Blender公式MCP×Ollama連携！自宅PCで3D制作自動化徹底検証

📖この記事は約23分で読めます

1. 3D制作の自動化革命が自宅PCで始まる

BlenderとAIの接点の変化

長年、3DCG制作は高度な専門知識と時間のかかる作業の代名詞でした。しかし、大規模言語モデルの進化により、この常識が揺らぎ始めています。特に2026年5月現在、Blender公式がサポートするMCP（Model Context Protocol）アドオンの登場は、制作ワークフローに大きな変化をもたらしています。

クラウドAPIに依存せず、自分のPC内で完結するAI推論環境を整備することで、データ漏洩のリスクを排除しつつ、リアルタイムなフィードバックループを構築できます。私はRTX 4070搭載の自作PCを使って、この新しいパラダイムを徹底的に検証しました。

従来のプロンプトエンジニアリングとは異なり、MCPを通じてLLMがBlenderの内部APIを直接叩くことで、より複雑なシーン構築やメッシュ編集が可能になります。これは単なる補助ツールではなく、制作パートナーとしての役割を担う存在です。

なぜ今、ローカル環境なのか

クラウドベースのAIサービスは便利ですが、通信遅延やコスト、そして何より機密データの扱いにおいて不安要素を残します。特に3Dデータは企業の知的財産であり、外部サーバーに送信すること自体を禁じるケースが多いのが現実です。

ローカルLLM環境では、Ollamaやllama.cppを活用することで、完全なオフライン動作を実現できます。一度セットアップが完了すれば、月額費用はゼロです。GPUのVRAM容量さえ確保できていれば、推論速度も実用域に達しています。

また、2026年に入ってからは量子化技術の進歩が目覚ましく、70Bクラスのモデルでも8GB VRAMのGPUで動作させることが可能になりました。これにより、高性能PCを持たないユーザーでも、ある程度の性能を引き出す余地が生まれています。

検証環境の前提条件

本記事での検証は、以下の環境設定に基づいています。読者の皆様も、自身の環境と照らし合わせて参考にしていただければ幸いです。ハードウェアスペックは、ローカルLLM運用において最も重要な要素となります。

• CPU: Intel Core i7-14700K
• GPU: NVIDIA GeForce RTX 4070 (12GB VRAM)
• RAM: DDR5 64GB
• OS: Windows 11 Pro (64bit)
• Blender: 4.2 LTS
• Ollama: v0.3.0

特にVRAM容量は、モデルのサイズと量子化ビット数によって大きく変動します。12GBという容量は、7B〜14Bクラスのモデルを快適に動かすための最低ラインと言えます。より大規模なモデルを扱う場合は、RTX 4080や4090、あるいはMac Studio M2 Ultraなどの環境が推奨されます。

2. 公式MCPアドオンの概要と仕組み

MCPとは何か

MCP（Model Context Protocol）は、LLMと外部ツールやデータソースを接続するための標準プロトコルです。これにより、LLMは単なるテキスト生成エンジンから、具体的なアクションを実行できるエージェントへと進化します。Blender公式アドオンは、このMCPを介してBlenderのPython APIにアクセスします。

従来の自動化スクリプト作成は、Pythonコードを直接書く必要がありました。しかしMCPを使用すれば、自然言語で指示を出すだけで、LLMが適切なAPI呼び出しを生成し、Blender上で実行します。このギャップを埋めるのが、公式アドオンの役割です。

プロトコル自体は軽量であり、ローカルホスト上で動作するため、ネットワーク遅延がほぼ発生しません。Ollamaが提供するAPIエンドポイントに対して、アドオンがHTTPリクエストを送信し、レスポンスを受け取るというシンプルな構造になっています。

Blender公式アドオンの特徴

公式アドオンであることの最大の利点は、安定性と互換性です。Blenderのアップデートに合わせて迅速に対応し、内部APIの変更にも追従します。サードパーティ製のアドオンが頻繁に壊れるのに対し、公式サポートがあることで、制作環境の信頼性が保たれます。

さらに、UI統合が優れています。Blenderのサイドバーやプロパティパネルから直接、LLMへの指示入力や履歴確認が可能です。別ウィンドウを開く必要がないため、ワークフローの断絶がありません。これは、制作中の集中力を維持する上で極めて重要です。

セキュリティ面でも配慮が見られます。ローカル実行を前提としており、外部サーバーへのデータ送信は行いません。設定画面で使用するモデルやプロンプトテンプレートをカスタマイズできるため、用途に応じた最適化も可能です。

