---
title: "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"
excerpt: "MiniMax公式CLI「mmx-cli」のドキュメントを精査し、自作スクリプトをどこまで置き換えられるかを整理しました。TTS・動画・画像・音楽の生成は完全置き換え可能で、残るのはクローンボイスの新規登録のみ。エージェント連携用フラグとツール定義のエクスポート機能もまとめています。"
author: "AI活編集部"
author_username: ai-katsu-editorial
published_at: 2026-04-18T00:00:00+00:00
verified_at: 2026-04-18T00:00:00+00:00
models: ["Claude Code"]
tools: ["MiniMax"]
tasks: ["音声・翻訳・文字起こし", "ツール検証"]
canonical_url: https://ai-katsu.jp/articles/minimax-mmx-cli
---
# 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

| 項目 | 内容 |
| --- | --- |
| 検証日 | 2026年4月18日 |
| 対象 | MiniMax CLI（mmx-cli）／2026年4月リリースのOSS公式CLIツール |
| インストール | `npm install -g mmx-cli` |
| やりたかったこと | n8n・Claude Code・DifyなどのワークフローでMiniMax APIを直接叩く専用スクリプトを排除する |
| 結論 | **TTS・動画・画像・音楽は完全置き換え可能。クローンボイスの「登録」だけスクリプトが残る** |
| 状況 | 完了（ドキュメント精査ベース） |

## 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。

| やりたいこと | 置き換え可否 |
| --- | --- |
| TTS（プリセットボイス） | **完全置き換え可能** |
| 動画生成 → ダウンロード | **完全置き換え可能** |
| 画像生成 | **完全置き換え可能** |
| 音楽生成（歌詞・スタイル細かく指定） | **完全置き換え可能** |
| TTS（クローンボイス使用） | 登録だけAPIが必要。使用はCLI可（要検証） |
| **クローンボイス登録** | **スクリプト継続必要** |
| voice\_design | MCP経由のみ |

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。**

| フラグ | 用途 |
| --- | --- |
| `--non-interactive` | 対話プロンプトを出さずにエラーで即終了 |
| `--quiet` | スピナーなし、stdoutが純粋なデータのみ |
| `--output json` | 機械可読なJSON出力 |
| `--dry-run` | APIを実際に叩かずにリクエスト内容を確認 |
| `mmx config export-schema` | 全コマンドをAnthropicやOpenAI互換のツール定義JSONとしてエクスポート |

`--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）

| 種別 | 単価 |
| --- | --- |
| テキスト（M2.7 input / output） | $0.3 / $1.2 per Mトークン |
| 動画（Hailuo-2.3-Fast 768P 6s） | $0.19 / 本 |
| 動画（Hailuo-2.3 768P 6s） | $0.28 / 本 |
| 動画（Hailuo-2.3 1080P 6s） | $0.49 / 本 |
| TTS turbo / HD | $60 / $100 per M文字 |
| 音楽生成（Music-2.6） | $0.15 / 曲（〜5分） |
| 画像生成（image-01） | $0.0035 / 枚 |
| ボイスクローン（Rapid） | $1.5 / ボイス |

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](/contact)から、継続的な伴走支援については[AI参謀](/ai-sanbo)をご覧ください。