エクスポート制限など、”無料で始めたはずが結局課金”という体験です。

こうした「規約・データ・課金」の不確実性をまとめて回避する発想が、編集も生成もOSS（ローカル or 自分のAPIキー）で回すというアプローチです。次章から、まず編集ソフトの代替を見ていきます。

CapCut代替の動画編集OSS：OpenCutが本命

CapCutの「編集」機能を置き換える動画編集OSSの中で、いま最も勢いがあるのがOpenCut（OpenCut-app/OpenCut）です。ライセンスはMIT、GitHubスターは63,175（2026年7月12日 JST時点）と、公開から1年ほどで爆発的に伸びています。最大の特徴は、ブラウザだけで完結するタイムライン動画エディタであること。ソフトのインストールもアカウント登録も不要で、ブラウザで開けばすぐに切り貼り・テロップ・書き出しができます。

なぜブラウザ完結が「CapCut代替」として効くのか。 それは、動画ファイルの読み込み・加工・書き出しといった処理を、サーバではなくあなたのブラウザ（＝ローカルPC）の中で実行する設計だからです。素材がネットワーク越しにどこかのサーバへ送られないため、前章で挙げた「アップロードした瞬間に利用許諾が発生する」というCapCut型のリスクが原理的に起きにくい。透かしも入りません。これが、単なる無料エディタではなくプライバシー重視のCapCut代替として支持されている理由です。

デスクトップで本格的に編集したい人向けには、老舗のOSSエディタもあります。用途別の違いは次の通りです。

※スター数は各GitHub公式リポジトリの2026年7月12日 JST時点の値。KdenliveはKDEのGitLab（invent.kde.org）が本拠地で、GitHubはミラーのため数字が実態より小さく出ます。

選び方はシンプルです。「とにかく手早く、素材をクラウドに上げずに切りたい」ならOpenCut、「重い素材やプロ機能まで含めてがっつり編集したい」ならデスクトップのShotcut/Kdenlive、という住み分けになります。ここまでが「編集」の代替。次章から、CapCutにはないAIによる動画生成の話に入ります。

AIキャラクター動画とは？用途と越えてはいけない一線

「AI美女動画」「AIキャラクター動画」という言葉が指すものは、実は幅があります。ここを整理しないと、ツール選びも法的な線引きも曖昧になります。大きく分けると、(1) ゼロから新しい人物・キャラの映像を生成するもの（Text-to-Video）と、(2) すでにある画像や人物に、表情・口の動き・ポーズを与えるもの（Image-to-Video／リップシンク）に分かれます。

合法的で価値のある使い道は、実はたくさんあります。 自分でデザインしたVTuberのアバターを動かす、自社ECサイトの商品を着せるバーチャルモデルを作る、ブランドの広告に使う仮想アンバサダーを制作する、ゲームのNPCにモーションを付ける、TikTok/Reels用の縦型ショート素材を量産する——これらは、オリジナルのキャラクターや、自分が権利を持つ素材を使う限り、まっとうなコンテンツ制作です。仮想インフルエンサーはすでに一つの市場になっています。

この線引きを踏まえたうえで、次章では「(1) ゼロから生成する」フォトリアル動画のOSSを、系統ごとに見ていきます。

フォトリアルAI動画を生成するOSS 3系統

「実写風の動画をAIで作る」と一口に言っても、OSSは大きく3系統に分かれます。ここを理解すると、自分がやりたいことに対してどのツールが正解かが一発で分かります。

A系：Text-to-Video（文章 → 動画）。 プロンプト（文章）から新しい映像を生成する、最もフォトリアルに強い系統です。代表格はAlibabaのWan2.2（Wan-Video/Wan2.2・Apache-2.0・⭐16,619）と、TencentのHunyuanVideo-1.5（Tencent-Hunyuan/HunyuanVideo-1.5・⭐4,517）。ほかに高速性で知られるLightricksのLTX-Video（Apache-2.0・⭐10,671）、画像とテキスト両対応のCogVideoX（zai-org/CogVideo・Apache-2.0・⭐12,862）があります。フォトリアルな人物・情景を「ゼロから」作りたいなら、まずここを見ます。

Wan2.2は公式ベンチマークで、Sora・KLING 2.0・Seedance・Hailuoといった有力モデルと肩を並べる品質を主張しています。

B系：Image-to-Video（静止画 → 動き）。 こちらは「新しい人物を作る」のではなく、用意した1枚の画像に、別の動画（駆動動画）から抽出した表情や頭の動きを移植する系統です。代表格はLivePortrait（KwaiVGI/LivePortrait・⭐18,722）。RTX 4090で1フレーム約12.8msという高速さで、Kuaishou（快手）やDouyin、剪映（＝CapCutの中国版）などの実サービスにも採用されています。

