Mirelo SFX 2.0（ミレロ・エスエフエックス・ツーポイントゼロ）は、Mirelo AI GmbHが2026年10月14日に公開したvideo-to-soundモデルで、映像を入力として効果音・フォーリー・環境音を自動生成し、セリフを保ったまま不要な音楽を差し替えられるのが特徴です。Runwayはこれを自社プラットフォーム上で使えるようにしたことを発表しました。
室谷代表取締役Mirelo SFX 2.0は、Mirelo AI GmbHが2026年10月14日に公開したvideo-to-soundモデルで、映像から効果音・フォーリー・環境音を自動生成し、セリフを保ったまま音だけを差し替えられるんですよね。Runwayが自社プラットフォーム上でこれを提供開始した、というのが今回のニュースです。
テキトー教師DotAI 認定講師発表元はあくまでRunwayですね。公式スレッドでは「Automatic sound design, synced to every frame.」と、フレーム単位で同期する自動サウンドデザインだと謳っていて、セリフを保ったまま映像からサウンドスケープ全体を生成すると書かれています。
動画クリエイターにとってはかなり実務的な話ですよ。
動画クリエイターにとってはかなり実務的な話ですよ。
室谷代表取締役しかも公式スレッドのリプライで「Works on clips of any length.」と、あらゆる長さのクリップで動くと言っているのが面白いところで。Mirelo側の公式ブログでは、Mirelo StudioとAPIで最大10分の動画を1パスで処理できると明記されていて、10分超はEnterprise tierで相談、という整理なんですよね。
テキトー教師DotAI 認定講師そこは整理して伝えないと誤解を生むところですね。単に「任意の長さOK」な話じゃないんですよ。
Mirelo SFX 2.0とは？Runwayで何ができるのか
従来の動画生成AI vs Mirelo SFX 2.0
従来の動画生成AI
- 映像と音声を同時に生成
- 音だけ変えたい場合もクリップ全体を再生成
- 時間もコストもかかる
- Mirelo資料では「time consuming, expensive and frustrating」と指摘
Mirelo SFX 2.0
- 映像を主入力にして音を生成するvideo-to-soundモデル
- 「change the sound, keep the video」=映像はそのままに音を変える
- 映像は動かさず音だけを作り直す
- Runway上でモデルとして選択可能(15クレジット/分)
室谷代表取締役まず基本の整理からいきましょう。Mirelo SFX 2.0は、テキストから音を作るのではなく、映像そのものを主入力にして音を生成するvideo-to-soundモデルです。
Mireloの公式ブログでは「change the sound, keep the video」、つまり映像はそのままに音を変える、と表現されています。
Mireloの公式ブログでは「change the sound, keep the video」、つまり映像はそのままに音を変える、と表現されています。
テキトー教師DotAI 認定講師従来の動画生成AIは、映像と音声を同時に生成しますよね。その場合、音だけ変えたいときでもクリップ全体を再生成する必要があって、時間もコストもかかる。
Mireloの資料ではそこを「time consuming, expensive and frustrating」と指摘しています。SFX 2.0はその真逆の発想で、映像は動かさず音だけを作り直すわけです。
Mireloの資料ではそこを「time consuming, expensive and frustrating」と指摘しています。SFX 2.0はその真逆の発想で、映像は動かさず音だけを作り直すわけです。
室谷代表取締役Runway上では、このMirelo SFX 2.0がモデルとして選べる形になっていて、料金表でもMireloのAudio Generationとして「Text to Audio / Video to Audio」の両モダリティで15クレジット/分と記載されています。映像から音を作る用途と、テキストプロンプトから音を作る用途の両方が用意されているんですね。
