Anthropicのコマンドライン型コーディングエージェントであるClaude Codeを使えば、動画編集アプリを一度も開かずに、顔出しトーク動画の生素材を公開できるカットに仕上げられます。実例では、ターミナルに7つのプロンプトを順番に入力するだけで、1分53秒(113.6秒)の生素材を46.5秒の編集版に短縮しました。言い間違いは取り除かれ、11秒の間は一呼吸分に詰められ、字幕はフレーズの切れ目で改行され、音声はYouTubeの目標値である-14 LUFSに正規化されています。7つのプロンプトを通じたClaudeの処理時間は約14分でした。同じ手法を38分のフル収録に適用したところ、17分の公開動画ができあがり、それまで1.5 ~ 2日かかっていた手作業の編集を置き換えました。

重要な教訓は、このツールにそれができるということではなく、どう頼むべきかという点にあります。「とにかく編集して」という1つのプロンプトでは、見た目は正しくても静かに間違ったカットができあがります。以下のワークフローは、作業を小さなステップに分け、ルールをプレーンテキストのファイルに書き、すべての操作のあとに検証を強制します。

1つのプロンプトでは足りない理由

つい使いたくなる近道は、「raw.mp4から無音と撮り直しを切り取ってedited.mp4として保存して」といった1行です。Claude Codeはファイルを調べ、音声を抽出し、文字起こしを実行し、撮り直しの合図となる言葉を探して、新しい動画を書き出します。撮り直しや言い間違いは確かに消えます。

しかし出力を測定すると、別の実態が見えてきます。一発編集の統合ラウドネスは-22.2 LUFSで、YouTubeの納品基準である-14 LUFSより約8 dB小さい音量でした。LUFS(フルスケール基準のラウドネス単位)は、音声が聞き手にどれだけ大きく聞こえるかを示す尺度です。同じく重要なのは、1行のプロンプトでは何も残らないことです。カットリストも、検証済みの文字起こしもなく、モデルがどの判断をなぜ下したのかを確認する手段がありません。

以前の自動化の試みは、こうした記録の欠如が何をもたらすかを示していました。あるときは、音声認識モデルのWhisperが最後の18秒の発話を黙って落としたにもかかわらず、Claudeは作業が完全に合格したと報告しました。別のときは、映像と音声がわずかに異なる位置でトリミングされ、音が口の動きより約2フレーム先行していましたが、モデル自身のセルフチェックはその結果を承認しました。こうした問題を捕まえるために編集のすべての秒を見直していては、自動化がもたらすはずの時間節約が帳消しになります。

解決策は2つの部分からなります。編集ルールを、エージェントが実行のたびに読み直すファイルに置くこと。そして、すべてのプロンプトに自己検証の一文を加え、エージェントが結果を主張するのではなく証明しなければならないようにすることです。

フィルムリールからラウドネスメーターまで7つの工程が連なり、各段階の間のフォルダーにファイルを残している図

▲ 各段階に監査ファイルを残す7つの工程

ステップ0:ツールを準備する

ワークフローは空のフォルダーから始まり、Claude Codeにシステムを調べて足りないものだけをインストールするよう頼むプロンプトを使います。Claude Codeをセーフモードで実行すれば、個人設定やフック、プラグインがクリーンなセットアップの邪魔をしません。

セットアップではFFmpegとFFprobe(メディアファイルの切り出し、変換、解析を行うオープンソースツール)とPython 3の有無を確認し、.venvという名前の独立した仮想環境フォルダーを作成して、システム全体のPython環境には一切触れないようにします。文字起こし用にはハードウェアを検出し、Apple SiliconのMacにはmlx-whisperを、IntelのMacとWindowsにはfaster-whisperをインストールします。OpenAIの音声認識モデルであるWhisperは、このパイプラインの耳の役割を果たし、すべての単語の開始と終了のタイムスタンプを生成します。これにより、エージェントは発話がどこで止まり、どこで始まるかを正確に把握できます。large-v3-turboモデルのダウンロードは約1.5 GBで数分かかり、その後、自動テストスクリプトが動作を確認します。

セットアップではHyperFramesもインストールします。これはHeyGenが提供する無料のオープンソースフレームワークで、HTML、CSS、SVGをタイトルカード、ローワーサード、コールアウトといったフレーム単位の動画素材にレンダリングします。Node.jsのバージョン22以上が必要です。簡単な確認として、中央に「Ready」という文字を置いた2秒の黒いテストカードをレンダリングし、実際の編集を始める前にレンダリング経路が機能することを証明します。38分の長尺プロジェクトでは、Claude Opus 5.5がHyperFramesを通じて61個のアニメーション付きデザインフレームのWebページを書きました。

