ビデオ編集(AI支援) は何をしますか?
プロンプトから生成するのではなく、実写映像をAIで支援しながら高速編集します。
いつアクティブにするか
- ユーザーが動画の編集、カット、構成を希望している
- 長時間の録画をショート動画に変換する
- 生のキャプチャからvlog、チュートリアル、デモ動画を制作する
- 既存の動画にオーバーレイ、字幕、音楽、ナレーションを追加する
- 異なるプラットフォーム(YouTube、TikTok、Instagram)向けに動画をリフレーミングする
- ユーザーが「動画を編集して」「この映像をカットして」「vlogを作って」「動画ワークフロー」と言った場合
コアとなる考え方
AIによる動画編集は、全体の動画を作らせようとするのをやめ、実写映像を圧縮・構成・拡張するために使い始めたときに真価を発揮します。価値は生成ではなく、圧縮にあります。
パイプライン
Screen Studio / 生映像
→ Claude / Codex
→ FFmpeg
→ Remotion
→ ElevenLabs / fal.ai
→ Descript または CapCut
各レイヤーには固有の役割があります。レイヤーを飛ばさないでください。一つのツールですべてをこなそうとしないでください。
レイヤー1: キャプチャ(Screen Studio / 生映像)
ソース素材を集めます:
- Screen Studio:アプリデモ、コーディングセッション、ブラウザワークフロー用の洗練された画面録画
- 生カメラ映像:vlog映像、インタビュー、イベント録画
- VideoDBによるデスクトップキャプチャ:リアルタイムコンテキスト付きのセッション録画(
videodbスキルを参照)
出力:整理準備のできた生ファイル。
レイヤー2: 整理(Claude / Codex)
Claude CodeまたはCodexを使用して:
- 文字起こしとラベリング:トランスクリプトを生成し、トピックとテーマを特定する
- 構成を計画:何を残すか、何をカットするか、どの順序が効果的かを決定する
- 不要な部分を特定:間、脱線、テイクの重複を見つける
- 編集決定リストを生成:カットのタイムスタンプ、保持するセグメント
- FFmpegとRemotionのコードをスキャフォールド:コマンドと構成を生成する
プロンプト例:
「こちらは4時間の録画のトランスクリプトです。24分のvlogに最適な8つのセグメントを特定してください。各セグメントのFFmpegカットコマンドを教えてください。」
このレイヤーは構造に関するものであり、最終的なクリエイティブな判断ではありません。
レイヤー3: 決定的カット(FFmpeg)
FFmpegは退屈だが重要な処理を担当します:分割、トリミング、連結、前処理。
タイムスタンプでセグメントを抽出
ffmpeg -i raw.mp4 -ss 00:12:30 -to 00:15:45 -c copy segment_01.mp4
編集決定リストから一括カット
#!/bin/bash
# cuts.txt: start,end,label
while IFS=, read -r start end label; do
ffmpeg -i raw.mp4 -ss "$start" -to "$end" -c copy "segments/${label}.mp4"
done < cuts.txt
セグメントの連結
# ファイルリストを作成
for f in segments/*.mp4; do echo "file '$f'"; done > concat.txt
ffmpeg -f concat -safe 0 -i concat.txt -c copy assembled.mp4
高速編集のためのプロキシ作成
ffmpeg -i raw.mp4 -vf "scale=960:-2" -c:v libx264 -preset ultrafast -crf 28 proxy.mp4
文字起こし用の音声抽出
ffmpeg -i raw.mp4 -vn -acodec pcm_s16le -ar 16000 audio.wav
オーディオレベルの正規化
ffmpeg -i segment.mp4 -af loudnorm=I=-16:TP=-1.5:LRA=11 -c:v copy normalized.mp4
レイヤー4: プログラム可能な合成(Remotion)
Remotionは編集の問題をコードに変換します。従来のエディタでは扱いにくいものに使用します:
Remotionを使用するタイミング
- オーバーレイ:テキスト、画像、ブランディング、ローワーサード
- データ可視化:チャート、統計、アニメーション数値
- モーショングラフィックス:トランジション、説明用アニメーション
- 構成可能なシーン:複数の動画で再利用可能なテンプレート
- プロダクトデモ:注釈付きスクリーンショット、UIハイライト
基本的なRemotion構成
import { AbsoluteFill, Sequence, Video, useCurrentFrame } from "remotion";
export const VlogComposition: React.FC = () => {
const frame = useCurrentFrame();
return (
<AbsoluteFill>
{/* メイン映像 */}
<Sequence from={0} durationInFrames={300}>
<Video src="/segments/intro.mp4" />
</Sequence>
{/* タイトルオーバーレイ */}
<Sequence from={30} durationInFrames={90}>
<AbsoluteFill style={{
justifyContent: "center",
alignItems: "center",
}}>
<h1 style={{
fontSize: 72,
color: "white",
textShadow: "2px 2px 8px rgba(0,0,0,0.8)",
}}>
The AI Editing Stack
</h1>
</AbsoluteFill>
</Sequence>
{/* 次のセグメント */}
<Sequence from={300} durationInFrames={450}>
<Video src="/segments/demo.mp4" />
</Sequence>
</AbsoluteFill>
);
};
出力レンダリング
npx remotion render src/index.ts VlogComposition output.mp4
詳細なパターンとAPIリファレンスについては Remotionドキュメント を参照してください。
レイヤー5: 生成アセット(ElevenLabs / fal.ai)
必要なものだけを生成します。動画全体を生成しないでください。
