AI音楽をローカルで無料生成！MacでStable Audio 3を試していたら、専用アプリまで作ってしまった話

＞この記事のダイジェスト版はPodcastでも視聴いただけます。

最近、AIを使ってBGMを生成する機会が増えてきました。

YouTubeの解説動画、Instagramのリール、ちょっとしたショート動画など、BGMが必要になる場面は結構あります。

ただ、AI音楽生成サービスって、無料枠に制限があったり、生成するたびにクレジットを消費したりするものが多いんですよね。

できれば、いろいろ試行錯誤しながら、気軽に何曲も作りたい。

そんなことを考えていたところ、Xで気になる投稿を発見しました。

そこからChatGPTと相談しながら作業を進めていたら、最終的には自分専用の音楽生成Webアプリまで作ることになりました。

今回は、その一連の流れを紹介します。

きっかけはXで見つけた「Audio Studio MCP」

今回きっかけになったのは、KanaWorks_AIさんの投稿です。

KANA｜東京AI映像@KanaWorks_AI■ 導入はエージェントにおまかせ
お使いのエージェントにこのリポジトリを読ませるだけ。Claude Codeに「github.com/kanaworksai-hu… をREADMEに従ってインストールして、MCPサーバーとして登録して」と頼めば、セットアップから登録まで済ませてくれます。
手動なら git cloneして ./install.sh…github.comGitHub - kanaworksai-hue/audio-studio-mcp: Local AI BGM and sound effects for Claude Code and any MCP client. Stable Audio 3 on Apple Silicon (MLX), no cloud, no API key.9:05 PM · Oct 18, 2026 · 3.78万 閲覧数

2 返信 · 20 リポスト · 239 いいね

紹介されていたのは「Audio Studio MCP」というオープンソースのツール。

簡単に説明すると、自分のパソコンでAIを動かして、BGMや効果音を生成できる仕組みです。

しかも、クラウドの音楽生成APIを使わず、ローカル環境で動作します。

使用している音楽生成AIは、Stability AIの「Stable Audio 3」。

画像生成AIのStable Diffusionで知られるStability AIが公開している音声生成モデルです。

公式GitHubはこちら。

https://github.com/kanaworksai-hue/audio-studio-mcp

最初は、これをCodexから使う方法をChatGPTに聞いていました。

ところが、セットアップを確認すると、

zsh: command not found: codex

という表示が。

どうやら、そのMacにはCodexのターミナル用CLIが入っていないようです。

もちろん、インストールすればいいのですが、そこでふと思いました。

「そもそもCodexを経由する必要ってあるの？」

ということです。

Codexに指示するたびに利用枠を消費するのなら、せっかくローカルで動くAIなのにもったいない気がします。

そこでChatGPTに確認してみました。

すると、Stable Audio 3自体はターミナルから直接実行できることが分かりました。

つまり、音楽を生成するだけなら、CodexやClaudeなどのAIエージェントを使う必要はないんですね。

これはありがたい。

MacBook Air M3にインストールしてみた

今回使った環境はこちらです。

• MacBook Air M3
• ユニファイドメモリ24GB
• Apple Silicon（arm64）
• Homebrew導入済み

Stable Audio 3には、Apple Silicon向けに最適化されたMLX版が用意されています。

MLXは、Apple Siliconで機械学習モデルを効率よく動かすための仕組みです。

今回はこちらを使用します。

まずは必要なツールをインストール

ターミナルで次のコマンドを実行します。

brew install ffmpeg uv

ffmpegは音声の変換などに使うツール。

uvはPythonの実行環境やライブラリを管理するツールです。

私のMacには両方とも入っていましたが、実行すると新しいバージョンへの更新が行われました。

Stable Audio 3をダウンロード

続いて、GitHubからプログラムを取得します。

cd ~

git clone https://github.com/Stability-AI/stable-audio-3.git

cd stable-audio-3/optimized/mlx

./install.sh

これで必要なPython環境やライブラリが準備されます。

実際のターミナルには、最終的に次の表示が出ました。

✓ Install complete.

