MiniMax CLIで専用スクリプトを捨てる｜TTS・動画・画像・音楽をシェル一行に置き換える【AI活用検証vol.69】

AIのAPIをワークフローに組み込むとき、たいていは専用のスクリプトを書くことになります。しかしそのスクリプト自体が保守対象になります。

MiniMaxが公式CLI「mmx-cli」をリリースしたため、スクリプトを排除してシェル一行に置き換えられるかをドキュメント全体を読んで確認しました。

この検証の概要

結論：残るのは「クローンボイスの登録」だけ

置き換え可否を整理するとこうなります。

重要な整理はここです。「クローンボイスを新規登録するときだけスクリプトが必要。一度登録してしまえば、あとはCLIで運用できる」

登録は頻繁に行う作業ではありません。日常的に回る部分がCLIで完結するなら、スクリプトの保守負担は実質的にほぼ消えます。

エージェント連携が設計に組み込まれている

このCLIの最大のポイントです。Claude Code・Cursor・OpenCodeなどのAIエージェント向けに設計されています。

--quiet でstdoutが純粋なデータになるため、安全にパイプできます。

# stdoutが純粋データなので安全にパイプできる
URL=$(mmx image generate --prompt "A sunset" --quiet)
mmx vision describe --image "$URL" --quiet

# 非同期動画生成のワークフロー
TASK=$(mmx video generate --prompt "A robot" --async --quiet | jq -r '.taskId')
mmx video task get --task-id "$TASK" --output json
mmx video download --task-id "$TASK" --out robot.mp4

特に mmx config export-schema は効きます。全コマンドをツール定義JSONとして出力できるため、エージェントに渡す定義を手書きする必要がありません。

CLIツールをAIから呼ばせる設計を、提供側があらかじめ用意している——という点が、単なるコマンドラインツールとの違いです。

機能別にできること・できないこと

TTS・音声合成（mmx speech）

想定より全部入りでした。

• 30種類以上のプリセットボイス（mmx speech voices で一覧確認）
• speed・volume・pitchの調整
• ストリーミング再生（--stream | mpv - でリアルタイム再生）
• ファイルから読み込み（--text-file - でstdinも可）
• 字幕タイミングデータの取得（--subtitles）
• 音響エフェクト追加（--sound-effect）、カスタム発音指定（--pronunciation from/to）
• モデル切り替え：speech-2.8-hd（デフォルト）、speech-2.6、speech-02
• 40言語対応（--language でブースト）

字幕タイミングデータが取れる点は、動画制作のパイプラインを組むうえで重要です。音声とテロップを別々に作る必要がなくなります。

動画生成（mmx video）

• テキストプロンプトから動画生成（デフォルト：MiniMax-Hailuo-2.3）
• 高速版モデル切り替え（--model MiniMax-Hailuo-2.3-Fast）
• 非同期実行 → task IDで進捗ポーリング（--async + mmx video task get）
• ダウンロードまで自動待機（--download sunset.mp4）
• 最初のフレーム画像を指定（--first-frame）、完了時のWebhook通知（--callback-url）

不明点も残っています。解像度・秒数の指定（768P/1080P、6s/10sの選択）がCLIフラグ上で明示されていません。

画像生成（mmx image）

• アスペクト比指定（--aspect-ratio 16:9 など）、バッチ生成（--n 3）
• キャラクター一貫性（--subject-ref type=character,image=path）
• できないこと：モデル切り替え（image-01 のみ）／インペインティング・画像編集（生成のみ）

音楽生成（mmx music）

フラグが最も多く、かなり細かく制御できます。

• 歌詞付き生成（--lyrics / --lyrics-file）、インストゥルメンタル（--instrumental）
• ボーカルスタイル指定（--vocals "male and female duet, harmonies in chorus"）
• ジャンル・ムード・楽器・テンポ・BPM・キーをそれぞれ個別フラグで指定
• 曲の構成指定（--structure "verse-chorus-verse-bridge-chorus"）
• 参照アーティスト指定（--references）、避けたい要素の指定（--avoid）
• AIGCウォーターマーク埋め込み（--aigc-watermark）

テキスト生成・画像理解

テキスト生成（mmx text）はマルチターン会話、ストリーミング、システムプロンプト、JSON出力、ツール定義の渡し込みに対応。ただしFunction Callingの実行自体はCLI側では行いません（定義を渡すだけ）。

画像理解（mmx vision）はローカルファイル・URL・file_idを指定でき、自由なプロンプトで質問できます。複数画像の同時入力と動画理解は非対応です。

ボイスクローンの扱い

ここだけ注意が必要です。

クローンボイスの登録はCLI非対応で、APIを直接叩く必要があります。

1. 音声ファイルをFile Upload APIでアップロード → file_id 取得
2. Voice Clone APIに file_id と任意の voice_id を渡してクローン作成
3. 生成された voice_id をTTS APIに渡して合成

登録済みクローンボイスの利用は --voice voice_clone_xxxxx の形でCLIから実行できる可能性が高いものの、こちらは未検証です。

また、プロンプトからボイスを生成する voice_design はMCPサーバー経由でのみ利用可能で、CLIには未実装です。

料金（Pay as You Go）

ボリュームを一定以上使うなら、Token Plan（月額$10〜）のほうがコスパが良い場面もあります。

よくある質問

専用スクリプトは不要になりますか？

TTS・動画生成・画像生成・音楽生成は完全に置き換え可能です。残るのはクローンボイスの新規登録だけで、これは頻繁に行う作業ではありません。

AIエージェントから呼び出せますか？

そのために設計されています。--non-interactive、--quiet、--output json、--dry-run が用意されており、mmx config export-schema で全コマンドをツール定義JSONとしてエクスポートできます。

クローンボイスは使えますか？

登録はAPI経由が必要ですが、登録済みボイスの利用はCLIから可能と考えられます（この検証時点では未検証）。プロンプトからボイスを生成する voice_design はMCP経由のみです。

動画の解像度は指定できますか？

CLIフラグ上では明示されておらず、要確認事項として残っています。モデル選択（Hailuo-2.3 / Hailuo-2.3-Fast）による切り替えは可能です。

まとめ

• TTS・動画・画像・音楽の生成はCLIで完全置き換え可能。専用スクリプトの保守負担が消える
• 残るのはクローンボイスの新規登録のみ。一度登録すればあとはCLIで運用できる
• エージェント連携が設計に組み込まれている。--quiet でstdoutが純粋データになり安全にパイプできる
• mmx config export-schema で全コマンドをツール定義JSONとして出力可能
• TTSは字幕タイミングデータの取得まで対応。動画制作パイプラインとの相性が良い
• 動画の解像度・秒数指定はCLIフラグ上で不明。voice_design はMCP経由のみ

APIを使った仕組みは、スクリプトが増えるほど保守が重くなります。公式CLIで置き換えられる部分を先に見極めておくと、構成を軽く保てます。

株式会社AI棒では、こうしたAI活用の検証を日々行い、企業のコンテンツ制作へのAI活用を支援しています。ご相談はお問い合わせフォームから、継続的な伴走支援についてはAI参謀をご覧ください。