テキトー教師DotAI 認定講師モデルは3つのバリアントに分かれているのも公式ブログで説明されています。デフォルトの「video-to-sound」、映像同期が不要な環境音などに使う「text-to-sound」、そして今後提供予定の「stem」です。
stemは1つの音を映像に同期して個別に作るもので、既存の音に足したいときや、レイヤーごとに最大限コントロールしたいときに向くとされています。
stemは1つの音を映像に同期して個別に作るもので、既存の音に足したいときや、レイヤーごとに最大限コントロールしたいときに向くとされています。
室谷代表取締役ここは実務で効いてくるポイントで、いきなり全部作るのではなく、足りない音だけ後から足すというワークフローが想定されているわけです。MYUUUでも動画制作の現場では「この効果音だけ足したい」という場面が本当に多いので、この設計は現実的だなと思います。
Mirelo SFX 2.0でできること——効果音・フォーリー・環境音を映像に同期生成
Mirelo SFX 2.0の音声生成フロー
- 01動画をアップロード生成の起点として動画を読み込む
- 02セリフを検出して保持ダイアログはそのまま残す
- 03非ダイアログ音声を除去不要な音楽などを取り除く
- 04アクションに同期した音を生成効果音・フォーリー・環境音を映像に合わせて生成
室谷代表取締役では具体的に何ができるのか。公式ブログによると、動画をアップロードすると、まずセリフを検出して保持し、次に不要な音楽などの非ダイアログ音声を除去し、その上でアクションに同期した効果音・フォーリー・環境音を生成する、という流れです。
テキトー教師DotAI 認定講師しかも生成された音は、カットをまたいで一貫性を保つと書かれています。ここが地味にすごいんですよ。
クリップを1本ずつ生成して繋ぐと、同じ場所のショット間で環境音が不連続になる問題があったわけですが、SFX 2.0は複数ショットが1つの連続したシーンのように聞こえるように作る、と。
クリップを1本ずつ生成して繋ぐと、同じ場所のショット間で環境音が不連続になる問題があったわけですが、SFX 2.0は複数ショットが1つの連続したシーンのように聞こえるように作る、と。
室谷代表取締役公式ページのデモでも「Wide shot」「Close-up」「Follow」とカットが変わっても、足音のタイムラインが0mから3mまで連続して並んでいる様子が示されています。これは編集者にとっては革命的なんですよね。
これまではカットごとに環境音を探して、トリミングして、手作業で位置を合わせていたわけですから。
これまではカットごとに環境音を探して、トリミングして、手作業で位置を合わせていたわけですから。
テキトー教師DotAI 認定講師映像を見て音を作るから、アクションのタイミングに音が合う。テキストtoサウンドはプロンプトから作るので映像を見ていない。
だから効果音を探して、切って、並べる手作業が必要だった。SFX 2.0はそこを自動化する、というのが本質ですね。
だから効果音を探して、切って、並べる手作業が必要だった。SFX 2.0はそこを自動化する、というのが本質ですね。
室谷代表取締役公式ブログでは「公園なのか大聖堂の中なのかで音が同じにならない」という趣旨のことも書かれていて、シーンの音響や雰囲気にフィットするように作られるとされています。4秒のクローズアップに効果音を合わせるためにPremiere Proで何時間もかけて微調整した経験がある人なら、この価値は一発で分かると思います。
テキトー教師DotAI 認定講師ちなみにMireloのブラインド聴取テストでは、Sony Wooshに対して81%で優先されたという結果が示されています。ただしこれは評価クリップ限定の結果だと注記されていますから、そこは正確に伝えないといけません。
室谷代表取締役そうですね。ほかにもKling Foleyに対して63%、Soniloに対して46%という数字が公式ページに載っています。
動画モデルのネイティブ音声との比較でも、Veo 3.1 Fastに57%、MiniMax H3 Maxに49%、Flux 3に48%、Seedance 2.5に47%、Klingに45%で優先されたと。ただしこれも「評価したクリップについての結果であって、すべての動画に当てはまるわけではない」と公式ページ自身が注記しています。
