動画編集
実写映像をAIでアシストして編集。プロンプトからの生成ではありません。既存の動画を高速に編集します。
アクティブ化するタイミング
- ユーザーが映像素材を編集、カット、または構成したい場合
- 長時間の録画をショートコンテンツに変換する場合
- 生のキャプチャからvlog、チュートリアル、デモ動画を作成する場合
- 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場合
- 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場合
- ユーザーが「動画を編集」「この映像をカット」「vlogを作りたい」「動画ワークフロー」と言った場合
核となる考え方
AI動画編集は、動画全体を作成するように依頼するのをやめ、実際の映像を圧縮、構造化、拡張するために使い始めたときに役立ちます。その価値は生成ではなく、圧縮にあります。
パイプライン
Screen Studio / 生の映像
→ Claude / Codex
→ FFmpeg
→ Remotion
→ ElevenLabs / fal.ai
→ Descript または CapCut
各レイヤーには特定の役割があります。レイヤーをスキップしないでください。1つのツールですべてをやらせようとしないでください。
レイヤー 1: キャプチャ(Screen Studio / 生の映像)
ソース素材を収集します:
- Screen Studio:アプリのデモ、コーディングセッション、ブラウザワークフロー向けの洗練された画面録画
- 生のカメラ映像:vlog映像、インタビュー、イベント録画
- VideoDB経由のデスクトップキャプチャ:リアルタイムコンテキストによるセッション録画(
videodbスキルを参照)
出力:整理の準備ができた生のファイル。
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
- 構造の計画:何を残し、何をカットし、どの順序で構成するかを決定
- 不要なセクションの特定:間、脱線、同じテイクの繰り返しを見つける
- 編集決定リストの生成:カットのタイムスタンプ、保持するセグメント
- FFmpeg と Remotion コードのスキャフォールディング:コマンドとコンポジションを生成
プロンプト例:
「こちらが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つの最も強い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センスに関するものではありません。
レイヤー 3: 決定論的カット(FFmpeg)
FFmpegは、退屈だが重要な作業(分割、トリミング、連結、前処理)を処理します。
タイムスタンプによるセグメント抽出
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のバッチカット
#!/bin/bash
# cuts.txt: 開始時刻,終了時刻,ラベル
while IFS=, read -r start end label; do
ffmpeg -i raw.mp4 -ss "$start" -to "$end" -c copy "segments/${label}.mp4"
done < cuts.txt
セグメントの連結
# ファイルリストの作成
for f in segments/*.mp4; do echo "file '$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: プログラム可能なコンポジション(Remotion)
Remotionは編集の問題を構成可能なコードに変換します。従来のエディターでは面倒なことに使用します:
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、説明アニメーション
- 構成可能なシーン:動画間で再利用可能なテンプレート
- 製品デモ:注釈付きスクリーンショット、UIハイライト
基本的なRemotionコンポジション
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)",
}}>
AI編集スタック
</h1>
</AbsoluteFill>
</Sequence>
{/* 次のセグメント */}
<Sequence from={300} durationInFrames={450}>
<Video src="/segments/demo.mp4" />
</Sequence>
</AbsoluteFill>
);
};
レンダリング出力
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によるナレーション
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": "ここにナレーションテキスト",
"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による音楽と効果音
fal-ai-mediaスキルを使用して:
- 背景音楽の生成
- 効果音(動画から音声へのThinkSoundモデル)
- トランジションサウンド
fal.aiによる生成ビジュアル
存在しない挿入ショット、サムネイル、またはb-rollに使用:
generate(model_name: "fal-ai/nano-banana-pro", input: {
"prompt": "テックvlog用プロフェッショナルサムネイル、暗い背景、画面上にコード",
"image_size": "landscape_16_9"
})
VideoDB生成オーディオ
VideoDBが設定されている場合:
voiceover = coll.generate_voice(text="ここにナレーション", voice="alloy")
music = coll.generate_music(prompt="コーディングvlog用ローファイ背景", duration=120)
sfx = coll.generate_sound_effect(prompt="さりげないスーッというトランジション")
レイヤー 6: 最終仕上げ(Descript / CapCut)
最後のレイヤーは人間です。従来のエディターを次の用途に使用します:
- ペーシング:速すぎたり遅すぎたりするカットを調整
- 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:基本的な補正とムード調整
- 最終オーディオミックス:声、音楽、効果音のバランス調整
- エクスポート:プラットフォーム固有のフォーマットと品質設定
ここにセンスが宿ります。AIが反復作業を排除します。最終的な判断はあなたが行います。
ソーシャルメディアのリフレーミング
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でのリフレーミング
# 16:9 から 9:16 へ(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 へ(中央クロップ)
ffmpeg -i input.mp4 -vf "crop=ih:ih,scale=1080:1080" square.mp4
VideoDBでのリフレーミング
# スマートリフレーム(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
# シーンチェンジの検出(しきい値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
# 無音セグメントの検出(デッドエアのカットに便利)
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これらのシーンチェンジポイントを基に、ソーシャルメディア向けの最も魅力的な30秒クリップを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 | クリエイティブなセンスレイヤーではない |
| FFmpeg | 決定論的カット、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 | 非開発者には学習曲線が大きい |
| 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 | 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 | 最終的なペーシング、キャプション、仕上げ | 手動、自動化不可 |
重要な原則
- 生成するのではなく、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、プロンプトから作成するためのものではありません。
- スタイルよりも構造を優先する。 視覚的なものに触れる前に、レイヤー2でストーリーを固めてください。
- FFmpegがバックボーンです。 退屈ですが重要です。長時間の映像が管理しやすくなります。
- Remotionは繰り返しのため。 2回以上行うなら、Remotionコンポーネントにしてください。
- 選択的に生成する。 全てにAI生成を使うのではなく、存在しないアセットにのみ使用してください。
- センスは最後のレイヤーです。 AIが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画像、動画、音声生成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
使用するタイミング
AI支援による動画編集ワークフロー。実際の映像のカット、構造化、拡張を行います。RawキャプチャからFFmpeg、Remotion、ElevenLabs、fal.ai、最終仕上げのDescriptやCapCutまでの全パイプラインをカバーします。
カバー内容:アクティブ化するタイミング、核となる考え方、パイプライン、レイヤー3: 決定論的カット(FFmpeg)、タイムスタンプによるセグメント抽出。