ElevenLabsでナレーション
import os
import requests
resp = requests.post(
f"https://api.elevenlabs.io/v1/text-to-speech/{voice_id}",
headers={
"xi-api-key": os.environ["ELEVENLABS_API_KEY"],
"Content-Type": "application/json"
},
json={
"text": "Your narration text here",
"model_id": "eleven_turbo_v2_5",
"voice_settings": {"stability": 0.5, "similarity_boost": 0.75}
}
)
with open("voiceover.mp3", "wb") as f:
f.write(resp.content)
fal.aiで音楽と効果音
fal-ai-mediaスキルを使用して:
- 背景音楽の生成
- 効果音(ThinkSoundモデルによる動画から音声へ)
- トランジションサウンド
fal.aiで生成ビジュアル
挿入用ショット、サムネイル、または存在しないBロールに使用:
generate(app_id: "fal-ai/nano-banana-pro", input_data: {
"prompt": "professional thumbnail for tech vlog, dark background, code on screen",
"image_size": "landscape_16_9"
})
VideoDBによる生成オーディオ
VideoDBが設定されている場合:
voiceover = coll.generate_voice(text="Narration here", voice="alloy")
music = coll.generate_music(prompt="lo-fi background for coding vlog", duration=120)
sfx = coll.generate_sound_effect(prompt="subtle whoosh transition")
レイヤー6: 最終仕上げ(Descript / CapCut)
最後のレイヤーは人間が担当します。従来のエディタを使用して:
- ペーシング:速すぎる、または遅すぎるカットを調整
- キャプション:自動生成後、手動でクリーニング
- カラーグレーディング:基本的な補正と雰囲気設定
- 最終オーディオミックス:音声、音楽、効果音のバランス調整
- 書き出し:プラットフォーム固有のフォーマットと品質設定
ここにセンスが存在します。AIが反復作業を片付けます。最終判断はあなたが行います。
ソーシャルメディア向けリフレーミング
プラットフォームごとに異なるアスペクト比が必要です:
| プラットフォーム | アスペクト比 | 解像度 |
|---|---|---|
| YouTube | 16:9 | 1920x1080 |
| TikTok / Reels | 9:16 | 1080x1920 |
| Instagram フィード | 1:1 | 1080x1080 |
| X / Twitter | 16:9 または 1:1 | 1280x720 または 720x720 |
FFmpegでリフレーミング
# 16:9 から 9:16(中央クロップ)
ffmpeg -i input.mp4 -vf "crop=ih*9/16:ih,scale=1080:1920" vertical.mp4
# 16:9 から 1:1(中央クロップ)
ffmpeg -i input.mp4 -vf "crop=ih:ih,scale=1080:1080" square.mp4
VideoDBでリフレーミング
from videodb import ReframeMode
# スマートリフレーミング(AIガイドによる被写体追跡)
reframed = video.reframe(start=0, end=60, target="vertical", mode=ReframeMode.smart)
シーン検出と自動カット
FFmpegシーン検出
# シーン変化を検出(閾値0.3 = 中程度の感度)
ffmpeg -i input.mp4 -vf "select='gt(scene,0.3)',showinfo" -vsync vfr -f null - 2>&1 | grep showinfo
無音検出による自動カット
# 無音セグメントを検出(デッドエアのカットに有用)
ffmpeg -i input.mp4 -af silencedetect=noise=-30dB:d=2 -f null - 2>&1 | grep silence
ハイライト抽出
Claudeを使用してトランスクリプトとシーンのタイムスタンプを分析:
「このタイムスタンプ付きトランスクリプトとシーンチェンジポイントを考慮して、
ソーシャルメディアに最適な30秒のクリップを5つ特定してください。」
各ツールの得意分野
| ツール | 強み | 弱み |
|---|---|---|
| Claude / Codex | 整理、計画、コード生成 | クリエイティブな判断層ではない |
| FFmpeg | 決定的カット、バッチ処理、フォーマット変換 | ビジュアル編集UIがない |
| Remotion | プログラム可能なオーバーレイ、構成可能なシーン、再利用可能なテンプレート | 開発者以外には学習曲線がある |
| Screen Studio | すぐに使える洗練された画面録画 | 画面キャプチャのみ |
| ElevenLabs | 音声、ナレーション、音楽、効果音 | ワークフローの中心ではない |
| Descript / CapCut | 最終ペーシング、キャプション、仕上げ | 手動、自動化不可 |
主要原則
- 生成ではなく編集する。 このワークフローは実写映像をカットするためのものであり、プロンプトから生成するためのものではありません。
- スタイルより構造。 レイヤー2でストーリーを正しく構築してから、ビジュアルに触れます。
- FFmpegが基盤。 退屈だが重要。長時間の映像を扱いやすくします。
- 繰り返しにはRemotion。 二回以上行うなら、Remotionコンポーネントにします。
- 選択的に生成する。 AI生成は存在しないアセットにのみ使用し、すべてには使用しません。
- センスは最後のレイヤー。 AIは反復作業を排除します。最終的なクリエイティブな判断はあなたが行います。
関連スキル
fal-ai-media— AIによる画像、動画、オーディオ生成videodb— サーバーサイドの動画処理、インデックス作成、ストリーミングcontent-engine— プラットフォームネイティブなコンテンツ配信