動画モデルのネイティブ音声との比較でも、Veo 3.1 Fastに57%、MiniMax H3 Maxに49%、Flux 3に48%、Seedance 2.5に47%、Klingに45%で優先されたと。ただしこれも「評価したクリップについての結果であって、すべての動画に当てはまるわけではない」と公式ページ自身が注記しています。
テキトー教師DotAI 認定講師25人の評価者が30本の動画を判定した、と条件も明記されていますね。参考数値として見るのが正しい姿勢です。
セリフを残したまま音だけ差し替え——従来の動画生成AIと何が違うのか
従来の動画生成AI vs SFX 2.0
従来の動画生成AI
- 頼んでいない音楽を勝手に埋め込むことがある
- プロンプトを直してもクレジットを消費するだけで直らない
- ミュートするとセリフまで消える
- 再生成すると気に入ったテイクを失うリスクがある
SFX 2.0
- セリフの演技を検出して保持し、周りに新しい効果音と環境音を織り込む
- いらない音楽だけを差し替えて、選んだテイクをそのまま使える
- セリフに合わせて効果音がダッキングする処理まで扱う
- カットを確定して繋いだ後に音を付ければいい
室谷代表取締役ここが今回の一番の売りなんですよね。動画モデルって、頼んでいない音楽を勝手に埋め込むことがあるじゃないですか。
プロンプトを直してもクレジットを消費するだけで直らない。ミュートするとセリフまで消える。
再生成すると気に入ったテイクを失うリスクがある。
プロンプトを直してもクレジットを消費するだけで直らない。ミュートするとセリフまで消える。
再生成すると気に入ったテイクを失うリスクがある。
テキトー教師DotAI 認定講師まさにそこをSFX 2.0が解決すると。セリフの演技を検出して保持し、その周りに新しい効果音と環境音を織り込む。
だから、いらない音楽だけを差し替えて、選んだテイクをそのまま使えるわけです。公式FAQでも「detects the spoken performance in your clip and regenerates it together with new effects and ambience woven around it」と説明されています。
だから、いらない音楽だけを差し替えて、選んだテイクをそのまま使えるわけです。公式FAQでも「detects the spoken performance in your clip and regenerates it together with new effects and ambience woven around it」と説明されています。
室谷代表取締役セリフに合わせて効果音がダッキングする、つまりセリフが聞こえるように音を下げる処理まで扱うと書かれているのも実務的です。ナレーションや会話がある映像に効果音を足すとき、一番面倒なのがこのバランス調整なので。
テキトー教師DotAI 認定講師これは単に「音を作る」話じゃないんですよ。映像制作のワークフローを変える話です。
これまでは映像を先に完成させてから音を考えると、映像を直すたびに音もやり直しでした。SFX 2.0なら、カットを確定して繋いだ後に音を付ければいい。
クリエイターはビジュアルに集中して、音は後から整えるという順番が成立するわけです。
これまでは映像を先に完成させてから音を考えると、映像を直すたびに音もやり直しでした。SFX 2.0なら、カットを確定して繋いだ後に音を付ければいい。
クリエイターはビジュアルに集中して、音は後から整えるという順番が成立するわけです。
室谷代表取締役エージェント視点も面白いですよね。公式ブログでは、ビデオエージェントが最終的な動画を出すときに、不要な音楽が焼き込まれていない一貫した高品質な音を保証できると書かれています。
複数クリップを繋いだり、上から自前の音楽を乗せたりするときに、人間が介在しなくても成立する、と。
複数クリップを繋いだり、上から自前の音楽を乗せたりするときに、人間が介在しなくても成立する、と。
テキトー教師DotAI 認定講師AIエージェントが動画を組み立てる時代に、音の一貫性をどう担保するかは大きな課題でしたからね。APIで組み込めるというのは、動画生成プラットフォームを作っている開発者にとっては重要な選択肢になります。