必要な前提知識

この技術を最大限に活用するには、いくつかの前提知識が必要です。まず、Blenderの基本操作とPython APIの概要を理解していることが望ましいです。LLMが生成するコードを理解できると、エラー発生時のデバッグが容易になります。

次に、Ollamaのセットアップ方法と、GGUF形式のモデル管理について知っておく必要があります。モデルのダウンロードや、推論パラメータの調整は、OllamaのコマンドラインインターフェースまたはWeb UIを通じて行います。

最後に、プロンプトエンジニアリングの基礎です。LLMに正確な指示を出すためには、文脈を提供し、出力形式を指定するスキルが求められます。特に3D空間における座標系やオブジェクト階層の概念を、LLMが理解できるように説明する必要があります。

3. Ollamaとの連携設定とモデル選択

Ollamaのセットアップ手順

まずはOllamaをインストールします。公式サイトからインストーラーをダウンロードし、標準的な手順でセットアップします。Windows環境では、WSL2（Windows Subsystem for Linux）との連携も可能ですが、ネイティブインストールの方がシンプルです。

インストールが完了したら、コマンドプロンプトまたはPowerShellを開き、以下のコマンドを実行してOllamaの動作確認を行います。バージョン情報が表示されれば、正しくインストールされています。

ollama --version

次に、使用するLLMモデルをダウンロードします。3D制作のような複雑なタスクには、推論能力が高いモデルが推奨されます。初期段階では、llama3.1-8bやmistral-nemo-12bなどの中型モデルから始めるのが無難です。VRAMが許容する範囲で、より大規模なモデルを試してみてください。

モデル選択の基準

モデルの選択は、VRAM容量と推論速度のバランスが鍵になります。以下の表に、主なモデルと推奨VRAM容量をまとめました。これは私の実測値に基づいており、参考にしていただければ幸いです。

RTX 4070の12GB VRAMであれば、14Bモデルまでが実用的な範囲です。70BモデルはINT4量子化であっても、VRAM不足によりスワッピングが発生し、推論速度が著しく低下します。コード生成能力に特化したdeepseek-coder-v2は、BlenderのPython APIとの親和性が高く、おすすめです。

システムプロンプトのカスタマイズ

LLMがBlenderの文脈を理解できるよう、システムプロンプトを適切に設定する必要があります。公式アドオンの設定画面から、カスタムプロンプトを入力できます。ここでは、Blenderの座標系やオブジェクト操作のルールを定義します。

例えば、「Blenderの原点は(0,0,0)であり、Y軸が上方向を指す」といった基本的な情報を盛り込みます。また、「 bpy.ops.mesh.extrude_region_move()のようなAPIを使用する際は、変数名を明示すること」といった指示も有効です。

プロンプトの長さは、コンテキストウィンドウの制限内に収める必要があります。Ollamaのデフォルト設定では4096トークン程度ですが、モデルによっては16Kや32Kをサポートしています。長すぎるプロンプトは推論速度を低下させるため、必要な情報だけを厳選することが重要です。

4. 実機検証：基本的な操作から複雑なシーン構築まで

プリミティブ図形の生成

まずは最も基本的な操作から検証しました。「立方体を追加し、サイズを2倍に拡大せよ」という指示を出しました。LLMは、bpy.ops.mesh.primitive_cube_add()を呼び出し、scaleプロパティを調整するコードを生成しました。実行時間は2秒程度で、非常に迅速でした。

次に、「円柱を追加し、頂点数を32に設定せよ」という指示を出しました。この場合、LLMはresolution_circleパラメータを正しく設定できました。しかし、初期バージョンのモデルでは、resolution_cap_verticesパラメータを忘れるケースがありました。これは、システムプロンプトで補足することで改善できました。

プリミティブ図形の生成は、LLMにとって比較的簡単なタスクです。APIの引数が明確であり、エラーの余地が少ないためです。この段階で、LLMの基本的な理解度が確認できます。もしここで失敗するようであれば、モデルの交換やプロンプトの再考が必要です。

メッシュ編集と変形

もう少し複雑な操作として、メッシュの編集を試しました。「立方体の上面を選択し、外側に拡張せよ」という指示を出しました。LLMは、編集モードに切り替え、面を選択し、bpy.ops.mesh.extrude_region_move()を実行するコードを生成しました。

