長尺→Shortsエンジン（Whisper + Gemini）
長尺動画から最も拡散しやすい瞬間を自動抽出し、文字起こしのタイムスタンプで綺麗に切り出し、複数プラットフォームで日次投稿を維持するための再現可能なSOPです。
対象ユーザー
解決できる課題
課題
手動で切り抜くと長尺1本あたり2〜6時間かかる。
カットが単語の途中に入りやすく素人感が出る。
忙しいと投稿が途切れて成長が止まる。
解決策
AIが自動で3〜6本のShortsを抽出し、投稿可能な形で出力する。
単語レベルのタイムスタンプで自然なカット点を作れる。
連続日程で1日1本を自動予約し、投稿リズムを維持する。
このツールキットで達成できること
長尺1本を、各プラットフォームに自然に見えるShortsの1週間分の在庫に変換。元の解像度を守りつつ、編集工数を大幅に削減します。
人間らしい自然なカット
単語レベルのタイムスタンプで、単語途中の不自然なカットを避け、品質と視聴維持を改善します。
燃え尽きない日次投稿
連続日程の予約投稿により、1回の制作が複数日の成長につながります。
ワークフロー概要
Step 1: 元動画を用意
ポッドキャスト/ウェビナー/インタビュー/講演などの長尺動画を1本用意します。字幕精度を落とす再圧縮を避けるため、可能なら最終マスターファイルを使用します。
再利用のための長尺動画
同一トークンでアップロード→処理→投稿まで一貫でき、統合と運用の複雑さを減らせるため選定しました。
Step 2: 音声抽出で文字起こし精度を上げる
文字起こし前に動画から音声トラックを抽出します。ASRの安定性が上がり、後工程のカット用タイムスタンプが信頼できるようになります。
動画から抽出した音声波形
結果が決定論的で再現性が高く、後のカット操作とタイムラインを正確に合わせられるためFFmpegを選びました。
Step 3: 単語レベルのタイムスタンプで文字起こし
Whisperで文字起こしを行い、単語途中で切れない粒度のタイムスタンプを保持します。発話内容に基づいてクリップ境界を算出できるよう、時刻情報付きで保存します。
タイムスタンプ付き文字起こし
WhisperのASR品質の実績に加え、単語タイムスタンプを扱える点が「プロっぽいカット」を実現する鍵なので選定しました。
Step 4: 高リテンションの3〜6区間を抽出
Geminiで文字起こし全体を分析し、15〜60秒の区間を3〜6本提案します（冒頭フック重視）。各クリップのタイトル/説明文も生成し、投稿がコピー作成で止まらないようにします。
AIが選んだ区間のタイムスタンプとタイトル
Geminiはマルチモーダル理解と文字起こし推論に強く、勘頼りの切り抜きではなく「根拠ある区間選定」にできるため選びました。
Step 5: カット・クロップして投稿用Shortsを書き出し
FFmpegで正確なタイムスタンプに基づきカットし、可能な限り元解像度を保持しつつ9:16向けにクロップ/パディングします。唐突な開始を避けるため短い前後ロールを入れます。
9:16書き出し設定
GPU加速FFmpeg処理とジョブ/ステータス管理があり、自前の動画処理サーバーを運用せずに安定した一括カットができるため選定しました。
Step 6: 1日1本で予約投稿
クリップを連続する日付に予約します（例：3本なら次の3日、6本なら次の6日）。タイムゾーンごとに投稿時刻を固定し、視聴者の期待と運用の安定性を作ります。
連続日程の投稿カレンダー
マルチ投稿と予約投稿を1つの統合で完结でき、複数アプリへログインして投稿するボトルネックを解消できるため選定しました。
類似ワークフロー
他のツールをお探しですか？これらの代替ワークフローをご覧ください。
ニュースソースを継続的にAIニュース動画へ変換し、複数チャネルへ配信するための方法です。GPT-4oでキャプションを作成し、HeyGenでアバター動画を生成し、PostizでInstagram・Facebook・YouTubeへ一括配信します。
1つのBriefから媒体別投稿を作成し、GPT-4oとGeminiで最適化します。Gmailで二重承認し、Bufferで配信予約、Telegramでステータス共有します。
「独りメディア工場」は、クリエイティブなアイデアを数時間で 4K 実写級動画に変換するコンテンツ制作ワークフローです。GPT-4o、Sora、ElevenLabs を連携させることで、高価な撮影機材なしで映画のような動画制作を自動化し、クリエイターの生産性を 90% 向上させます。
よくある質問
一般的な動画形式に対応し、縦横どちらの入力でも、クロップ/パディングで9:16の投稿用Shortsに変換します。
一般的に3〜6本で、動画の長さと文字起こし内の「使える瞬間」の数に依存します。
選定品質は音声の明瞭さと話者の構成に依存します。騒音が多い場合や急激な画面変化が多い動画では精度が下がることがあります。
文字起こしを入力してタイムスタンプとタイトルを構造化出力できるLLMなら置き換え可能です。重要なのは「区間のランキング」と「切り抜き設計」です。
はい。投稿APIが対応するネットワークを追加すれば、文字起こし/区間抽出のロジックはそのままに最終配信だけ拡張できます。