AI動画工場のつくり方 — 台本が9割、撮影も編集もゼロ

この講義では、撮影も手作業での編集も行わずに、台本から動画が生まれる仕組みをどう作るかを、全5章で扱います。台本の設計、AIによる音声合成、AI画像による絵作り、全文テロップの焼き込み、そして最後の検品と量産の仕組みまでを一通り整理します。

「AIに丸投げすれば動画ができる」という話ではありません。人間が担うべき部分を明確にしたうえで、残りをどう仕組み化するかという実践的な内容として進めます。

まず、動画制作という作業そのものが、どのように変わってきたのかという全体像から確認します。

撮影ゼロで動画が作れる時代

これまで動画制作といえば、カメラの前に立って撮影することが当然の前提でした。しかし、AI画像生成と音声合成を組み合わせることで、カメラを一度も使わずに、文章だけから動画を組み立てることができるようになっています。

撮影という工程がなくなることで、天候や場所、出演者のスケジュールといった制約からも解放されます。制作の起点が「撮る」から「書く」へと移った、という捉え方が実態に近いといえます。

編集の「作業」(カット・テロップ・色)はAIが引き受けた

動画編集にはもともと、カット割り、テロップの挿入、色味の調整といった、手順が決まっている「作業」的な工程が多く含まれていました。こうした定型的な作業は、AIやプログラムによる自動化と相性がよく、実際に多くの部分を仕組みに任せられるようになっています。

作業としての編集が減っていく一方で、「どの場面を残すか」「どんなトーンで伝えるか」といった判断は、依然として人間が担う部分として残ります。

人間に残るのは「決定」

撮影と編集の作業がAIに置き換わっていく中で、人間の役割は「手を動かすこと」から「決めること」へと移っていきます。何を伝えるか、どんな順序で見せるか、どこで公開するか——こうした意思決定は、仕組みがどれだけ進化しても人間側に残り続けます。

この移り変わりを理解しておくと、自動化に何を任せ、どこに自分の時間を使うべきかの線引きがしやすくなります。

制作コストの崩壊(1本数十円の音声合成)

音声合成の技術が実用段階に入ったことで、ナレーション1本あたりの制作コストは大きく下がりました。無料で使える音声合成エンジンを使えば、1本あたり数十円程度の電力・処理コストで、収録スタジオを使わずにナレーションを用意できます。

コストが下がったことで、失敗を恐れずに数多く作って試すという進め方が現実的になりました。1本にかける時間と費用が小さくなるほど、量をこなしながら改善していくサイクルを回しやすくなります。

工場の全体像(台本→音声→画像→組み立て)

撮影を伴わない動画制作は、おおまかに「台本を書く」「台本を音声に変換する」「場面ごとの画像を用意する」「音声・画像・テロップを組み立てて1本にする」という4つの工程の連なりとして捉えることができます。

• 台本：伝えたい内容を、話し言葉の文章として書き出す
• 音声：台本を音声合成でナレーションに変換する
• 画像：場面ごとの背景やビジュアルをAI画像生成などで用意する
• 組み立て：音声の長さに合わせて画像とテロップを配置し、1本の動画にする

この講義では、この4つの工程を順番に見ていきます。

第1章のまとめ

撮影ゼロで動画が作れる時代、AIに引き受けられた編集の「作業」、人間に残る「決定」という役割、崩れた制作コスト、そして台本から組み立てまでの全体像。これが、AI動画工場の前提となる考え方です。次章では、この工場の出発点となる台本の書き方を扱います。

ここからは、動画のすべての起点となる台本の書き方に絞って掘り下げます。

AI時代の動画は文章から始まる

撮影を前提とした動画制作では、台本は「あると望ましいもの」程度の位置づけで済むこともありました。しかし、音声合成と画像生成から動画を組み立てる方式では、台本がそのまま動画の設計図になります。台本の質がそのまま動画の質に直結するため、台本を書く工程にこそ、一番の時間と注意を割く必要があります。

逆に言えば、台本さえしっかり作り込めば、その先の音声・画像・組み立ては、比較的機械的な工程として進めることができます。

冒頭フック(最初の2秒で決まる)