しかし、ここで問題が発生しました。LLMが生成したコードは、編集モードでの操作を想定していましたが、BlenderのAPIはオブジェクトモードと編集モードの切り替えを明示的に要求する場合があるのです。実際には、bpy.ops.object.mode_set(mode=’EDIT’)を挿入する必要がありました。

このエラーは、プロンプトに「モード切り替えを明示すること」という指示を加えることで解決しました。また、モデルをよりコード特化型のdeepseek-coder-v2に変更したところ、自動的にモード切り替えを含むコードを生成するようになりました。モデルの特性を理解することが、成功の鍵となります。

複雑なシーン構築

最終的には、複数のオブジェクトを含むシーンの構築を試みました。「テーブルと椅子を配置し、窓からの光をシミュレートするライトを追加せよ」という指示を出しました。LLMは、各オブジェクトを生成し、位置と回転を調整するコードを生成しました。

しかし、ライトの設定において、強度と距離のバランスが不適切でした。結果として、シーンが暗すぎました。これは、LLMが物理ベースのレンダリングパラメータを完全に理解していないためです。手動でライトパラメータを調整する必要があります。

それでも、全体の構成は概ね正しく生成されました。オブジェクトの相対位置や、階層構造の管理も適切に行われていました。このレベルのタスクでは、LLMが下準備を行い、人間が微調整するという分担体制が最も効率的であることが分かりました。

5. パフォーマンスとリソース使用量の実測

VRAM使用量の変化

LLMの推論中におけるVRAM使用量を計測しました。llama3.1-8bモデルを使用した場合、アイドル状態では約4GB、推論中では最大6GB程度を使用しました。これは、RTX 4070の12GB VRAMにとって、余裕のある範囲です。

一方、qwen2.5-14bモデルでは、アイドル状態でも8GB、推論中では10GB近くまで使用しました。Blender自体もVRAMを消費するため、大きなシーンを読み込んだ状態では、VRAM不足によるクラッシュのリスクが高まります。

VRAM管理は、ローカルLLM運用において最も重要な課題です。不要なプロセスを終了させ、Blenderのテクスチャキャッシュをクリアすることで、VRAM使用量を抑制できます。また、モデルの量子化レベルを調整することも有効です。

推論速度と応答性

推論速度は、モデルのサイズと複雑さによって大きく変動します。llama3.1-8bでは、1トークンあたりの生成時間が約20ミリ秒でした。これにより、100トークンのコード生成に2秒程度かかります。

qwen2.5-14bでは、1トークンあたりの生成時間が約30ミリ秒に増加しました。100トークンのコード生成には3秒程度かかります。この程度の遅延は、制作フローにおいて許容範囲内です。しかし、70Bモデルでは、1トークンあたりの生成時間が100ミリ秒を超え、実用的ではありませんでした。

応答性は、ネットワーク遅延がないローカル環境の最大の利点です。クラウドAPIと比較すると、安定した応答速度が得られます。また、通信障害による中断もありません。制作中の集中力を維持するには、この安定性が極めて重要です。

CPU負荷と電力消費

GPU推論が主体ですが、CPUも一定の負荷がかかります。Ollamaのプロセスは、モデルの読み込みや前処理においてCPUを使用します。特に大規模モデルの場合、CPUボトルネックが発生する可能性があります。

私の環境では、CPU使用率は最大で40%程度でした。これは、Intel Core i7-14700Kの性能を考えると、許容範囲内です。しかし、より古いCPUを搭載したPCでは、CPU負荷が高まり、推論速度が低下する可能性があります。

電力消費も考慮する必要があります。GPUのフル稼働により、PCの消費電力は増加します。長時間の使用には、適切な冷却環境と電力供給が必要です。ノートPCでの使用は、バッテリー寿命と熱問題の観点から、推奨しません。

6. メリットとデメリットの正直な評価

ローカル環境のメリット

最大のメリットは、データの完全な制御です。機密性の高い3Dデータを外部に送信する必要がないため、セキュリティリスクが排除されます。また、月額費用が発生しないため、長期的なコストパフォーマンスが優れています。

さらに、オフライン動作により、通信環境に依存しません。ネットワーク接続が不安定な環境でも、安定して動作します。また、モデルのカスタマイズが容易であり、特定のタスクに最適化されたモデルを使用できます。

