動画編集の作業のうち、どこをAIに任せて、どこを人が確かめるかを、作業ごとに書きとめるメモです。運営は動画編集スクール「ブイプロ」（株式会社ブイスト）。ツールの情報には確認した日付を入れます。
インタビュー動画の編集で時間がかかるのは、カットそのものより「どの発言を使うか」を決めるところです。1時間話してもらった素材から5分の動画を作るなら、使うのは全体のほんの一部になります。この記事では、文字起こしをAIに要約させて、使う発言の候補を先に選んでおく手順をまとめます。ツールの説明は2026年10月25日に公式ページで確認した内容です。
AIに要約を頼む前に、完成した動画で何を伝えるのかを1行で書いておきます。たとえば「この人が仕事を変えた理由」「サービスを使って変わったこと」のような形です。
この1行がないまま要約させると、AIは話の量が多い所を大事な所として拾いがちです。話の量と、動画にとっての大事さは同じではありません。何を伝える動画なのかを先に決めておくと、AIへの指示も、あとで人が選ぶときの物差しもぶれにくくなります。
要約の前に、文字起こしを最低限整えます。ここを飛ばすと、AIが間違った文字のまま要約してしまうからです。
話し手の分け方については、前に対談・インタビュー動画の文字起こしで、話し手を正しく分ける方法で書きました。インタビューの要約は、この下準備ができているかどうかで仕上がりが大きく変わります。
AIへの指示は、要約と候補を分けて出してもらうのがおすすめです。
大事なのは「言い換えずにそのまま」と伝えることです。AIは読みやすく整えようとして、話し手の言葉を少し変えてしまうことがあります。動画で使うのは実際の音声なので、候補は元の言葉のままでないと意味がありません。
faster-whisperの公式ページの例のように、文字起こしの結果に区間ごとの時刻が付いていれば、候補の時刻からすぐに素材の該当場面を開けます（2026年10月25日確認）。
AIが出した候補は、そのまま使わずに音で確かめます。文字では良く見えても、実際に聞くと次のようなことがあるからです。
僕の編集のルールでは、台本や決めた流れに合わせすぎず、その場で出た言葉でも文脈の中で意味があれば残すことにしています。AIの候補に入らなかった発言の中に、いちばん良い一言が隠れていることもあります。候補を聞き終えたら、時間があれば候補の前後も少し広めに聞いてみてください。
AIに要約と候補を出させることで、1時間の素材を頭から全部聞き直す時間は短くできます。ただ、最後に「この発言で行く」と決めるのは、動画で何を伝えたいかを分かっている人です。その線引きを守っておくと、インタビュー編集の下準備はぐっと軽くなります。
選んだ発言は、時刻と一緒に一覧にしておきます。並べる順番は、話された順ではなく、動画で使う順です。並べ替えてみると、つなぎの言葉が足りない所や、同じ話が2回出てくる所が見えてきます。そこで初めて、候補から外していた発言を戻したり、聞き手の質問をテロップで補ったりする判断ができます。要約と候補の一覧は、カットを始める前の設計図だと考えると、使い道がはっきりします。
セミナーの録画やライブ配信のアーカイブのように、1時間を超える動画の文字起こしをAIに要約させると、後半の話が薄くなったり、途中の大事な発言が抜けたりすることがあります。僕のところでも長い素材を扱うことが多いので、この記事では「どこで区切って、どう渡すか」の手順をまとめます。ツールの説明は2026年10月25日に各公式ページで確認した内容です。
長い文字起こしを1回で渡して「要約して」と頼むと、AIは全体を短くまとめようとします。その結果、次のようなことが起きやすくなります。
どれも、要約の文だけを読んでいると気づきにくいものです。編集の材料にする要約なら、元の発言にすぐ戻れる形にしておくことが大切です。
時間で機械的に切るより、話の切れ目で切るほうが要約の質は安定します。僕がすすめる順番は次のとおりです。
時刻を残すのは、あとで動画に戻るためです。faster-whisperの公式ページの使い方の例でも、文字起こしの結果は区間ごとに始まりと終わりの秒数が付いた形で出てきます。この時刻を消さずに区切りに使えば、要約の1行から元の場面へすぐ飛べます。
長い動画の文字起こしそのものの進め方は、前にfaster-whisperで長い動画を文字起こしする手順で書きました。そちらで作った区切りのファイルを、そのまま要約の単位にするとつながりがよくなります。
区切ったまとまりを渡すときは、毎回同じ指示を付けます。指示がまとまりごとに違うと、要約の粒の大きさがそろわないからです。