サムネイルがフィード上で一瞬の判定にさらされるのと同じように、動画も再生開始からごく数秒のうちに、視聴を続けるかどうかが判定されます。冒頭で結論や驚きの要素を先に示す「フック」を置かず、前置きから入ってしまうと、その時点で多くの視聴者を失います。

台本を書くときは、書き始めた順番のまま最初に置くのではなく、全体を書き終えたあとに「一番強い一文をどこに置くか」を見直す工程を挟むと、冒頭の弱さに気づきやすくなります。

1動画1メッセージの構成

サムネイル同様、1本の動画で伝えるメッセージも、基本的には1つに絞り込むことが望ましいとされています。あれもこれもと詰め込んだ台本は、結果として視聴後に何も覚えていない動画になりがちです。

台本を書き終えたら、「この動画で一番伝えたいことは何か」を一文で言い切れるかを確認します。言い切れない場合は、まだ情報が絞り込めていないというサインです。

ショートとロングの台本の違い

短尺のショート動画と、比較的長い尺のロング動画では、台本の組み立て方が異なります。ショートは冒頭のフックの比重がさらに大きく、余計な前置きを一切挟まずに本題へ入る構成が基本になります。一方ロングは、フックのあとに背景説明や具体例を挟みながら、視聴者を飽きさせずに主題まで導く構成が必要になります。

同じ内容を扱う場合でも、尺に応じて台本の構造そのものを書き分けるという意識が必要です。

台本をAIに書かせて人が直す

台本の下書きをAIに作らせること自体は、有効な進め方です。ただし、AIが書いた文章をそのまま使うのではなく、話し言葉として自然に聞こえるか、伝えたい1点がぼやけていないか、冒頭のフックが弱くなっていないかを、人が必ず読み直して手直しします。

AIに任せる部分と人が確認する部分を分けておくことで、量産のスピードと質の担保を両立させやすくなります。

第2章のまとめ

台本を動画の設計図として扱うこと、冒頭数秒のフック、1動画1メッセージの絞り込み、尺による台本の書き分け、そしてAIの下書きを人が手直しする進め方。台本づくりがそのまま動画の質を決めるという前提が、この章の要点です。次章では、その台本を声にする工程を扱います。

続いて、台本を音声に変換する工程と、動画全体の音の質をどう保つかを扱います。

音声合成の選択肢(無料エンジンから声クローンまで)

音声を用意する方法にはいくつかの段階があります。無料で使える音声合成エンジンを使えば、費用をかけずに自然な読み上げ音声を得られます。さらに踏み込んで、自分自身や特定の声を再現する声クローンの技術を使えば、より個性のあるナレーションを量産することもできます。

どの選択肢を使うかは、動画のジャンルや、どこまで「話者の個性」を必要とするかによって変わります。まずは無料のエンジンで仕組み全体を組み上げ、必要に応じて声の選択肢を広げていくという順序がおすすめです。

視聴者は映像の粗には寛容だが音の粗には残酷

視聴者は、映像のクオリティが多少粗くても、内容が面白ければ最後まで見てくれることがあります。しかし、音声が聞き取りにくい、音量が不安定、ノイズが混じっているといった「音の粗」に対しては、視聴者ははるかに厳しく反応し、早い段階で離脱してしまう傾向があります。

限られた制作時間の中で、映像と音のどちらにより注意を割くべきか迷ったときは、音のほうを優先するという判断が理にかなっています。

ラウドネス正規化(-14 LUFSが配信の目安)

ラウドネス正規化とは、動画全体の音量の「感じ方」を、一定の基準に揃える処理のことです。多くの配信プラットフォームでは、おおよそマイナス14LUFS前後、ピークはマイナス1.5dBTP以内といった基準が目安とされており、この範囲に整えておくことで、他の動画と並んだときに音量差で違和感を与えにくくなります。

音量が大きすぎても小さすぎても、視聴者は無意識に不快感を覚えます。ナレーションを書き出したら、必ずこの基準に沿って音量を整える工程を挟みます。

BGMは声の邪魔をしない音量とダッキング

BGMを加えると動画の雰囲気は豊かになりますが、ナレーションと同じ音量で鳴らしてしまうと、肝心の言葉が聞き取りにくくなります。ナレーションが鳴っている間だけBGMの音量を自動的に下げる「ダッキング」という処理を使うと、声の邪魔をせずにBGMを流し続けることができます。