ステップ1:ルールをMarkdownで書く

プロジェクトごとに専用のフォルダーを用意し、素材ファイルをraw.mp4という名前にします。1つのプロンプトで、平易な英語の説明から2つの設定ファイルを書くようClaude Codeに頼みます。

  • rules.mdはテンポの方針を定めます。1.0秒を超える間は短い一呼吸に詰め、隣り合う単語の間隔は0.3秒を上限とし、繰り返したテイクは最後のテイクだけを残して切り、言い直しや「えー」「あー」といったフィラーは削除します。
  • names.mdは、個人名、ブランド名、製品名のClaude Codeなど、音声認識が崩しがちな固有名詞の正式な綴り辞書です。

Claude Codeは実行のたびにrules.mdを読み直すため、プロジェクト全体の雰囲気を変えるには、プロンプトを打ち直すのではなく1行のテキストを編集するだけで済みます。

ステップ2:文字起こしとカバレッジの検証

2つ目のプロンプトは、.venv環境内のWhisper large-v3-turboでraw.mp4を文字起こしし、検出したすべての単語のタイムスタンプを含むtranscript.jsonを保存します。プロンプトでは、Whisperが単語を幻覚したりフレーズを落としたりしうることを明示的に警告し、音声の確認を求めます。波形が発話を示すすべての区間が、文字起こしされたテキストに対応していなければなりません。

聞き間違えた名前は、この段階では意図的に修正しません。transcript.jsonに生の誤りを残しておけば、後のステップで修正を黙って覆い隠すのではなく記録できるからです。

ステップ3:単語ではなく音で無音を切る

3つ目のプロンプトは、rules.mdとtranscript.jsonを使ってraw.mp4から無音をトリミングします。ここで決定的に重要な指示が1つあります。間の境界は、Whisperの単語タイミングだけではなく、実際の音声ラウドネスから見つけることです。音声モデルの単語境界は無音の隙間をまたいで伸びることがありますが、波形を測定すれば声が実際に止まる位置を正確に特定できます。

ClaudeはPythonスクリプトcut.pyを書いて実行し、無音のしきい値を適用し、すべてのカットをcuts.jsonに記録して、tight.mp4という中間ファイルをレンダリングします。プロンプトはまた、映像と音声を厳密に同じフレームで切ることも要求しており、以前の実行で見られた2フレームのずれを防ぎます。サンプルでは、テイク間の11秒の隙間が0.3秒の一呼吸になったのがこのステップです。

ステップ4:撮り直しを削除して監査ログを作る

ステップ4はtight.mp4を対象に、繰り返したテイク、言い直し、フィラーを削除し、同じセリフが複数回話されている場合は最後のテイクだけを残します。「リテイク」のような合図の言葉を口にすると、エージェントはその合図の直前にある失敗テイクを破棄します。

ここでの検証は2回目の文字起こしです。Claudeは新しいcut.mp4を再度文字起こしし、テキストに重複が残っていないか確認します。これが、残ったテイクが書き出しに混入しないことを確かめる唯一の自動化された方法です。以前のあるプロジェクトでは、この2回目のパスがなかったために、同じセリフが重複したまま公開されてしまいました。その後、すべての操作がタイムスタンプの範囲、削除した単語、各カットの理由とともにcuts.mdに書き込まれます。人は動画全体を見る代わりに、このファイルを数秒で確認できます。

ステップ5:名前の修正と字幕の整形

5つ目のプロンプトはnames.mdを適用して文字起こしの誤りを修正し(たとえば「CloudCode」をClaude Codeに戻す)、captions.srtを生成します。字幕は、節の途中ではなく文法的なフレーズの終わりで改行する短い行として書かれます。多くの人が音を消して視聴するため、これは重要です。

エージェントは「probably a way back」と「a way back」のような曖昧なフレーズに出くわすと、推測するのではなく判断を求めます。新たに確定した綴りはnames.mdに追記され、次のプロジェクトはより賢い状態から始まります。

ステップ6:ラウドネスの正規化と組み立て

最後のプロンプトは、cut.mp4をマスタリング済み音声付きのedited.mp4に変換します。統合ラウドネスはYouTubeの目標値に合わせて-14 LUFS、トゥルーピークは-1.5 dBTP(デシベル・トゥルーピーク。クリッピングと歪みを防ぐ上限)未満に抑えます。サンプルでは、ラウドネスが-22.6 LUFSから-14.0 LUFSに変わり、トゥルーピークは-2.1 dBTPに収まりました。