無事にインストール完了です。

ちなみに音楽生成モデルは、この時点ではまだダウンロードされていませんでした。

使うモデルは、最初の生成時に自動でダウンロードされる仕組みになっています。

なお、ここで導入したのはStable Audio 3本体です。最初に紹介したAudio Studio MCPとは別で、まずは音楽生成エンジンを直接使う方法を試しています。

いよいよAI音楽を生成してみる

最初に試すことにしたのは、Instagramのリールで使えそうなノリの良いEDMです。

ターミナルでこんなコマンドを実行します。

cd ~/stable-audio-3/optimized/mlx

./sa3 \
  --prompt "High energy festival EDM, catchy euphoric synth melody, powerful four on the floor kick drums, energetic bassline, uplifting dance music, instrumental, no vocals" \
  --dit sm-music \
  --decoder same-s \
  --seconds 10 \
  --out ~/Desktop/instagram_edm.wav \
  --play

ざっくり説明すると、

• --prompt：どんな音楽を作るか
• --dit sm-music：使用する音楽生成モデル
• --seconds 10：10秒の音楽を生成
• --out：保存先
• --play：生成後に再生

という意味です。

音楽生成用のSmallモデルは、初回に約1.3GBのデータをダウンロードします。

一度ダウンロードすれば、以降はそれを使い回せます。

EDMだけでなく、Lo-fiも作れる

せっかくなので、別のジャンルも試すことにしました。

例えば、Instagramで使えそうなおしゃれなLo-fi。

./sa3 \
  --prompt "Beautiful melodic lo-fi hip hop, memorable piano melody, warm Rhodes electric piano, emotional jazzy chords, dreamy guitar, groovy bassline, relaxed hip hop drums, nostalgic atmosphere, instrumental, no vocals" \
  --dit sm-music \
  --decoder same-s \
  --seconds 20 \
  --out ~/Desktop/instagram_lofi.wav \
  --play

こちらは20秒の音楽です。

プロンプトでメロディを重視するように指示すると、単なる環境音的なBGMではなく、印象に残るフレーズを狙うこともできます。

ただし、AI生成なので、指定したメロディや展開が必ず再現されるわけではありません。

それでも、いろいろなジャンルを気軽に試せるのは魅力的です。

日本語のプロンプトでも大丈夫？

日本語を入力すること自体はできます。

ただ、英語のほうが意図を反映しやすい場合があります。

そのため、私はChatGPTに日本語で希望を伝え、英語のプロンプトにしてもらう方法を使っています。

例えば、

「Instagram向けで、メロディックなEDM。冒頭から盛り上がる20秒のBGM」

と伝えるだけ。

英語の音楽用語を詳しく知らなくても、かなり細かい指示を作れます。

MP3でも保存したい

ここで、ひとつ気になったことがありました。

Stable Audio 3で生成される音声は基本的にWAV形式です。

音質的には問題ありませんが、SNS用の素材を扱うならMP3も欲しいところ。

そこで、先ほどインストールしたffmpegを使います。

ffmpeg -i ~/Desktop/instagram_lofi.wav \
  -codec:a libmp3lame -b:a 320k \
  ~/Desktop/instagram_lofi.mp3

これで320kbpsのMP3に変換できます。

音楽生成とMP3変換をひとつのコマンドにまとめることも可能です。

ただ、ここまで作業していて思いました。

「毎回こんな長いコマンドを入力するの、ちょっと面倒だな……」

と。

だったら専用GUIを作ればいいのでは？

ということで、またChatGPTに相談しました。

「これ、Web UIでGUI設定できるようにできる？」

Stable Audio 3には、もともとWeb UIが用意されています。

cd ~/stable-audio-3/optimized/mlx

./sa3-gradio --no-share

これを実行すると、ブラウザから音楽生成を操作できます。

ただ、私が欲しかったのは、もう少しシンプルな画面でした。

例えば、ジャンルをEDMやLo-fiから選ぶだけでプロンプトが自動入力されるようなもの。

そして、秒数を指定して生成ボタンを押せば、自動でMP3まで作ってくれる。

毎回ターミナルのコマンドを書き換えるのではなく、普通のアプリのように使いたかったんです。

そこでChatGPTに専用のWeb GUIを作ってもらいました。

作ってもらったWeb GUIの機能

最初に用意したのは、音楽生成に必要な設定をまとめた画面です。

主な機能はこんな感じ。

機能内容ジャンル選択EDM、Lo-fi、POPなど音楽の長さ5〜120秒で指定モデル選択Small Music、Medium、Small SFXプロンプトプリセット入力、自由編集出力形式WAV、MP3、両方詳細設定CFG、ステップ数など試聴ブラウザから再生保存Macのローカルフォルダ