Mirelo SFX 2.0の使い方・始め方——Runwayでの生成の流れ
室谷代表取締役使い方はシンプルです。Runway上でMirelo SFX 2.0を選び、動画をアップロードする。
Mireloの公式ページでは「Choose a file or drag and drop it here」と、ファイル選択かドラッグ＆ドロップでアップロードする形が示されています。
Mireloの公式ページでは「Choose a file or drag and drop it here」と、ファイル選択かドラッグ＆ドロップでアップロードする形が示されています。
テキトー教師DotAI 認定講師流れを整理するとこうです。
- 動画をアップロードする（ファイル選択またはドラッグ＆ドロップ）
- AIが映像を解析し、セリフを検出して保持する
- 不要な音楽などの非ダイアログ音声を除去する
- アクションに同期した効果音・フォーリー・環境音を生成する
- カットをまたいで一貫した音として出力される
室谷代表取締役公式ブログでは、Mirelo StudioとAPIで最大10分の動画を1パスで処理できるとされています。従来の音生成ツールは対応時間が限られていて、完成尺の編集を分割処理して再結合する必要があったので、ここは大きな違いです。
テキトー教師DotAI 認定講師10分を超える場合はEnterprise tierで相談、連絡先はcontact@mirelo.aiと公式ブログに記載されています。Runway側でどこまで同じ仕様かは、現時点では明らかにされていません。
Runwayの公式スレッドでは「あらゆる長さのクリップで動作する」とされているので、詳細は今後の公式アナウンスを確認するのが確実ですね。
Runwayの公式スレッドでは「あらゆる長さのクリップで動作する」とされているので、詳細は今後の公式アナウンスを確認するのが確実ですね。
室谷代表取締役対応フォーマットについても、公式ページのAPIサンプルでは動画をURLで渡す形が示されていますが、対応する動画・音声の仕様や出力形式の詳細は現時点では明らかにされていません。ここは公式ドキュメントを確認しながら進めるのがいいと思います。
テキトー教師DotAI 認定講師あと、Mirelo側の提供先も整理しておきたいですね。Mirelo Playground、Mirelo Editor、Mirelo API、Mirelo MCP、そしてAdobe Premiere Pro・DaVinci Resolve・Roblox向けのプラグインが予定されていると公式ブログに書かれています。
提携先としてはRunwayとFalで利用可能で、他のプラットフォームも順次、と。
提携先としてはRunwayとFalで利用可能で、他のプラットフォームも順次、と。
室谷代表取締役編集ソフトの中から直接使えるようになるのは大きいですよね。Runwayの公式ページを見ても、Premiere Pro、After Effects、Resolveの中でタイムライン上から直接生成できるプラグインの流れが示されています。
映像編集の現場に音生成が溶け込んでいく方向性がよく分かります。
映像編集の現場に音生成が溶け込んでいく方向性がよく分かります。
料金と提供範囲——クレジット制と日本から使えるか
室谷代表取締役料金ですが、Runwayのモデル料金表ではMirelo SFX 2.0は15クレジット/分と記載されています。これはText to AudioとVideo to Audioの両方に適用される形で表に載っています。
テキトー教師DotAI 認定講師クレジット制というのは分かりやすいようで、実際のコストに換算すると分かりにくいところでもあります。1分15クレジットなので、10分の動画なら150クレジットという計算になります。
プランのクレジット単価によって実費が変わるので、自分の利用量で試算しておくのがおすすめです。
プランのクレジット単価によって実費が変わるので、自分の利用量で試算しておくのがおすすめです。
室谷代表取締役日本から使えるかについては、Runwayはクラウドベースのプラットフォームなので、アカウントを作れば場所を問わず使える形です。Mirelo側も公式ページに「Try for free」と無料で試せる導線が用意されています。
