長い動画をショートに変換
誰かが話している長い動画があります。このスキルは、それを20~60秒の縦型クリップにカットします。クリップは最も優れた一文で始まり、文の途中で途切れることなく、キャプションが付きます。2つの無料ツールを使用します:faster-whisper(音声をテキストに変換し、各単語の時間を記録)とffmpeg(カット、クロップ、キャプション追加)。以下の各コマンドは例です。ファイル名、時間、サイズは動画に合わせて変更してください。
ステップ1. 各単語の時間を含む文字起こしを取得
一度インストール:pip install faster-whisper、およびffmpegをffmpeg.orgからインストール。
例(Python):
from faster_whisper import WhisperModel
model = WhisperModel("large-v3", device="auto") # GPUがないラップトップでは"small"を使用
segments, _ = model.transcribe("talk.mp4", word_timestamps=True, condition_on_previous_text=False,
initial_prompt="Hello. Welcome, everyone.")
with open("words.txt", "w", encoding="utf-8") as f:
for seg in segments:
f.write(f"[{seg.start:.2f}-{seg.end:.2f}] {seg.text.strip()}\n")
f.write(" " + " ".join(f"{w.word.strip()}@{w.start:.2f}" for w in seg.words) + "\n")
words.txtの各行は、発話のまとまりとその開始・終了時間です。その下に、各単語とその開始秒数([email protected])が記録されます。単語の時間でカットします:発話のまとまりは文の途中で終わることがよくあります。
condition_on_previous_text=Falseは、長いファイルでモデルが同じ行を繰り返し出力するのを防ぎます。一部のファイルでは、large-v3が句読点や大文字をすべて削除することもあります。短いinitial_promptを通常の句読点で記述すると、それらが復元されます。文の終わりを判断するにはピリオドが必要です。
ステップ2. クリップを選び、フックを先頭に
文字起こしを読みます。要点、例、そして効果が含まれる部分を見つけてください。その後:
- フック。 最も強い一文または二文。前提知識がなくても理解できるもの(「ほとんどの人は自分の仕事を時給で値付けする。だから貧乏なままだ」)。ショートはこれらの言葉で始まります。たとえそれらが部分の後半に出てきても構いません。ショートの最初の1秒は発話であり、無音やロゴではありません。
- 中盤。 フックを裏付ける例やストーリー。
- 終盤。 効果やヒント。クリップにこれらがない場合は、同じ動画内の別の箇所から答えの文を持ってきます。
クリップを開始時間と終了時間のリストとして書き出します。各パーツは文の最初の単語から始まり、文の最後の単語の後で終わります。文全体を移動するのは問題ありません。話者が言っていないことを言わせるために、文の半分を別の文と結合しないでください。合計の長さは20~60秒です。
ステップ3. パーツをカットして結合
最初の単語の前に約0.1秒、最後の単語の後に約0.2秒の余裕を残してください。単語が切れないようにします。
例(パーツごとに1コマンド;-tは秒単位の長さ):
ffmpeg -ss 312.30 -i talk.mp4 -t 7.40 -c:v libx264 -crf 18 -c:a aac -ar 48000 piece1.mp4
ffmpeg -ss 95.10 -i talk.mp4 -t 21.60 -c:v libx264 -crf 18 -c:a aac -ar 48000 piece2.mp4
printf "file 'piece1.mp4'\nfile 'piece2.mp4'\n" > list.txt
ffmpeg -f concat -safe 0 -i list.txt -c copy joined.mp4
ステップ4. 縦型1080x1920にする
1920x1080の動画の場合、話者の周囲を608x1080のウィンドウで切り取り、拡大します。cropの最後の数値は、ウィンドウの左端からの距離です。静止フレームで話者の位置を確認し、顔が中央に来るように設定します。
例(中央のウィンドウ):
ffmpeg -i joined.mp4 -vf "crop=608:1080:656:0,scale=1080:1920" -c:v libx264 -crf 18 -c:a copy vertical.mp4
ステップ5. キャプションを追加
結合したクリップを再度文字起こしし(ステップ1、vertical.mp4に対して)、キャプションの時間が新しいクリップに一致するようにします。短いキャプション(3~5単語)を.srtファイルに書き出します:
segments, _ = model.transcribe("vertical.mp4", word_timestamps=True, condition_on_previous_text=False,
initial_prompt="Hello. Welcome, everyone.")