生成処理自体は、すでにインストールしたStable Audio 3を呼び出す方式です。

つまり、Web UIのために別の音楽生成モデルを用意する必要はありません。

もちろん、この専用GUIもローカルで動かす構成です。

さらにループ機能を追加

Instagramの短いリールなら10〜20秒で十分なこともありますが、YouTubeのBGMとして使うなら繰り返し再生したい場合もあります。

そこで、ループON/OFFも追加しました。

ONにすると、音の終わりと始まりを短くクロスフェードして、つなぎ目を滑らかにする処理を行います。

ただし、これは拍やメロディを完全に一致させるものではありません。

また、厳密なループにはWAVが向いています。

MP3は圧縮時の遅延やパディングによって、再生環境次第でわずかな隙間ができる可能性があるためです。

動画編集に使うならWAV、手軽に扱うならMP3、という使い分けがよさそうです。

生成履歴も欲しくなった

さらに使い勝手を考えると、生成した音楽を管理する機能も必要です。

ということで、生成履歴を追加しました。

履歴では、

• 過去に生成した曲を一覧表示
• その場で試聴
• MP3やWAVをダウンロード
• 不要な曲を削除
• ファイル名やプロンプトで検索
• 使用したモデルや設定を確認

といった操作ができます。

生成済みのファイルはMacに保存されるため、ブラウザを閉じても消えません。

GUIを再起動したときにも、保存フォルダに残っているファイルを読み込む仕組みです。

保存先も自由に変更できるように

最初はデスクトップの専用フォルダに保存する仕様でした。

ただ、音楽ファイルが増えることを考えると、保存先は自由に指定できたほうが便利ですよね。

そこで、フォルダ選択機能も追加。

例えば、

~/Music/AI-BGM/

のような任意のフォルダに保存できます。

設定は次回起動時にも引き継がれます。

さらに、ページ上部からすぐ生成できるように、右上にも生成ボタンを追加しました。

そして、細かいことですが、

プロンプト欄で「Command + Enter」を押すと音楽生成を開始

というショートカットにも対応させました。

こういう小さな使い勝手の改善が、意外と重要なんですよね。

※ここで紹介した専用GUIはChatGPTと作成した自作ツールです。標準のStable Audio 3に最初から搭載されている機能ではありません。GUIの一部処理はテストしていますが、私のMacでの全機能の実機検証が完了したという意味ではありません。

ところで、Codex CLIを使うのもアリだと思った

ここまでターミナルと専用GUIを使う方向で進めてきましたが、最初に考えていたCodex CLIとの連携にも、やはりメリットがあると感じています。

というのも、私は普段、Codexを使って動画制作のコードを書いたり、修正したりしているんですよね。

YouTubeの解説動画やショート動画なども、コードを使った制作ワークフローを試しています。

そんな使い方をしていると、音楽生成だけを別のツールで行うのではなく、動画制作と同時にBGMや効果音も生成してもらえたら便利なのでは？ と思いました。

例えば、Codexにこんな依頼をするイメージです。

「この動画を30秒のショート動画に編集して。場面に合わせて効果音を入れて、全体の雰囲気に合うBGMも作ってください」

すると、

1. 元動画や台本の内容を確認
2. ショート動画に使う場面を選択
3. テンポよく映像を編集
4. 場面に合わせた効果音をローカル生成
5. 動画の雰囲気に合わせたBGMを生成
6. 音声やBGMの音量を調整
7. 映像と音を組み合わせて書き出し