ただし、日本向けの料金体系や無料枠の具体的な条件は現時点では明らかにされていません。公式サイトで確認するのが確実ですね。
ただし、日本向けの料金体系や無料枠の具体的な条件は現時点では明らかにされていません。公式サイトで確認するのが確実ですね。
テキトー教師DotAI 認定講師あと、検索でよく出てくる「割引レート」の話ですが、今回の発表ソースには割引期間に関する記載は見当たりません。現時点では明らかにされていない、というのが正確なところです。
憶測で書くわけにはいきませんからね。
憶測で書くわけにはいきませんからね。
室谷代表取締役課金体系についても、Runwayはクレジット制で、Mirelo側はStripeでの月次課金という話が検索観点としては挙がっていますが、今回の公式ソースでは確認できません。ここは公式の料金ページで確認するしかないです。
テキトー教師DotAI 認定講師料金を考えるときに大事なのは、映像を再生成するコストと比べる視点です。動画モデルでクリップを丸ごと再生成すると、映像生成のクレジットが毎回かかる。
SFX 2.0なら音だけの生成で済むので、テイクをやり直す回数が多い現場ほど差が出ます。
SFX 2.0なら音だけの生成で済むので、テイクをやり直す回数が多い現場ほど差が出ます。
室谷代表取締役そうなんですよね。MYUUUでも動画のテイクを何度もやり直すことがありますが、映像は気に入っているのに音だけ気に入らない、というケースが本当に多い。
そこに15クレジット/分で音だけ差し替えられるなら、コスト感覚としてはかなり合理的です。
そこに15クレジット/分で音だけ差し替えられるなら、コスト感覚としてはかなり合理的です。
動画クリエイターにとっての導入メリットと注意点
室谷代表取締役ここまでの話を、導入メリットとして整理してみましょう。
テキトー教師DotAI 認定講師整理するとこうです。
- 映像を再生成せずに音だけを差し替えられるため、気に入ったテイクを失わない
- セリフを保持したまま、不要な音楽や環境音を除去できる
- 映像を見て音を生成するため、アクションのタイミングに同期しやすい
- カットをまたいで環境音が一貫するため、繋ぎ目が不自然になりにくい
- 最大10分の編集を1パスで処理でき、分割処理の手間がない
- API経由で自社プロダクトやエージェントに組み込める
室谷代表取締役一方で注意点もあって。まず、ブラインド聴取テストの数値は評価クリップ限定の結果だと公式自身が注記していること。
それから、10分を超える動画はEnterprise tierでの相談になること。対応フォーマットの詳細や、Runway上での細かい仕様は現時点では明らかにされていないこと。
このあたりは過度な期待をせず、実際の自分の素材で試すのが大事です。
それから、10分を超える動画はEnterprise tierでの相談になること。対応フォーマットの詳細や、Runway上での細かい仕様は現時点では明らかにされていないこと。
このあたりは過度な期待をせず、実際の自分の素材で試すのが大事です。
テキトー教師DotAI 認定講師あと、これはAI生成の音全般に言えることですが、権利関係の確認は欠かせません。生成された音を商用利用する場合の条件は、各プラットフォームの利用規約に従う必要があります。
今回のソースでは商用利用の可否までは明記されていないので、公式の規約を確認してください。
今回のソースでは商用利用の可否までは明記されていないので、公式の規約を確認してください。
室谷代表取締役それと、セリフを保持すると言っても、すべてのケースで完璧に保たれる保証はありません。実際の現場では、まず短いクリップで試して、自分の素材でどこまで保持されるかを確認してから本番に使うのが安全です。
テキトー教師DotAI 認定講師講座でも受講生さんから「AIで作った動画の音が薄い」という相談をよく受けます。映像はクオリティが上がっているのに、音が追いついていない。
SFX 2.0はまさにそのギャップを埋めるツールです。映像生成AIの進化についてはChatGPTとは？Wikipedia的完全解説【2026年最新】：歴史・機能・料金・限界まででも整理していますが、音の領域はこれから一気に伸びるフェーズだと思います。