BGMはあくまで背景であり、主役はナレーションだという優先順位を、音量設計の段階から徹底しておく必要があります。

語尾や発音の検品

音声合成は自然な読み上げができるようになった一方で、専門用語の読み間違いや、語尾が不自然に伸びる・切れるといった小さな違和感が生じることがあります。こうした違和感は、映像を見ながらでは聞き流してしまいがちですが、視聴者には確実に伝わります。

音声を書き出したら、映像を組み立てる前に一度、音声だけを通しで聞き直し、読み間違いや不自然な間がないかを確認する検品の工程を挟みます。

第3章のまとめ

音声合成の選択肢、映像より厳しく評価される音の質、ラウドネス正規化という音量の基準、BGMのダッキング、そして語尾や発音の検品。音を制することが、動画全体の視聴体験を大きく左右します。次章では、この音に合わせて画面に映す絵とテロップを扱います。

ここからは、音声に合わせて画面に何を映すか、そして文字情報をどう見せるかを扱います。

AI画像でビート絵(場面ごとの背景)を作る

台本を場面（ビート）ごとに区切り、それぞれの場面に合った背景画像をAI画像生成で用意する方法は、撮影を伴わない動画制作の中心的な手法の一つです。1つの場面につき1枚の絵を用意し、ナレーションの長さに合わせて表示することで、実写に近い場面転換の感覚を再現できます。

サムネイルと同様、これらの絵にもプロンプトで世界観やタッチを固定しておくと、1本の動画の中で絵柄がばらつくことを防げます。

スライド型動画という現実解

すべての場面に凝った絵を用意する余力がない場合、スライド資料のような構成で、要点となる文字や図をシンプルに見せる「スライド型」の動画も、現実的な選択肢の一つです。派手さは劣りますが、情報を正確に伝えることを優先するジャンルでは、むしろこの形式のほうが伝わりやすいこともあります。

ビート絵とスライド型のどちらか一方に決め打ちする必要はなく、コンテンツの内容に応じて使い分ける、あるいは組み合わせるという発想が現実的です。

テロップは装飾ではなく本文(無音視聴者にはテロップが全て)

SNSのフィード上では、多くの視聴者が音声をオフにしたまま動画を再生します。この無音の視聴者にとって、テロップは補助的な装飾ではなく、動画の内容そのものを伝える唯一の手段になります。

「音声で伝えているから大丈夫」という前提は、無音視聴者の存在を考えると成立しません。テロップは、音声を聞かなくても内容が理解できる水準で用意する必要があります。

全文テロップの焼き込み

ナレーションの内容を、要約せずにそのまま文字として画面に焼き込む「全文テロップ」は、無音視聴者への対応として有効な手法です。ナレーションの音声データから、話している言葉とタイミングを取り出し、その通りに文字を画面へ合成していく仕組みを作っておくと、台本を書くだけで自動的にテロップ付きの動画が組み上がります。

文字はサムネイルの章で扱った可読性の原則と同様に、太めの書体・十分な文字サイズ・背景とのコントラストを確保して配置します。

プラットフォームUIと安全マージン

動画を投稿するプラットフォームの多くは、画面の上下に自分たちのUI（アイコン・キャプション欄・操作ボタンなど）を重ねて表示します。特に縦型のショート動画では、この傾向が顕著です。

• 縦型ショート動画の解像度は1080×1920が一般的な基準になる
• 画面下部およそ280ピクセルはUIが重なりやすい安全マージンとして空けておく
• 重要なテロップや主役の顔は、このUI想定エリアの外側に配置する

この安全マージンを意識せずに文字を配置すると、公開後にプラットフォームのUIで文字が隠れてしまうことがあるため、制作段階でのチェックが欠かせません。

第4章のまとめ

場面ごとのビート絵、スライド型という現実的な選択肢、テロップという本文としての役割、全文テロップの焼き込み、そしてプラットフォームUIを避ける安全マージン。これらが、音声に合わせて画面をどう組み立てるかの要点です。最終章では、こうして組み上がった動画をどう検品し、量産していくかを扱います。

最後に、出来上がった動画を公開する前の検品と、これを毎日続けるための仕組み化について整理します。

人間の新しい仕事は検品(QC)