といった処理を、ひとつの制作フローにまとめることを目指せます。

Audio Studio MCPには、BGMや効果音の生成だけでなく、音声の編集、ループ、音量調整などの機能も用意されています。

こうしたツールをCodex CLIに接続すれば、動画制作中に必要な音素材をまとめて作ってもらうことも考えられます。

もちろん、Codex側にAudio Studio MCPを登録し、動画編集環境と連携させる設定が必要です。

現時点で、この一連の処理をすべて自動化できたわけではありません。

ただ、今後はぜひ試してみたい使い方です。

Codexを使うとクレジットはどうなる？

ここは少し整理しておきたいところです。

Stable Audio 3がローカルで音楽を生成すること自体には、外部の音楽生成API料金は発生しません。

ただし、Codexに編集や生成の指示を出す場合は、Codex側の利用枠や、利用方法によってはAPI料金を消費します。

つまり、

• 単純にBGMを生成したい → ターミナルや専用GUI
• 動画制作とBGM・効果音生成をまとめたい → Codex CLI＋Audio Studio MCP

という使い分けがよさそうです。

単体で音楽を作るならGUI、動画制作全体を自動化するならCodex。

こう考えると、どちらにも使い道があると思います。

生成した音楽は商用利用できる？

ここも、動画制作で使うなら気になるところですよね。

今回きっかけになったAudio Studio MCPの開発者さんも、Xで商用利用について説明されていました。

重要なのは、ツール本体のライセンスと、音楽生成AIモデルのライセンスは別だという点です。

Audio Studio本体はMITライセンス

Audio Studio MCPのプログラム本体は、MITライセンスで公開されています。

著作権者は「東京AI映像合同会社」です。

MITライセンスは非常に自由度が高く、商用利用、改変、再配布などが認められています。

今回のように、生成したBGMや効果音を自分の動画で使うだけなら、Audio Studio本体の著作権者をクレジット表記する必要はありません。

一方、Audio Studioのプログラム自体を改変して再配布する場合などは、元の著作権表示とライセンス表示を保持する必要があります。

なお、KanaWorks_AIの名称やロゴ、キャラクターなどはMITライセンスの対象外です。

公式ライセンスはこちら。

https://github.com/kanaworksai-hue/audio-studio-mcp/blob/main/LICENSE

Stable Audio 3のモデルは別のライセンス

音楽生成に使用するStable Audio 3のモデルには、「Stability AI Community License」が適用されます。

こちらも条件付きで商用利用が認められています。

大まかには次の区分です。

利用者商用利用年間収益100万米ドル未満の個人・組織原則として無償で利用可能年間収益100万米ドル以上Enterpriseライセンスなど別途契約が必要

ここでいう収益は、Stable Audio 3による売上だけではありません。

他の事業も含めた年間収益が基準になります。関連会社などの収益を含めた判定にも注意が必要です。

また、Stability AIは商用利用に登録が必要であることも案内しています。

そのため、無料で商用利用できることと、手続きや利用条件が一切ないことは別です。

実際に仕事や販売物で使用する場合は、最新の公式条件を確認する必要があります。

公式ライセンス：

https://stability.ai/license

生成した音楽の権利はどうなる？

Stability AIは、モデルから生成した出力について、適用法令で認められる範囲で、Stability AIと利用者との間では利用者が権利を持つと説明しています。

つまり、ライセンス条件を守れば、生成した音楽をゲームや動画、配信、商用コンテンツなどに使用できます。

ただし、ここには少し注意点があります。

「商用利用できる」ことと「著作権が必ず発生する」ことは同じではありません。

AIだけで生成した音楽に著作権が認められるかどうかは、国や制作過程、人間の創作的な関与などによって判断が変わります。

また、AI生成だからといって、第三者の権利を侵害しないことまで保証されるわけではありません。

例えば、既存の楽曲や特定のアーティストに酷似した音楽が生成された場合は、別途注意が必要です。

InstagramやYouTube、音楽配信サービスなどにも、それぞれ利用ルールがあります。

生成物を公開・販売する場合は、配信先の規約も確認しておきたいところです。

ほかにも注意しておきたいこと

Stability AIのライセンスには、ほかにもいくつか条件があります。

まず、Acceptable Use Policy（利用規約・利用ポリシー）に従う必要があります。

また、Stable Audio 3のモデルや生成物を利用して、新しい基盤生成AIモデルのアーキテクチャを作ることには制限があります。

一方、LoRAやファインチューニングなどは、条件に従って認められる場合があります。

一般的なBGM制作とは少し離れた話ですが、モデルを改造したり、別のAI開発に利用したりする人は注意が必要です。

私のようにYouTubeやInstagramの動画に使う目的なら、まずは商用利用の条件、生成物の権利、配信プラットフォームの規約を確認しておくのがよさそうです。

※ここでの説明は2026年10月時点の公開情報をもとにした概要です。法的な判断や権利保証をするものではありません。商用利用の際は公式ライセンスの原文を確認してください。