同じI2V系で、静止画に「動きの癖」を与えて短いアニメーションにするのがAnimateDiff（guoyww/AnimateDiff・Apache-2.0・⭐12,180）です。ただしAnimateDiffは公式リポジトリの更新が2024年で止まっており、実運用では後述のComfyUI上のノードとして使われることが多いのが実情です。フォトリアルよりアニメ・イラスト調に強いため、用途で使い分けます。

C系：補助・基盤。 動画そのものは作りませんが、AI動画パイプラインの土台になるのが、画像生成のFlux（black-forest-labs/flux・Apache-2.0・⭐25,716）と、ノードベースの実行環境ComfyUI（Comfy-Org/ComfyUI・GPL-3.0・⭐120,441）です。ComfyUIは上記のWan・HunyuanVideo・AnimateDiffなどを”つなぐ配線盤”として機能し、実質的にローカルAI動画制作の中心になります。ComfyUIの土台となる画像生成環境については、複数モデルを束ねる SwarmUI：Stable Diffusion・ComfyUIなど複数モデルを統合管理する画像生成プラットフォーム も参考になります。

実運用ワークフロー3案：無料Web・API・ローカルOSS

3系統のOSSが分かっても、「で、自分の環境でどう回すのか」が決まらないと動けません。ここはGPUを持っているかで大きく3つのワークフローに分かれます。まずは判断フローを見てください。

案1：無料Webサービス（GPU不要・アカウントのみ）。 手元にGPUが無くても、Webサービスなら今すぐ試せます。代表格がGoogle AI Studioで、Googleの動画生成モデルVeoを、多くの地域で無料枠から試せます。ほかにKling AIのWeb版やPika Labsなど、ブラウザ完結の生成サービスが複数あります。メリットはとにかく手軽で高品質なこと。デメリットは、1回の生成が数秒（Veoは1クリップ最大8秒）で、無料枠には回数・混雑の制限があり、細かい自動化には向かないことです。

案2：API経由（APIキー要・従量課金）。 量産や自動化をしたいなら、APIが現実的です。Google VeoはGemini API経由で1秒あたり$0.03〜$0.40程度（音声・解像度で変動）の従量課金で使えますし、Replicateを使えばWanやHunyuanVideoといったOSSモデルを、自前GPUなしにクラウド実行できます。メリットはスクリプトから叩けて量産・パイプライン化しやすいこと。デメリットは、生成量に比例してコストがかかる点です。

案3：ローカルOSS（GPU要・無料）。 RTX 3060以上のGPUがあれば、モデルを自分のマシンで動かして”無料で作り放題”にできます。ただし必要スペックと生成時間は正直に見ておくべきです。Wan2.2の公式データによれば、RTX 4090（24GB）でTI2V-5Bモデルの720P動画を1本作るのに約535秒（約9分）・ピークメモリ22.9GBが必要です。

軽量なHunyuanVideo-1.5（8.3Bパラメータ）は、オフロードを使えばVRAM 14GB程度、Wan2GPのような最適化ツールを併用すれば6GBまで下げられるとされ、コンシューマGPUでも手が届きます。3案の違いを整理すると次の通りです。

フォトリアル vs アニメ調の使い分けと、試して分かったこと

同じ「AI動画OSS」でも、フォトリアル（実写風）を狙うのかアニメ・イラスト調を狙うのかで、選ぶべきモデルは変わります。ここを間違えると「頑張ってセットアップしたのに、欲しかった絵柄と違う」となりがちです。

フォトリアルを最優先するなら、Wan2.2・HunyuanVideo-1.5・（Webなら）Google Veoが第一候補。これらは実写の質感・カメラワーク・光の表現に強く、人物や情景をリアルに描けます。一方、アニメ調・キャラクター調は、AnimateDiff＋LoRA（好みの絵柄を学習させた追加データ）や、CogVideoXの方が扱いやすい。ComfyUI上でLoRAを差し替えれば、同じパイプラインで絵柄を切り替えられます。

ここで、実際に試して分かった大事な注意点を共有します。 「無料でフォトリアル動画を作れるなら、Hugging Faceの無料Spaceで十分では？」と考えて、編集部でWan（2.1系）のHugging Face Spaceに匿名でプロンプトを投入してみました。結果は、無料キューが混雑して順番が回ってこず、生成が完了しませんでした。 これは一時的な不調ではなく、人気の動画生成モデルの無料Spaceでは日常的に起きることです。

つまり、「無料の共有Spaceは”動くデモ”としては価値があるが、実制作の手段としては当てにできない」というのが実感です。本気でフォトリアル動画を量産するなら、前章の3案——無料Webの公式ツール（AI Studioなど）／API課金／自前GPUでのローカル実行——のいずれかに寄せる必要があります。ここを最初に理解しておくと、遠回りを避けられます。なお、音声から長尺の会話動画を作りたい場合は、専用設計の InfiniteTalk：音声駆動で無制限長の会話動画を生成するAIフレームワーク のような別系統のツールが向くこともあります。

