本研究は，ゲーム開発のコスト削減を目指し，ゲーム映像に適したBGM（Background Music）の自動生成を目標とする．本稿では，Vision-Language ModelであるBLIP-2を用いてゲーム映像からシーン内容をテキストとして記述し，その生成テキストを音楽生成モデルUdio に入力することでゲーム内容に整合したBGM を生成する手法を提案する．実験では，自作ゲームのプレイ動画を用い，映像に合った音楽を自動生成した．実験の結果，提案手法によってゲームの雰囲気に合ったBGMの生成が可能であることを確認した．