台本・音声・画像・組み立てのそれぞれをAIや自動化の仕組みに任せられるようになった結果、人間に残る新しい仕事の中心は「検品」、つまり出来上がったものが公開に値する水準かどうかを確認する作業になります。

検品は、単なる最終チェックではなく、自動化された工程全体の品質を担保する最後の砦です。ここを省略すると、仕組み化のメリットがそのままリスクに変わります。

寸法・音量・誤字・言い間違いのチェックリスト

検品の項目は、感覚ではなくチェックリストとして固定しておくと、担当者や時期が変わっても一定の品質を保てます。

• 動画の解像度・アスペクト比が投稿先の規定に合っているか
• 音量がラウドネス正規化の基準内に収まっているか
• テロップに誤字・脱字がないか
• 音声合成の言い間違いや不自然な読み上げがないか
• プラットフォームUIとテロップが重なっていないか

このチェックリストを毎回同じ順番で確認することで、確認漏れを防ぎやすくなります。

毎日投稿を自動化する仕組み

台本から組み立てまでの工程と、検品のチェックリストが揃えば、あとは決まった時刻に処理を実行する仕組みを用意することで、毎日の投稿を人手をかけずに継続できるようになります。台本の準備だけを前もって済ませておけば、生成から投稿までを自動で進められる状態を作ることが目標です。

ただし、完全に人の目を離してよいわけではありません。定期的に生成結果を見直し、想定外の出力が混ざっていないかを確認する仕組みは、自動化とあわせて必ず用意しておきます。

失敗パターン(自動化の暴走・素材の劣化)

自動化には固有の失敗パターンもあります。エラー処理が不十分なまま仕組みを回し続けると、同じ不具合のある動画が繰り返し量産されてしまう「暴走」が起こり得ます。また、AI画像生成や音声合成に使う設定・素材が古いまま更新されず、少しずつ質が落ちていく「劣化」にも気づきにくい傾向があります。

定期的に生成物を人の目で見直し、想定と違う出力が続いていないかを確認する習慣が、これらの失敗を早期に食い止める一番の対策になります。

動画を資産として積み上げる

1本ごとの動画は、公開して終わりではありません。台本・構成・音声設定・画像のプロンプトといった制作の型は、動画を作るたびに少しずつ洗練され、次の1本の土台になっていきます。

毎日の投稿を積み重ねること自体が、視聴者との接点を増やすと同時に、自分たちの制作の仕組みそのものを磨き上げていくプロセスでもあります。

第5章のまとめ

人間の役割としての検品、チェックリストによる品質の担保、毎日投稿を支える自動化の仕組み、注意すべき失敗パターン、そして動画を資産として積み上げる考え方。検品と量産の両立が、AI動画工場を長く回し続けるための最終的な要点です。

この講義では、撮影ゼロで動画が作れるようになった背景から、すべての起点となる台本の書き方、音声合成とラウドネス管理、AI画像とテロップによる画面づくり、そして検品と量産の仕組みまでを、5つの章に分けて扱いました。共通しているのは、AIに任せる部分と人が決定・検品する部分を、意識的に切り分けるという姿勢です。

すべてを一度に自動化しようとする必要はありません。まず台本を書き、1本を手作業に近い形で作り、そこから少しずつ仕組み化していくという順序が、無理なく続けるための現実的な進め方です。

この講義で扱った「1動画1メッセージ」や「フィードでの一瞬の判定」という考え方は、特別講義「クリックされるサムネイルの科学」で扱ったサムネイル設計の考え方と共通しています。あわせてご覧ください。

実際に手を動かしながら学びたい方は、全12週のシラバスで学習の全体像を確認できます（無料で読めます。成果や収益をお約束するものではありません）。

講義で扱ったテーマを、公式ドキュメントや公的機関の資料で確かめたいときの入口です。

• 生成 AI コンテンツの使用に関する開示（YouTube ヘルプ）：AIで作った・加工した動画を投稿するときの開示ルール
• AIと著作権について（文化庁）：素材や生成物の扱いを考えるときの公的資料

この特別講義は無料で視聴できる総集編です。関連する内容を実際に手を動かしながら学びたい方は、全12週のシラバスで学習の全体像を確認できます（無料で読めます。成果や収益をお約束するものではありません）。先行案内はこちら。