字幕はedited.mp4内にソフト字幕トラックとして埋め込まれ、別ファイルのcaptions.srtとしても保持されます。YouTubeは埋め込まれたMP4の字幕トラックを無視することが多いため、単体のファイルは引き続きアップロードする必要があります。Claudeは最後に、入力と出力の長さ、ラウドネス、ピークの測定値を比較するサマリーレポートを出します。

すべてのステップに検証ファイルを残す7つのプロンプト はい いいえ ツールを準備しrules.mdとnames.mdを書く Whisperで文字起こしし発話カバレッジを確認 ラウドネスで無音を切りtight.mp4へ 撮り直しとフィラーを削除しcut.mp4へ cut.mp4を再度文字起こし 重複が残っている? 名前を修正しcaptions.srtを書く -14 LUFSに正規化しedited.mp4とレポートを書き出す
▲ すべてのステップに検証ファイルを残す7つのプロンプト

長い生素材のストリップの横にはるかに短い編集済みストリップ、ラウドネスメーターと字幕カードが並ぶ図

▲ 生素材と、短縮・音量調整・字幕付きの完成版

7つのプロンプトが生み出したもの

項目 前 後
長さ 1:53(113.6秒) 0:46(46.5秒)、約59%短縮
最長の間 11秒 0.3秒の一呼吸
統合ラウドネス -22.6 LUFS -14.0 LUFS
トゥルーピーク 記録なし -2.1 dBTP(上限-1.5 dBTP)
字幕 なし フレーズの切れ目で改行するcaptions.srt
監査ファイル なし rules.md、names.md、transcript.json、cuts.json、cuts.md

処理時間は実行ごとに少し変わります。Claudeが固定のコードを実行するのではなく、毎回新しいPythonスクリプトを書くためです。長尺プロジェクトでは、全体として、手作業で1日かかっていた編集が、約4.5時間の無人のマシン処理に置き換わりました。短いクリップなら標準のProプランで足りるかもしれませんが、長尺動画を処理する人はMaxプランが必要になる可能性が高いでしょう。

クリーンなカットの先へ

ステップ0から6で、クリーンで音量が正しく整い、字幕の付いた動画が得られます。同じアーキテクチャは、ブランドスタイル、テンポ、絵コンテ、デザインフレーム、音楽、修正からの学習、公開を扱うさらに7つの段階へと拡張できます。そのうちいくつかの考え方は、小さな構成にも当てはまります。

  • 生成されるすべてのグラフィックを揃えるための、frame.mdという1つのスタイルファイル(3色と2フォントから始めるのが妥当)。
  • 何かをレンダリングする前に確認し承認するテキストの絵コンテ。計画の修正は1分で済みますが、再レンダリングは時間とトークンを浪費します。
  • 素材を生成したモデルはその素材の最悪の審査員である、という原則に基づく独立した検査エージェント。
  • 承認または却下したすべてのカットを記録する設定ファイル。これによりエージェントが同じ質問を繰り返さなくなります。あるプロジェクトの実行では、テンポのレポートが16件のカット候補を挙げ、そのうち5件を過去の判断から自動的に解決しました。プライバシーチェックでは、レンダリングした2,086フレームをOCRで走査し、漏えいしたAPIキー、名前、メールアドレスがないか確認しましたが、1件も見つかりませんでした。

ひとりで制作するクリエイターがすべきこと

この手法は、編集者なしで顔出し動画や画面収録動画を公開する人に向いているようです。ただし、求められる規律を受け入れることが前提です。実践的な順序は次のとおりです。

  1. FFmpeg、FFprobe、.venv内のPython 3、ハードウェアに合ったWhisperのバリアント、HyperFrames用のNode.js 22以上をインストールする。2秒のテストカードをレンダリングする。
  2. 素材に触れる前にrules.mdとnames.mdを書き、すべてのプロンプトにエージェントが出力を検証することを求める一文を加える。
  3. 文字起こしをし、次に音声ラウドネスに基づいて無音を切る。映像と音声は同じフレームで切る。
  4. 撮り直しを削除し、再度文字起こしして確認し、見直す代わりにcuts.mdを読む。
  5. 名前を修正し、字幕をフレーズの切れ目で整形し、captions.srtを別途アップロード用に保持する。
  6. -14 LUFSに正規化し、-1.5 dBTPの上限を守り、最終レポートを確認する。

1行の近道には抗ってください。プロンプト1つ分を節約する代わりに、結果を信頼する能力を失います。