AIで動画を1本作るのに、しんどかったのはAIと全然関係ない部分だった

「AIを使えば、動画が自動でできる」——そう思っていた。

実際に7本作ってみて気づいた。

一番しんどかったのは、AIじゃなくてフレームの計算だった。

---

仕組みを作った。その後の話

以前、YouTube Shortsを自動生成する仕組みを1から作った話を書いた。

YouTube Shortsを自動生成する仕組みを1から作った

あの記事を書いた時点では、仕組みが「動いた」ところまでだった。

スクリプトを渡せばAIが音声を生成して、映像クリップを並べて、YouTubeにアップロードするところまで全部つながった。動いた瞬間は、正直かなり気持ちよかった。

でも実際に使い続けてみると、作った時点では見えていなかったことが出てきた。

今日はその話を書く。

---

実際に何をやっているか、3分で説明する

仕組みはざっくりこうだ。

台本（セリフ）を書く

AIが音声を生成する（Fish Audioというサービスを使っている）

映像クリップ（フリー素材）と音声を合わせて1本の動画にする

タイトルを生成して、YouTubeに公開する

人間がやるのは「台本を書くこと」と「確認すること」だけ——のはずだった。

---

一番しんどかったのは、ここだった

音声を修正するたびに、映像がズレる。

「意志力」という言葉の読み方が「いしりょく」ではなく別の読み方をされてしまったとき、音声を修正した。たった1行、0.3秒の違い。

でもその0.3秒のせいで、後ろに続く映像クリップ全部のタイミングがずれる。

動画というのは「何フレーム目から何フレーム目まで、この映像を流す」という情報で成り立っている。音声の長さが変わると、そのフレーム数を全部計算し直す必要がある。

AIは音声を生成してくれる。でも「さっき生成した音声より0.3秒長くなったから、映像のタイミングをここからここまで全部ずらして」という判断は、自動ではやってくれない。

私が数字を見て、計算して、ファイルを書き直す。

1本目はこの作業だけで半日かかった。「自動化したはずなのに何をやっているんだ」と思いながら、フレームの数字を1行ずつ直した。

---

そこで見えてきたこと

7本作って、ようやく構造が見えた。

AIが得意なこと：スクリプトの生成、音声の出力、映像の合成、アップロード

人間がやらないといけないこと：「なんか違う」という感知と、修正の指示

「意志力の読み方が違う」と気づいたのは私だ。

「この映像、ここで切り替わるのが早すぎる」と感じたのも私だ。

「BGMがこのシーンに合っていない」と判断したのも私だ。

Claudeはその判断を受け取って、実行してくれる。ファイルを書き換えて、音声を生成し直して、映像を組み直す。

でも「なんか違う」は、私が最初に感じないとClaudeには届かない。

AIは完成した動画を見て「これでよかったですか？」とは聞いてこない。ただ出力する。

そのズレに気づくのは、いつも人間の側だ。

---

7本作った今

最初は1本に3日かかっていた。

今は仕組みが手になじんで、1日で回せるようになった。

ただ、毎回変わらないことが一つある。

「なんか違う」の判断は、毎回私がやっている。

Claudeと作業していると、これが「AIに飲み込まれない」ということかもしれないと思い始めた。実行はAIに渡していい。でもズレを感知する側は、人間が手放しちゃいけない。

自動化が進むほど、「これでいいのか」という問いを持ち続ける人間の役割が、じわじわ大事になっていく気がしている。

---

おわりに

私は「初速制作室」という屋号で、AIを使いながら仕組みを作る活動をしている。

アプリを作ったり、動画を自動生成したり、営業を自動化したりしているが、どれも根っこにあるのは同じことだ。「なんか違う」を感知して、AIに渡す。それだけ。

もし「AIをもっとうまく使いたいけど、何から始めればいいかわからない」という方がいれば、お気軽にのぞいていってください。