Video editing

ビデオ編集

実際の素材に対するAI支援編集。プロンプトからの生成ではない。既存のビデオを素早く編集する。

有効化する場面

• ユーザーがビデオ素材の編集、カット、または構築をしたい
• 長い録音を短いビデオコンテンツに変換する
• 生の素材からvlog、チュートリアル、またはデモビデオを構築する
• 既存のビデオにオーバーレイ、字幕、音楽、または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）用にビデオを再フレーミングする
• ユーザーが「ビデオを編集する」「この素材をカットする」「vlogを作る」「ビデオワークフロー」と言及している

コアフィロソフィー

AIにビデオ全体を作成させることをやめ、実際の素材を圧縮・構築・強化するために使い始めると、AI動画編集が役立つようになる。価値は生成にあるのではない。価値は圧縮にある。

処理パイプライン

Screen Studio / 生の素材
  → Codex / 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る。レイヤーをスキップしない。1つのツールですべてをやろうとしない。

レイヤー1：収集（Screen Studio / 生の素材）

ソース素材を収集する：

• 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スクリーンレコーディング
• 生のカメラ素材：vlog素材、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を伴うセッション録画（videodb スキル参照）

出力：整理準備ができた生のファイル。

レイヤー2：整理（Codex / Codex）

OpenAI CodexまたはCodexを使用して：

• 転写とタグ付け：トランスクリプトを生成し、トピックとキーポイントを特定する
• 構造の計画：保持するもの、カットするもの、順序を決定する
• 無効なセグメントの特定：ポーズ、脱線、テイクの繰り返しを見つける
• 編集決定リストの生成：カット用のタイムスタンプ、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する

プロンプトの例：
「これは4時間の録音のトランスクリプトです。24分のvlogに最適な8つのハイライトを見つけてください。
各セグメントにFFmpegカットコマンドを提供してください。」

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ない。

レイヤー3：決定論的カット（FFmpeg）

FFmpegは退屈だが重要な作業を処理する：分割、トリミング、結合、前処理。

タイムスタンプでセグメントを抽出する

ffmpeg -i raw.mp4 -ss 00:12:30 -to 00:15:45 -c copy segment_01.mp4

編集決定リストに基づくバッチカット

#!/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

セグメントを結合する

# Create file list
for f in segments/*.mp4; do echo "file '$f'"; done > concat.txt
ffmpeg -f concat -safe 0 -i concat.txt -c copy assembled.mp4

編集を高速化するためのプロキシファイルを作成する

ffmpeg -i raw.mp4 -vf "scale=960:-2" -c:v libx264 -preset ultrafast -crf 28 proxy.mp4

転写用に音声を抽出する

ffmpeg -i raw.mp4 -vn -acodec pcm_s16le -ar 16000 audio.wav

音声レベルを正規化する

ffmpeg -i segment.mp4 -af loudnorm=I=-16:TP=-1.5:LRA=11 -c:v copy normalized.mp4

レイヤー4：プログラマブルコンポジション（Remotion）

Remotionは編集問題をコンポーザブルなコードに変換する。従来のエディタでは面倒なことに使用する：

Remotionを使用する場面

• オーバーレイ：テキスト、画像、ブランドロゴ、ローワーサード
• データビジュアライゼーション：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
• コンポーザブルシーン：ビデオ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>
      {/* Main footage */}
      <Sequence from={0} durationInFrames={300}>
        <Video src="/segments/intro.mp4" />
      </Sequence>

      {/* Title overlay */}
      <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>

      {/* Next segment */}
      <Sequence from={300} durationInFrames={450}>
        <Video src="/segments/demo.mp4" />
      </Sequence>
    </AbsoluteFill>
  );
};

出力をレンダリングする

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する。

レイヤー5：生成アセット（ElevenLabs / fal.ai）

必要なものだけを生成する。ビデオ全体を生成しない。

ElevenLabsでのナレーション

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での音楽と効果音の生成

fal-ai-media スキルを以下に使用する：

• バックグラウンドミュージック生成
• 効果音（ビデオからオーディオへのThinkSoundモデル）
• トランジション効果音

fal.aiでのビジュアル生成

存在しないカットアウェイ、サムネイル、またはBロール素材に使用する：

generate(app_id: "fal-ai/nano-banana-pro", input_data: {
  "prompt": "プロフェッショナルなテクビデオサムネイル、暗い背景、画面上にコード",
  "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行う。従来のエディタを使用して：

• ペーシング調整：速すぎたり遅すぎると感じるカットを調整する
• 字幕：自動生成してから手動でクリーンアップする
• 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：ボイス、音楽、効果音のレベルをバランスする
• 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

ここにセンスが現れる。AIが繰り返し作業をクリーンアップする。最終的な決定はあなたが行う。

ソーシャルメディア向けの再フレーミング

プラットフォームによって異なるアスペクト比が必要：

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 Feed	1:1	1080x1080
X / Twitter	16:9 または 1:1	1280x720 または 720x720

FFmpegで再フレーミングする

# 16:9 to 9:16 (center crop)
ffmpeg -i input.mp4 -vf "crop=ih*9/16:ih,scale=1080:1920" vertical.mp4

# 16:9 to 1:1 (center crop)
ffmpeg -i input.mp4 -vf "crop=ih:ih,scale=1080:1080" square.mp4

VideoDBで再フレーミングする

from videodb import ReframeMode

# Smart reframe (AI-guided subject tracking)
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

# Detect scene changes (threshold 0.3 = moderate sensitivity)
ffmpeg -i input.mp4 -vf "select='gt(scene,0.3)',showinfo" -vsync vfr -f null - 2>&1 | grep showinfo

自動カットのための無音検出

# Find silent segments (useful for cutting dead air)
ffmpeg -i input.mp4 -af silencedetect=noise=-30dB:d=2 -f null - 2>&1 | grep silence

ハイライト抽出

Codexを使用してトランスクリプト+シーンタイムスタンプを分析する：

「タイムスタンプ付きのトランスクリプトとシーントランジションポイントに基づいて、
ソーシャルメディア投稿に最適な5つの30秒の最も魅力的なクリップを見つけてください。」

各ツールが最も得意とすること

ツール	強み	弱み
Codex / Codex	整理、計画、コード生成	クリエイティブな判断レイヤーではない
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なし
Remotion	プログラマブルオーバーレイ、コンポーザブルシーン、再利用可能テンプレート	非開発者には学習曲線がある
Screen Studio	即座に洗練されたスクリーンレコーディングを取得	スクリーンキャプチャのみ
ElevenLabs	ボイス、ナレーション、音楽、効果音	ワークフローのコアではない
Descript / CapCut	最終ペーシング調整、字幕、仕上げ	手動操作、自動化不可

主要原則

1. 生成ではなく編集。 このワークフローは実際の素材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ものではない。
2. スタイルより先に構造。 ビジュアル要素に触れる前に、レイヤー2でストーリー構造を確定させる。
3. FFmpegが骨格。 退屈だが重要。長い素材がここで管理可能になる。
4. Remotionは再現性のために。 何度も行う操作はRemotionコンポーネントにする。
5. 選択的な生成。 存在しないアセットにのみAI生成を使用し、すべてには使用しない。
6. センスは最後のレイヤー。 AIが繰り返し作業をクリーンアップする。最終的なクリエイティブな決定はあなたが行う。

関連スキル

• fal-ai-media — AI画像、ビデオ、オーディオ生成
• videodb — サーバーサイドのビデオ処理、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