Claudeの公式ページでも、会議の文字起こしを読み取って、やることと担当者を整理する使い方が例として紹介されていました（2026年10月25日確認）。要約は「何のために読むか」を伝えると、拾ってほしい所を拾ってくれやすくなります。
番号ごとの要約がそろったら、最後に全体をつなげて読みます。このとき見るのは次の3つです。
僕の編集の基準は「見て・聞いて、自然につながっているか」です。要約は作業を早くするための地図で、最後に動画の中身を確かめるのは人の仕事だと考えています。区切って渡す手間は少し増えますが、そのぶん見直しの時間が短くなり、長い動画ほど差が出てきます。
区切り方に迷ったときは、まず「この区切りだけを人に見せて、何の話か一言で言えるか」を目安にしてください。一言で言えないまとまりは、話題が2つ以上混ざっています。もう一段小さく分けたほうが、AIの要約も人の見直しも楽になります。反対に、細かく分けすぎると、話の前提が前の区切りに置き去りになり、要約だけ読んでも意味が分からなくなります。前の区切りの要約を一行だけ添えて渡すと、このつながりの切れを防げます。
YouTubeに動画を上げると、音声認識で自動的に字幕が作られることがあります。手間がかからない便利な機能ですが、YouTube自身が公式ヘルプで「内容を確認して直すように」とくり返し書いています。この記事では、その注意の中身と、編集する側が確かめておきたい点をまとめます。内容は2026年10月21日にYouTubeの公式ヘルプで確認したものです。
YouTubeのヘルプでは、自動字幕起こしは機械学習で作られたものなので品質にばらつきが出る可能性がある、とされています。そのうえで、クリエイターにはまず専門サービスを使った字幕の作成をすすめています。
また、間違った発音、アクセント、方言、雑音が原因で、話されている内容を正しく表示できないことがあると書かれ、自動字幕の内容を確認して、正しく文字起こしされていない部分を編集するよう求めています。つまり、作られた字幕をそのまま出すことは、YouTube自身も想定していないということです。
同じヘルプには、自動字幕が作られない場合の原因も挙げられています。
このうち、音質・冒頭の無音・声の重なりは、編集の段階で手を入れられる所です。自動字幕を使う予定があるなら、書き出す前にここを整えておくと、字幕の質も上がりやすくなります。
ヘルプに書かれている、自動字幕を確認して直す手順は次のとおりです。
なお、自動字幕では不適切な可能性がある言葉が初期設定で記号に置き換えられる設定がある、ともヘルプに書かれています。意図せず言葉が隠れていないかも、見ておくとよい点です。
字幕を直すときは、頭から全部を読むより、間違いが起きやすい所から見るほうが早く済みます。
動画の中身を一番よく知っているのは、編集した人です。自動字幕は「下書きを作ってくれる機能」と考えて、出す前の確認は人が行う。この線引きを守っておけば、自動字幕は作業時間を減らす心強い味方になります。
自動字幕に頼るか、自分で字幕ファイルを用意するかは、動画の種類で決めるのがおすすめです。
どちらを選んでも、最後に人が確かめる工程は外せません。公式ヘルプが何度も「確認して直す」ことを求めているのは、それだけ自動の字幕にまちがいが残りやすいということです。字幕は、耳が聞こえにくい人や音を出せない場所で見ている人にとって、動画の中身そのものです。そう考えると、確認の時間は削ってよいものではないと分かります。
faster-whisperは、OpenAIのWhisperのモデルを、より速く動くように作り直したライブラリです。僕のところでも、動画の文字起こしにはfaster-whisperを使っています。この記事では、1時間を超えるような長い動画を文字起こしするときに役立つ「無音の区間を飛ばす設定」を中心に、手順をまとめます。設定の内容は2026年10月21日にfaster-whisperの公式ページ（GitHub）で確認したものです。
長い動画、とくにライブ配信のアーカイブやセミナーの録画には、話していない時間が多く含まれます。開始前の待ち時間、休憩、資料を映しているだけの時間などです。こうした区間をそのまま文字起こしにかけると、処理に時間がかかるうえ、話していないのに文字が出てくるといった乱れが起きることがあります。
そこで使うのが、声のない区間を先に取り除いてから文字起こしをする設定です。
faster-whisperには、Silero VADという「声がある所を見分ける」モデルが組み込まれていて、話していない部分を取り除けます。公式ページに書かれている使い方は次のとおりです。
