ショート動画の作り方：長い動画から切り抜きを作る手順

長い動画からショート動画を作るには、まず文字起こしを作り、その後の工程をすべて文字起こしに動かさせます。文字起こしには何が話されたかが入っているので切り抜く場面を選べます。文の境界を持っているのでカットが単語の途中ではなく文と文の間に落ちます。そして縦型変換にも字幕にもそのまま渡せるので、二度手間になりません。録画してからタイムラインをスクラブして切り抜きを探すのは、同じ作業の遅いやり方です。

記載範囲について（2026年7月）: 以下の手順は、現在Pipe2.aiで動いているパイプライン——Transcription、Highlights、Video Trim、Video Reframe、Captions——に対応します。記載した挙動は宣伝文ではなく現在の入力スキーマに照らして確認しました。

文字起こしがすべての鍵

文字起こし以降のすべての工程が、文字起こしを入力として受け取ります。これはツールの偶然ではなく、この作業を自動化できる理由そのものです。

• 場面選びには、波形ではなく「何を話したか」が要ります。
• トリムには文の境界が要ります。ないとクリップが単語の途中で始まります。
• 縦型変換は、発話がタイムライン上のどこにあるかを知っていると精度が上がります。
• 字幕には言葉とタイミングが要りますが、それはもう手元にあります。

つまり、録画全体を一度だけ文字起こしし、そのファイルを保持して以降のすべての工程に渡します。60分のポッドキャストの文字起こしは1回で済み、それが切り抜きのバッチ全体をまかないます。クリップごとに文字起こしをやり直すワークフローは、いちばん高い工程を何度も繰り返しているだけです。

手順1 — 録画全体を文字起こしする

必要そうな部分だけでなく、ファイル全体を処理します。読んでいない録画から良い場面は選べません。

意識して設定したい項目が2つあります。

• 話者分離（diarize）— インタビューや対談では必須です。誰が話したか分かることで、「良い発言」が「ゲストの良い発言」に変わります。切り抜く価値があるのはたいてい後者です。
• 修正辞書（corrections）— モデルが聞き違えやすい語をあらかじめ指定します。製品名、人名、専門用語が定番です。文字起こしの段階で一度直すほうが、下流のすべての字幕ファイルで直すより安く済みます。

手順2 — 場面は「探す」のではなく「選ぶ」

文字起こしを読んで、それ単体で成立する場面を探します。根拠を伴う主張、オチのある話、簡潔に答えられた質問などです。判断基準は、元動画を見ていない人に意味が通じるかどうかです。

Highlights は文字起こしに対してこれを行い、指定した数の候補を返します。ウェビナーから10本、短いインタビューから3本というように、実際に公開するつもりの本数を指定できるので、際限のないリストをふるいにかける必要がありません。style の指定で何を探すかを方向づけられます。営業ウェビナーとお笑い系ポッドキャストでは「良い場面」の形が違うので、これは効いてきます。

出力は判定ではなく候補リストとして扱ってください。モデルは読んで良い文章を見つけますが、チャンネルに合うかを決めるのは人間です。

手順3 — 文の切れ目でカットする

自動切り抜きの粗が最も出る工程です。生のタイムスタンプで切ったクリップは単語の途中から始まり、話が着地する前に終わります。編集ではなく機械的な切り出しに見え、その後どれだけ磨いても取り返せません。

Video Trim は開始時刻・終了時刻と文字起こしを受け取り、各カットを最も近い文の境界にスナップします。おおよその位置を渡せば、きれいな切れ目はツールが見つけます。実務上の効果は大きく、読みながら素早くおおまかに場面を選んでも、始まりと終わりが整ったクリップになります。

手順4 — 縦型にリフレームする

16:9の録画を真ん中で切ると、話者が少し傾くたびに顔が画面外に出ます。Video Reframe はキーフレームを解析して各フレーム内の顔の位置を特定し、ショットを通して被写体を追うクロップを選びます。

何をして何をしないかは正確に書いておきます。これは顔を見つけて追い、フレームをどこに置くかという編集的な判断を行います。今どちらの人物が話しているかを判定しているわけではありません。スライド、画面録画、全画面のBロールのように明確な被写体がないショットでは、クロップを捏造せずレターボックスにします。すでに画面全体を使っている映像にはそれが正解です。

出力先に合わせて、目標のアスペクト比は明示的に指定してください。

手順5 — 字幕を焼き込む

SNS動画の多くは音声なしで視聴されます。字幕のないクリップは、内容が分かる前にスクロールで飛ばされます。

文字起こしがすでにあるので、この時点で Captions はほぼ追加コストなしです。トリム済みのクリップと文字起こしを渡し、プリセットを選べば、テキストが焼き込まれたMP4が出てきます。プラットフォーム側が別ファイルの字幕をどう表示するかに依存しません——その挙動はプラットフォームごとに異なり、無視されることも多いからです。

良い切り抜きと機械的な切り出しの差

• 1クリップ1テーマ。 説明に2文の前置きが要るなら、その前置きをクリップに入れるか、場面選びが間違っています。
• いちばん強い一言から始める。 その前の言い淀みからではありません。どこかは文字起こしを見れば明らかです。
• 話者の顔を画面内に保つ。 被写体が端に流れるトーククリップは雑に見えます。
• 本数のノルマで切らない。 ウェビナーから凡庸な10本を出すより良い3本のほうが成果が出て、公開コストは同じです。
• 話の完結単位で切り、尺はその結果に任せます。

他の工程とのつながり

この流れが回り出すと、同じ文字起こしが本来なら別プロジェクトになる作業も支えます。フル尺動画のチャプター、記事化した要約、元動画の字幕などです。そもそも文字起こしをするべきか迷ったときの判断材料になります——コストは一度きりで、下流のすべてに分散されるからです。

切り抜くだけでなく元動画も自分で作る場合は、生成側を AI動画の作り方 が、字幕の見せ方を 動画に字幕を入れる方法 が扱っています。

試してみる

手元にある録画を1本選んで始めてください。文字起こしし、Highlights に3本だけ候補を出させ、その3本だけトリムします。最初の一周の目的は、返ってきた場面が自分で選ぶ場面と一致するかを確かめることです。一致するようになれば、同じ流れが1時間の素材に対しても本数を変えるだけで動きます。