学習効果も大きいです。LLMが生成するコードを確認することで、BlenderのPython APIの理解が深まります。これは、長期的なスキル向上につながります。自動化スクリプトの作成能力が向上すれば、制作効率も大幅に向上します。

課題とデメリット

一方で、初期セットアップの難易度が高いです。Ollamaのインストール、モデルの選択、プロンプトのカスタマイズなど、技術的な知識が求められます。また、VRAM容量の制限により、使用できるモデルが限定されます。

推論速度も、クラウドAPIと比較すると劣ります。特に大規模モデルの場合、応答に時間がかかるため、制作フローが中断される可能性があります。また、LLMの生成コードにエラーが含まれる場合、デバッグに時間がかかります。

モデルの更新頻度も、クラウドサービスと比較すると低いです。最新の技術や機能に対応するためには、手動でモデルを更新する必要があります。また、コミュニティサポートが限られているため、問題解決には自分での調査が必要です。

適応ユーザー像

この技術は、技術的な知識を持ち、データセキュリティを重視するユーザーに適しています。また、制作効率を向上させたいプロフェッショナルや、学習目的でBlender APIを深く理解したいユーザーにもおすすめです。

一方、セットアップの手間を嫌うユーザーや、VRAM容量が不足しているユーザーには、現時点では推奨しません。クラウドベースのAIサービスの方が、手軽で効率的です。また、LLMの生成コードを理解できないユーザーには、デバッグの難しさから挫折する可能性があります。

コストパフォーマンスの分析

初期投資として、高性能PCの購入が必要です。RTX 4070搭載PCであれば、約15万円程度です。しかし、クラウドAPIの月額費用を考慮すると、1年以内で元が取れます。長期的には、ローカル環境の方がコストパフォーマンスが優れています。

また、時間の節約効果も無視できません。LLMによる自動化により、単純作業の時間が削減されます。これにより、創造的な作業に集中できるようになります。制作期間の短縮は、プロジェクトの収益性に直結します。

ただし、学習コストも考慮する必要があります。セットアップやプロンプトエンジニアリングに時間を費やす必要があります。しかし、一度習得すれば、他のプロジェクトにも応用できます。長期的な視点で見れば、投資に見合う価値があります。

7. 実践ガイド：ゼロから始めるセットアップ

Ollamaのインストールとモデル準備

Ollamaの公式サイトからインストーラーをダウンロードし、実行します。インストールが完了したら、コマンドプロンプトを開き、ollama run llama3.1:8bを実行します。これで、llama3.1-8bモデルがダウンロードされ、準備完了です。

より高性能なモデルを使用したい場合は、ollama run qwen2.5:14bを実行します。VRAM容量に応じて、適切なモデルを選択してください。モデルのリストは、ollama listコマンドで確認できます。

モデルの削除は、ollama rm [モデル名]コマンドで行えます。不要なモデルを削除することで、ストレージ容量を節約できます。また、モデルの更新は、ollama pull [モデル名]コマンドで行えます。

Blender公式MCPアドオンの導入

Blenderを起動し、設定画面を開きます。アドオンタブから、公式アドオンリポジトリを検索し、MCPアドオンをインストールします。有効化チェックボックスをオンにし、アドオンを有効にします。

アドオンの設定画面から、OllamaのAPIエンドポイント（通常はhttp://localhost:11434）を入力します。使用するモデル名も指定します。接続テストボタンをクリックし、接続が確立されることを確認します。

接続が成功すれば、サイドバーにMCPアドオンのパネルが表示されます。ここから、LLMへの指示入力や履歴確認が可能です。まずは、簡単な指示から試し、動作確認を行ってください。

最初のプロンプト作成

システムプロンプトは、LLMの行動規範を定義します。「あなたはBlenderのPython APIを操作するアシスタントです。指示された操作を、bpyモジュールを使用して実行してください」といった基本的な指示から始めます。

次に、Blenderの座標系やオブジェクト階層についての説明を追加します。「Blenderの原点は(0,0,0)であり、Y軸が上方向を指す。オブジェクトはシーンコレクション内に配置されます」といった情報を盛り込みます。

出力形式の指定も重要です。「生成したコードは、Pythonコードブロック内に記述してください。エラーが発生する可能性のあるコードは避けてください」といった指示を加えます。これにより、LLMの出力が予測可能になります。

8. 応用例とワークフローの最適化

反復的な作業の自動化

LLMを活用することで、反復的な作業を自動化できます。例えば、「100個の球体をグリッド状に配置せよ」という指示を出せば、LLMがループ処理を含むコードを生成します。手動で配置する場合と比較して、大幅な時間短縮が期待できます。