また、まとめて処理して速くする「バッチ処理」（BatchedInferencePipeline）では、このVADが最初から有効になっていると書かれています。
短い無音まで飛ばすほど速くはなりますが、言葉の頭や語尾まで削ってしまうおそれもあります。最初は初期の設定で試し、乱れが残るときに値を下げていく順番が安全です。
カット編集に文字起こしを使うなら、文ごとではなく単語ごとの時刻があると便利です。faster-whisperでは word_timestamps=True を付けると、単語ごとの時刻が出せます（公式ページで確認）。
ただし、この時刻はあくまでAIの推定です。僕の編集ルールでは、Whisperの時刻はずれることがある前提で、カット点は音の波形を見て決めることにしています。単語の時刻は「だいたいこのあたり」と場所を探す目安に使い、実際に切る位置は波形で確かめてください。
長い動画ほど、1回で全部を見直すのは大変です。次の順で確かめると、見落としを減らせます。
faster-whisperの設定は、速さと正確さの取り合いです。長い動画では無音を飛ばす設定が大きく効きますが、飛ばしすぎていないかを人が確かめる工程まで含めて、1つの作業と考えるのがおすすめです。
1時間を超える動画は、一度に全部を処理するより、意味のまとまりで区切って扱うほうが後の作業がしやすくなります。たとえば次のような順番です。
区切っておくと、途中で処理が止まっても最初からやり直さずに済みますし、直しの作業を人に分けることもできます。文字起こしの結果をAIに要約させる場合も、区切ったまとまりごとに渡したほうが、内容を取りこぼしにくくなります。長い動画ほど、作業を小さく分ける工夫が効いてきます。
Whisperは、OpenAIが公開している音声認識のモデルです。多言語の文字起こし、音声翻訳、話されている言語の判定ができ、自分のパソコンで動かせます。この記事では、日本語の動画をWhisperで文字起こしするときの手順と、モデルの大きさの選び方をまとめます。内容は2026年10月21日にWhisperの公式ページ（GitHub）で確認したものです。
Whisperには大きさの違うモデルがあり、公式ページでは6つの大きさが紹介されています。大きいほど精度が期待できる一方で、必要なメモリ（VRAM）が増え、処理に時間がかかります。公式ページの表をもとにまとめると次のとおりです。
ただし、この速さは英語の音声を特定の機材で文字起こしして測ったもので、言語や話す速さ、使う機材によって大きく変わると公式ページにも書かれています。また、tiny〜mediumには英語専用の版（.en）がありますが、日本語の動画では使えないので、多言語の版を選びます。
選び方の目安としては、まず短い区間で2つほどのモデルを試し、精度と待ち時間を見比べるのが確実です。
コマンドで動かす場合、公式ページの例は次の形です。
Whisperには話されている言語を判定する機能もありますが、日本語の動画だと分かっているなら、毎回 --language Japanese を付けておくと、判定違いによる失敗を防げます。
Whisperは、日本語の音声を英語に訳す使い方もできます（--task translate）。ただし公式ページには、turbo モデルは翻訳用に学習されていないこと、translate を指定しても元の言語のまま返すことが書かれています。翻訳に使うなら medium か large を選ぶように、とされています。英語字幕の下書きを作りたいときは、モデルの選び方に気を付けてください。
Whisperは、音声を30秒ずつの区切りで順に処理する仕組みだと公式ページに書かれています。長い動画でも動きますが、出てきた文字をそのまま使えるとは限りません。編集に回す前に、次の点を確かめておきます。
僕の編集ルールでも、Whisperの時刻はそのままカット点にせず、音の波形で確かめてから切ることにしています。文字起こしは「下書き」として使い、最後の判断は人の耳で行う。この分け方を守ると、Whisperはとても頼れる道具になります。
モデルを決めたら、作業全体の時間も見積もっておきます。いきなり長い動画をかけると、終わるまでどれくらいかかるか分からず、ほかの作業の予定が立てにくくなるからです。
精度が少し下がっても、直しの手間がそれほど増えないなら、小さいモデルのほうが全体では早く終わることもあります。逆に、専門用語が多い動画では、大きいモデルで直しを減らしたほうが早いこともあります。動画の種類ごとに、どのモデルが合っていたかを記録しておくと、次から迷わずに選べます。