SFX 2.0はまさにそのギャップを埋めるツールです。映像生成AIの進化についてはChatGPTとは？Wikipedia的完全解説【2026年最新】：歴史・機能・料金・限界まででも整理していますが、音の領域はこれから一気に伸びるフェーズだと思います。
室谷代表取締役動画制作のワークフロー全体を考えるなら、テキスト生成やエージェントの活用もセットで押さえておきたいところです。Claude CodeとGPT（Codex）の違いを徹底比較【2026年最新】：料金・機能・使い分けガイドでは、制作パイプラインに組み込む際の考え方が参考になります。
テキトー教師DotAI 認定講師あと、チームで制作する場合はプラン設計も重要です。ChatGPT Team（現ChatGPT Business）完全ガイド【2026年最新】：料金・機能・Enterprise比較・申し込み方法までのように、複数人で使う前提の料金体系を比較しておくと、クレジット制のツールを導入するときの判断材料になります。
室谷代表取締役まとめると、Mirelo SFX 2.0は「映像はそのまま、音だけを作り直す」という発想で、動画制作の音の工程を大きく変える可能性があるツールです。Runwayで15クレジット/分から試せるので、まずは手持ちのクリップで一度聴いてみるのが一番早いと思います。
よくある質問
室谷代表取締役最後に、よく聞かれるポイントを整理しておきます。
テキトー教師DotAI 認定講師まず、Mirelo SFX 2.0はどうやってセリフを保つのか。公式FAQによると、クリップ内の話し声を検出し、新しい効果音や環境音をその周りに織り込む形で再生成するため、映像を再生成せずに不要な音楽や音を差し替えられ、選んだテイクも失わない、という仕組みです。
室谷代表取締役処理できる動画の長さは、Mirelo StudioとAPIで最大10分、1パスで処理できます。10分を超える場合はEnterprise tierで相談、と公式ブログに記載されています。
テキトー教師DotAI 認定講師映像のアクションに音は同期するのか。はい、公式FAQでは、目に見えるアクション、タイミング、環境を読み取るので、効果音はアクションが起きる位置に落ちる、と説明されています。
手作業でのトリミングや位置合わせが不要になるわけです。
手作業でのトリミングや位置合わせが不要になるわけです。
室谷代表取締役どこで使えるのか。Mirelo Playground、Mirelo Editor、Mirelo API、Mirelo MCP、そしてAdobe Premiere Pro・DaVinci Resolve・Roblox向けプラグインが予定されています。
提携先のRunwayとFalでも利用可能で、他のプラットフォームも順次対応予定です。
提携先のRunwayとFalでも利用可能で、他のプラットフォームも順次対応予定です。
テキトー教師DotAI 認定講師料金はRunwayのモデル料金表で15クレジット/分。テキストから音を作る用途も、映像から音を作る用途も同じ表に記載されています。
無料で試せる導線はMireloの公式ページに用意されていますが、無料枠の詳細な条件は現時点では明らかにされていません。
無料で試せる導線はMireloの公式ページに用意されていますが、無料枠の詳細な条件は現時点では明らかにされていません。
室谷代表取締役日本から使えるかは、クラウドベースなのでアカウントを作れば利用できる形です。ただし日本向けの料金やサポートの詳細は現時点では明らかにされていないので、公式サイトでの確認をおすすめします。
テキトー教師DotAI 認定講師どのモデルバリアントを選べばいいかは、公式ブログで整理されています。デフォルトは映像に同期した高品質な音を1つの出力として作るvideo-to-sound。
映像同期が不要な環境音や、手動で同期するオフスクリーン音にはtext-to-sound。1つずつ音を作ってレイヤーを積みたい場合は、今後提供予定のstem、という使い分けです。
映像同期が不要な環境音や、手動で同期するオフスクリーン音にはtext-to-sound。1つずつ音を作ってレイヤーを積みたい場合は、今後提供予定のstem、という使い分けです。
室谷代表取締役というわけで、まずは短いクリップで試して、自分の制作フローにどう組み込めるかを確かめてみてください。映像のクオリティはもう十分高いので、次に差がつくのは音なんですよね。
