Communitygithub.com

動画をショートに変換

長い動画をショート動画に変換します。トーク動画から最も強い1~2文を見つけ、そこから開始し、文章単位でカット、縦型1080x1920にクロップ、キャプションを焼き付け、結果を最初から最後までチェックします。無料ツール(faster-whisperとffmpeg)を使用します。ユーザーがYouTube Shorts、Reels、TikTokをインタビューやトーク、ウェビナーから作成したい場合や、「ショートにして」「クリップに切って」「動画をショートに変換して」と言ったときに使用します。

動画をショートに変換 とは?

このスキルは、長時間のトーク動画(インタビュー、ウェビナー、講演など)を自動的に20~60秒の縦型ショートクリップに変換します。最もインパクトのある一文をフックとして先頭に配置し、文章の途中で切れることなく、キャプション付きで出力します。内部ではfaster-whisperによる高精度な文字起こしとffmpegによる編集を実行します。対応プラットフォームはYouTube Shorts、Instagram Reels、TikTokなどで、開発者やAIエージェントユーザーは、このスキルを使うことで手作業による動画編集を大幅に削減し、短時間で高品質なショート動画を量産できます。スキルはPythonスクリプトとシェルコマンドで構成されており、ユーザーはファイル名や時間を調整するだけで利用可能です。

対応~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/coding-island-js/keepaisharp-skills/tree/main/skills/video-to-shorts

お気に入りのAIに質問する

このエージェントスキルを事前に読み込んだ状態で新しいチャットを開きます。

ドキュメント

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:

  1. 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。
  2. 中盤。 フックを裏付ける例やストーリー。
  3. 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。

関連スキル