また、「すべての立方体の色をランダムに変更せよ」という指示も可能です。LLMは、マテリアルを作成し、各オブジェクトに割り当てるコードを生成します。これにより、視覚的なバリエーションを簡単に作成できます。

ただし、複雑なロジックを含むタスクでは、LLMの生成コードにエラーが含まれる可能性があります。そのため、生成コードを確認し、必要に応じて手動で修正する必要があります。完全な自動化ではなく、補助ツールとしての位置づけが現実的です。

プロトタイピングの加速

LLMは、アイデアのプロトタイピングを加速するのに役立ちます。「未来的な都市のスカイラインを作成せよ」といった抽象的な指示を出せば、LLMがビルや道路、緑地などの要素を配置するコードを生成します。

生成されたシーンは、完璧ではありませんが、ベースとなる構成を提供します。これを手がかりに、人間が詳細を調整することで、制作時間が短縮されます。特に、初期段階でのアイデア検証には、非常に有用です。

また、複数のバリエーションを迅速に作成できます。「3種類の異なる街並みを作成せよ」という指示を出せば、LLMが異なる構成のシーンを生成します。これにより、デザインの選択肢が広がり、創造性が刺激されます。

学習ツールとしての活用

LLMは、Blender APIの学習ツールとしても活用できます。「bpy.ops.mesh.extrude_region_move()の使い方を説明せよ」という指示を出せば、LLMがパラメータの説明や使用例を提供します。

さらに、「このコードのエラーを修正せよ」という指示を出せば、LLMがエラーの原因を特定し、修正コードを提案します。これにより、デバッグの時間が短縮され、学習効率が向上します。

また、LLMが生成するコードを解析することで、APIの使い方が理解できます。コードの構造や、関数の呼び出し順序を確認することで、Blenderの内部動作が把握できます。これは、公式ドキュメントを読むよりも直感的な学習方法です。

9. 今後の展望と結論

技術の進化と可能性

LLMの性能は、今後も向上していくでしょう。より大規模なモデルや、より高度な推論能力を持つモデルが登場することで、Blenderでの自動化の範囲は拡大します。現在、手動で修正が必要な部分も、将来的にはLLMが自律的に処理できるようになる可能性があります。

また、マルチモーダルモデルの進化により、画像や動画からの情報抽出も可能になります。これにより、「この画像のような照明を設定せよ」といった視覚的な指示も、より正確に処理できるようになります。

さらに、エージェント技術の発展により、LLMが自律的にタスクを計画・実行するようになります。人間は、最終的な承認のみを行い、中間プロセスはLLMに委ねるようなワークフローが実現するかもしれません。

ローカルLLMの未来

ローカルLLM環境も、より使いやすくなっていきます。Ollamaやllama.cppなどのツールは、ユーザーインターフェースの改善や、パフォーマンスの最適化が進んでいます。また、量子化技術の進歩により、より大規模なモデルが、より少ないリソースで動作するようになります。

ハードウェアの進化も期待できます。より大容量のVRAMを搭載したGPUや、NPU（Neural Processing Unit）を備えたCPUが登場することで、ローカル推論のパフォーマンスが向上します。これにより、より多くのユーザーが、高性能なLLMを自宅PCで動かせるようになります。

コミュニティの成長も重要です。BlenderとLLMの連携に関する知識や、ベストプラクティスが共有されることで、全体のレベルが向上します。また、カスタムプロンプトや、自動化スクリプトの共有により、制作効率がさらに向上するでしょう。

結論とアクションの提案

Blender公式MCPアドオンとOllamaの連携は、3D制作の自動化において、大きな可能性を秘めています。データセキュリティの確保と、長期的なコスト削減というメリットは、プロフェッショナルにとって魅力的です。

しかし、初期セットアップの難易度や、VRAM容量の制限などの課題も存在します。そのため、技術的な知識を持ち、適切なハードウェア環境を整備することが重要です。まずは、小さなタスクから試し、徐々に複雑な操作に挑戦していくことをおすすめします。

読者の皆様には、ぜひ実際に試していただきたいと思います。自分のPCでLLMを動かす喜びと、制作効率向上の快感を、ぜひ体験してください。3D制作の未来は、あなたの手中にあります。

---

📦 この記事で紹介した商品