モデルの容量と気になる費用

今回利用しているStable Audio 3には、複数のモデルがあります。

Mac用MLX版のモデル容量は、おおむね次のとおりです。

モデルダウンロード容量用途Small Music約1.3GBBGM・音楽Small SFX約1.3GB効果音Medium約5.9GB高品質な音楽・音声

今回のMacBook Air M3はメモリ24GBなので、Mediumモデルも選択肢に入ります。

そして、一番気になる費用について。

今回のようにStable Audio 3をローカルで直接実行するなら、生成のたびに外部AIのAPIクレジットを消費することはありません。

これが大きなメリットだと思います。

もちろん、パソコンのストレージやメモリを使用しますし、電力も消費します。

また、商用利用に関するライセンス条件は別途守る必要があります。

それでも、クラウド型のAIサービスとは違った選択肢があるのはありがたいですね。

AIで作りながら、使いやすく育てていく

今回の作業を振り返って、改めて面白いと思ったことがあります。

最初の目的は、単純に「ローカルでAI音楽を作ってみたい」ということでした。

それが、

音楽生成環境をインストールする。

↓

ターミナルからEDMやLo-fiを生成する。

↓

MP3変換を自動化する。

↓

専用のWeb GUIを作る。

↓

ループ機能を追加する。

↓

生成履歴を追加する。

↓

保存先指定やショートカットを追加する。

という形で、どんどん発展していきました。

私はエンジニアではありません。

自分でゼロからPythonやJavaScriptをすべて書いて、このようなアプリを完成させるのはなかなか大変です。

でも、今はChatGPTに相談しながら、少しずつ機能を追加していくことができます。

もちろん、AIが作ったコードを無条件に信用していいわけではありません。動作確認や不具合の修正は必要です。

それでも、「こういう機能が欲しい」と思ったときに、それを自分で形にできる選択肢があるというのは、かなり大きいと思います。

特に、今回のように自分専用で使うツールなら、万人向けの完成度を最初から目指す必要もありません。

まずは動くものを作って、使いながら改善すればいい。

この進め方が、個人的にはとても気に入っています。

まとめ：ローカルAIと自作ツールの相性はいい

今回のStable Audio 3で感じた魅力は、音楽を生成できることだけではありません。

クラウドの生成回数やAPIクレジットを気にせず、気軽に試せること。

そして、その生成環境を自分の制作スタイルに合わせてカスタマイズできることです。

私は普段、AIを使って画像や動画、Webサイトなどを作っています。

今後はそこに、ローカル生成したBGMや効果音を組み合わせることもできそうです。

例えばYouTubeの解説動画なら、動画の雰囲気に合わせたBGMを生成し、そのまま動画制作のワークフローに組み込む。

Instagramのリールなら、10秒や20秒の短いEDMやLo-fiを作って使う。

さらにCodex CLIとAudio Studio MCPを組み合わせれば、動画編集の途中で必要な効果音やBGMまで自動生成する制作環境も目指せます。

これは今後ぜひ試してみたいところです。

単純にBGMを作るときは、自作したWeb GUI。

ショート動画の制作をまとめて任せたいときは、Codex CLI。

そんな使い分けができれば、さらに便利になりそうです。

今後も実際に使いながら、この音楽生成環境を改良していきたいと思います。

最初はXで見かけたツールを試してみるだけのつもりだったのに、気がついたら専用アプリまで作っていました。

こういう寄り道も、AIを使ったものづくりの楽しさなのかもしれません。

参考リンク

• Audio Studio MCP（KanaWorks_AIさん）
• Audio Studio MCP 日本語README
• Audio Studio MCP MITライセンス
• Stable Audio 3 公式GitHub
• Stable Audio 3 プロンプトガイド
• Stability AI ライセンス
• Stability AIによるAI生成音楽と著作権の解説

※本記事は2026年10月時点の公開情報と、MacBook Air M3での導入作業をもとにしています。ソフトウェアの仕様やライセンスは変更される可能性があります。

#生成AI #AI音楽 #StableAudio3 #AudioStudioMCP #ローカルAI #MacBookAir #Codex #ChatGPT #個人開発 #バイブコーディング #動画制作 #音楽生成 #AIクリエイター #YouTube #Instagram