AIでYouTube動画を作る方法｜実際に回している制作フローと、人が直した7つのこと

このブログの運営者は、AIエージェント（Codex）を使って、ミステリー・考察系のYouTubeチャンネルを運用しています。UMA、ナスカの地上絵、古代文明、ツングースカ大爆発のような題材で、18〜20分前後の横動画と、1分弱のショート動画を作っています。

この記事では、実際に回している制作フローと、AIに任せてうまくいかなかったところ、人が口を出して良くなったところをそのまま書きます。「AIで動画を作る方法」は検索すれば出てきますが、実際に何本も作ってみると、つまずく場所はかなり具体的です。

実際に回している制作フロー

1本の横動画ができるまでの流れです。AIエージェントには、パソコン上でファイルを作ったりコマンドを実行したりする権限を渡していて、下の工程の大半を実際に手を動かして進めてもらっています。

工程	やっていること	使っているもの
1. 企画	AIに題材の候補を複数出させ、人が1つ選ぶ	AIエージェント
2. 調査・構成	論文や公的機関の資料を集め、章ごとの構成と台本を作る。人が読んで直す	AIエージェント
3. 素材集め	実際の写真・映像を探し、出所と利用条件を確認する	NASA、NOAA、Wikimedia Commonsなど
4. ナレーション	台本を読み上げ音声にする。読み間違いを直して作り直す	VOICEVOX（青山龍星）
5. 編集	カットをつなぎ、話している対象へズーム、効果音とBGMを入れる	ffmpeg、Remotion
6. 3D再現	実写が存在しない場面だけ、3Dで再現する	Blender
7. 字幕	字幕ファイルを作り、フォントと位置を統一して焼き込む	SRT、Noto Sans JP
8. サムネイル	画像生成で文字入りのサムネを作り、人が文言を判断する	画像生成AI
9. 公開	YouTube Studioでアップロード、説明文の入力、予約投稿まで	ブラウザ操作

参考までに、最近作った動画の長さは、横動画で18分03秒（レプティリアン回の修正版）や20分31秒（ツングースカ回、全136カット）、ショートで52.6秒（深海の塩水湖）です。

AIに任せること・人が決めること

何本か作ってわかったのは、作業はほぼAIに任せられるが、「面白いかどうか」の判断は人がやらないと品質が上がらないということです。

AIに任せていること	人が決めていること
資料集め、台本の下書き、音声生成、カット編集、字幕ファイル作成、サムネの作成、アップロード作業	どの題材にするか、台本が面白いか、映像の見せ方、サムネの文言、公開してよいか

AIは指示どおりに最後まで作り切ってくれます。ただ、最初に上がってくる動画は「情報は正しいが、見続けたくはならない」ことが多いです。そこを人が具体的に指摘して、作り直してもらう往復が制作時間の大半です。

人が指摘して良くなった7つのこと

実際の制作で、人が指摘して直した内容です。AIで動画を作ると、ほぼ同じところでつまずくと思います。

1. 読み仮名の間違い

地名や固有名詞は、読み上げソフトがかなりの確率で読み間違えます。台本の段階で読みを確認し、間違いがあれば音声を作り直す工程を必ず入れています。

2. 同じ素材の使い回し

AIは手元にある素材で尺を埋めようとするので、同じ写真が何度も出てきます。「一つの題材につき、新しい資料を見せる」ことを指示に入れてから減りました。

3. テロップが多すぎる、フォントがばらばら

最初は画面に文字が多く、書体もカットごとに違っていました。字幕と強調テロップの役割を分け、フォントを1種類に統一しました（詳しくは下の字幕・テロップの決め方）。

4. 台本が浅い

資料を並べただけの台本は「だから何？」で終わります。「誰が描いたのか」「なぜそう考えられたのか」のように、次を知りたくなる順番で疑問を並べ直すよう、台本から作り直してもらいました。

5. 説明用のAIイラストは要らない

わかりやすくしようとして、AIが説明用のイラストを生成して差し込むことがあります。考察系の動画では、実際の資料を見せる方が説得力があります。AI生成の映像は、実写が存在しない場面の再現に限っています。

6. 小刻みな動き

画面を動かそうとして、細かいズームや揺れを多用すると落ち着きません。話している対象にだけ寄る（名前が出たら実物、目の話なら目のアップ）ルールにしました。

7. サムネの文言が弱い

「〇〇の謎を解説」のような説明的な文言は、見たいと思われません。「この動画で何が見えるのか」が一目でわかる問いかけ型の文言にしています。

字幕・テロップの決め方

再生数の多い同ジャンルの動画をいくつか見比べてわかったのは、取り入れるべきなのは派手な文字ではなく、「次を知りたくなる順番」と「文字の役割分担」だということでした。今の仕様は次のとおりです。

• 通常字幕：画面下の中央、Noto Sans JPの太さ700・56px、白文字に細い黒縁、1〜2行
• 強調テロップ：固有名詞や核心の問いだけ。太さ900・88px
• 字幕と強調テロップに同じ文章を重ねない
• 通常字幕が切り替わるときに効果音を付けない
• 枠、横線、光る演出、書体の途中変更はしない

数値は横動画用にこちらで決めた仕様で、参考にした動画の書体を特定したものではありません。

AIで動画を作るときの注意点

• 素材の出所と利用条件を確認する：公的機関の資料でも、利用条件は資料ごとに違います。AIに集めさせた素材は、出所を記録させておくと後で確認できます。
• 証拠のように見せない：3D再現やAI生成の映像を、実際の記録映像のように見せる演出は入れていません。考察系の動画では特に大事です。
• 有料サービスの残量に注意する：AI動画生成サービスは、クレジットが切れると生成できません。実際にショート動画1本でAI生成カットを入れられなかったことがあります。
• 最後は通しで見る：AIはファイルの検査まではしてくれますが、抑揚の自然さを耳で確認する作業は人がやる必要があります。

これから始める人の最初の1本

いきなり20分の動画を作る必要はありません。最初はショート動画1本を、企画から公開まで通すのがおすすめです。

1. 題材を1つ決め、AIに構成と台本を作らせる
2. 台本を自分で読んで、「だから何？」と思う箇所を直させる
3. 読み上げ音声を作り、読み間違いを直す
4. 実際の資料を中心に映像をつなぐ
5. 字幕の仕様を1つに決めて入れる
6. サムネの文言を3案出させ、自分で選ぶ

1本通すと、自分がどこで一番時間を使っているかがわかります。そこが、次にAIへ任せる範囲を広げるポイントです。

この流れを仕事にするなら

動画制作をまるごと請け負うより、台本作成、読み上げ音声の整形、字幕付け、サムネ文言のように工程を切り出して売る方が始めやすいです。ココナラで出品する場合の始め方は、次の記事にまとめています。

• ココナラ出品が初めての人へ｜売るサービスの決め方・出品手順・価格設定
• Claude Code副業の始め方｜最初に売るサービス・価格・案件の取り方

公式リンク

• VOICEVOX 公式サイト
• Remotion 公式ドキュメント
• Blender 公式サイト
• Noto Sans JP（Google Fonts）