words = [w for s in segments for w in s.words]
t = lambda x: f"{int(x//3600):02}:{int(x%3600//60):02}:{int(x%60):02},{int(x*1000%1000):03}"
chunks, chunk = [], []
for w in words: # 最大4単語、ピリオドの後に新しいキャプション
chunk.append(w)
if len(chunk) == 4 or w.word.strip().endswith((".", "?", "!")):
chunks.append(chunk)
chunk = []
if chunk:
chunks.append(chunk)
with open("captions.srt", "w", encoding="utf-8") as f:
for n, c in enumerate(chunks, 1):
text = "".join(w.word for w in c).strip()
f.write(f"{n}\n{t(c[0].start)} --> {t(c[-1].end)}\n{text}\n\n")
聞き間違えた名前や単語をcaptions.srtで手動修正します。その後、キャプションを焼き付け、音量をアプリが期待するレベル(約-14 LUFS)に設定します:
ffmpeg -i vertical.mp4 -vf "subtitles=captions.srt:force_style='FontSize=16,Bold=1,Outline=2,Alignment=2,MarginV=70'" -af "loudnorm=I=-14:TP=-1.5" -c:v libx264 -crf 18 -c:a aac short.mp4
captions.srtがあるフォルダからこのコマンドを実行し、ファイル名は単純な名前を使用します。WindowsでC:\clips\captions.srtのようなフルパスを使用すると、subtitlesフィルターが壊れます。ffmpegがコロンをオプションの開始と解釈するためです。
キャプションは下半分の中央に配置し、顔やアプリの右端のボタンと重ならないようにします。
ステップ6. 最初から最後までチェック
ショート全体を、視聴者のように音声付きで一度視聴します。その後、各項目をチェックします:
- 最初の1秒が発話であること。 例:
ffmpeg -i short.mp4 -t 2 -af silencedetect=noise=-35dB:d=0.3 -f null -で0から無音が報告されないこと。 - どのパーツの開始や終了でも単語が切れていないこと。
- キャプションが音声と一致し、単語ごとに正しく、顔の上にキャプションがかかっていないこと。
- 重要なものがクロップアウトされていないこと:顔、指さしている手、スライド上のテキストなど。
- 長さが20~60秒であること。 例:
ffprobe -v error -show_entries format=duration -of csv=p=0 short.mp4 - コンタクトシートでフレーミングを一目で確認。 例:
ffmpeg -i short.mp4 -vf "fps=1/5,scale=270:-1,tile=4x2" -frames:v 1 sheet.png
何か問題があれば、該当するステップを修正して再度ビルドします。
ステップ7. 投稿前にタイトルとカバーを選ぶ
- タイトル: フックを数語で、視聴者が検索しそうな言葉で。60文字未満。
- カバー: 話者の顔がはっきり見え、口が閉じているフレームに、フックを大きなテキストで重ねたもの。正方形や3:4にクロップされたときの見え方も確認します。一部のアプリではプロフィールグリッドでそのように表示されるためです。
- ユーザーにショート、タイトル、カバーを表示します。ユーザーの許可なく投稿しないでください。
ルール
- 話者が言っていないことを言わせないでください。文全体の並べ替えのみ許可します。
- 話者が何か間違ったことを言った場合、そのまま残し、ユーザーにその旨を伝えてください。キャプションで密かに修正しないでください。
- 話者が例を「これは架空の例です」と明言した場合、ショートでもそのまま残すか、画面上に「架空の例」と追加します。
例
ユーザーがwebinar.mp4(簿記係のJo Parkによる50分の講演)を共有したとします(Joと以下のセリフは架空です)。
18:42にJoが言います:「ほとんどの中小企業は、お金が足りないことに銀行の口座で気づく。帳簿では気づかない。」これがフックです。17:55から18:20で、給与支払いができなかったパン屋の話をします。19:05で解決策を示します:「毎週月曜日に1つの数字を確認すること:銀行の残高から今後30日以内に支払うべき請求書を引いたもの。」
エージェントは次の3つのパーツをこの順序でカットします:18:42のフック(6秒)、17:55の話(25秒)、19:05の解決策(9秒)。合計40秒です。Joを1080x1920のフレーム中央にクロップし、キャプションを追加し、ステップ6ですべての項目をチェックします。タイトル:「あなたの銀行は、あなたより先にあなたが破産していることを知っている。」カバー:カメラを見つめるJoと「これを毎週月曜日にチェック」というテキスト。