AI動画パーツをCapCut代替エディタで仕上げる

AI生成モデルは、多くが数秒〜十数秒の短いクリップしか一度に作れません（Veoは1本最大8秒）。つまり、「AIで作った短いパーツを、編集ソフトでつないで1本の作品に仕上げる」という工程が必ず必要になります。ここで最初の章のOpenCut（や各種OSSエディタ）が効いてきます。生成と編集は対立するものではなく、組み合わせて初めて完成するわけです。

現実的なワークフローはこうなります。

ポイントは、字幕・BGM・カット割りといった”人間が観て気持ちいい編集”の部分は、まだまだ人の手（＝編集ソフト）が主役だということ。AIはパーツの生成を高速化してくれますが、テンポや見せ方を決めるのは編集です。だからこそ、生成モデルと同じくらい「どの編集OSSを使うか」が仕上がりを左右します。クラウドに素材を上げたくないなら、この統合工程もOpenCutのようなローカル完結ツールで閉じるのが一貫した選択になります。

なお、書き出し形式は投稿先に合わせるのが鉄則です。TikTok/Reelsなら縦型9:16、YouTubeなら16:9。OpenCutをはじめ主要な編集OSSは、これらの比率・解像度を指定して書き出せます。

合法用途と免責：越えてはいけない一線

最後に、もっとも大事な部分を明記します。ここまで紹介したツールは強力ですが、使い方次第で人を傷つけ、法に触れる技術でもあります。以下は必ず守ってください。

問題のない用途（推奨）：
・自分でデザインしたオリジナルキャラクター（VTuberアバター等）の動画
・自社ECのバーチャルモデル、自社ブランドの広告・マーケティング素材
・ゲーム・アプリのキャラクターモーション、教育・研究目的の検証
・自分自身が被写体として映る動画、権利処理済みの素材を使った制作

禁止される用途（NG）：
・実在の人物（有名人・知人を含む）の顔や声を、本人の同意なく使うディープフェイク
・性的・搾取的なNSFWコンテンツ、リベンジポルノ的な利用
・未成年に見える人物の描写
・詐欺・なりすまし・世論操作など、他者を欺く目的の動画

技術そのものに善悪はありませんが、「自分が権利を持つ素材か」「実在の他者を傷つけないか」の2点を常に自問することが、AI動画クリエイターの最低限のリテラシーです。

まとめ：CapCut代替でAI動画をOSS化する現実解

最後に、冒頭の3つの問い——① 結局何ができるのか、② 何を解決するのか、③ CapCutの何を代替できるのか——に答えます。

① 何ができるか。 動画の編集はOpenCut（MIT・⭐63,175・ブラウザ完結）を中心としたOSSで、生成はWan2.2・HunyuanVideo-1.5などのT2V、LivePortraitなどのI2V、ComfyUI/Fluxという基盤で、フォトリアルからアニメ調まで作れます。② 何を解決するか。 素材をクラウドに預けず、著作権・肖像権を自分の手元に残したまま、規約変更に振り回されずに動画制作を回せます。③ 何を代替するか。 CapCutの「編集」はOpenCut等が、CapCutには無い「AI動画生成」はWan/HunyuanVideo/Veoが担い、両者を組み合わせることで”CapCutを使わないワークフロー”が完成します。

作り方はGPUの有無で決まります。手軽に試すなら無料Web（Google AI Studio）、量産するならAPI（Veo/Replicate）、作り放題にしたいならローカルOSS（Wan/HunyuanVideo）。そのうえで、実在人物のディープフェイク・NSFW・未成年風は絶対に作らないという一線を守る——これが、2026年時点でCapCut代替のAI動画制作を始める現実解です。

参照ソース

・OpenCut-app/OpenCut（公式GitHubリポジトリ） — CapCut代替のブラウザ完結型動画編集OSS（MIT）
・Wan-Video/Wan2.2（公式GitHubリポジトリ） — Alibabaの大規模動画生成モデル・ベンチマーク／計算効率データ
・Tencent-Hunyuan/HunyuanVideo-1.5（公式GitHubリポジトリ） — 軽量な動画生成モデル（8.3B）
・KwaiVGI/LivePortrait（公式GitHubリポジトリ） — 静止画に表情・動きをつけるI2VのOSS
・Veo 3.1 | Google AI Studio — 無料枠でVeoの動画生成を試せる公式ツール
・CapCut利用規約の分析（2025年6月改定・コンテンツ利用許諾と生体情報の条項について報じた第三者レビュー）