「AIショート動画の作り方」を調べている人が本当に知りたいのは、ツールの名前の羅列ではない。今日パソコン（あるいはスマホ）の前に座って、何から手をつけて、どの順番で作業すれば、縦型のショート動画が1本、投稿できる状態で完成するのか——その通しの手順である。結論から書くと、AIショート動画は「企画・台本・音声・映像素材・字幕・書き出し・投稿」の7工程に分解でき、そのうちAIに任せて事故が起きにくいのは台本・音声・字幕の3工程、逆に人間が握り続けるべきなのが企画と最終チェックだ。工程を分けずに「AIで動画を作るツール」を探し続けると、いつまでも1本目が完成しない。
ここで先に独自の立場を宣言しておく。①ネタ収集と企画の工程だけは、AIに完全に丸投げしないほうがいい。 生成AIは平均的な答えを返すのが得意で、平均的なネタは平均的な再生数しか生まない。そしてもうひとつ、②初心者が最初に詰まるのは「動画の生成」ではなく「音声と字幕のタイミング合わせ」である。 世の中の解説記事は生成ツールの紹介に紙幅を割くが、実際に手を動かすと止まるのはタイムライン上の同期作業だ。この記事はその2点を軸に構成している。
この記事の射程は、AIを使ってショート動画を1本作り上げるまでの通し手順に限定する。各工程で「どのツールを選ぶか」の判断基準は示すが、料金の横並び比較そのものは深掘りしない（比較はAI 動画 自動生成 無料 比較に譲る）。ジャンル特化の自動化パイプラインを組みたい人は雑学 ショート 自動生成 やり方を先に読むほうが早い。ここでは、まだ1本も作ったことがない人が、今日なぞって完成まで行ける粒度で書く。なお筆者は顔出しなしのショートチャンネルを複数運用しており、そこで得た実数値も途中で開示する。
AIショート動画の作り方は「7工程」に分解すると迷わない
まず全体像を確定させる。AIショート動画の制作は、次の7工程に分かれる。この分解ができていない状態で「全部やってくれるツール」を探すと、結局どのツールも一部の工程しかカバーしておらず、探索に時間を溶かすことになる。
| 工程 | やること | AI依存度 | 初回の目安時間 | 詰まりやすさ |
|---|---|---|---|---|
| 1. 企画・ネタ集め | テーマ決定、切り口、タイトル案 | 低（人間主導） | 30〜60分 | 中 |
| 2. 台本 | 30〜60秒の読み原稿、冒頭フック | 高 | 10〜20分 | 低 |
| 3. 音声 | ナレーション生成、間の調整 | 高 | 10〜15分 | 低 |
| 4. 映像素材 | 生成AI／フリー素材／スライド | 中 | 20〜60分 | 高 |
| 5. 字幕・タイムライン | 自動字幕、同期、装飾 | 中 | 30〜60分 | 最高 |
| 6. 書き出し | 解像度・fps・音量の設定 | なし | 5〜10分 | 中 |
| 7. 投稿・測定 | タイトル、説明、指標確認 | 低 | 10〜20分 | 低 |
初回の合計はおおむね2〜4時間、慣れると1本30〜60分に収束する。ネット上には「AIで10分で完成」という記述も見かけるが、それは工程4以降をテンプレート化し終えた人の2本目以降の話だと理解しておくとよい。テンプレートがない状態の1本目で10分は現実的ではない。
7工程を「1本目」用に絞り込む
初回は欲張らないほうが完成する。次のチェックリストを満たせば、1本目としては十分だ。
- [ ] 尺は30〜45秒に収める（60秒を超えると音声も素材も一気に増える）
- [ ] 映像は「静止画＋ゆっくりズーム」でよい。動画生成AIは1本目では使わない
- [ ] 音声は1人のナレーターのみ。掛け合いは2本目以降
- [ ] BGMは編集ソフト内蔵の商用利用可トラックだけを使う
- [ ] 字幕は白文字＋黒フチの1パターンで固定する
- [ ] 効果音・トランジションは入れない
この6つを守ると、1本目で発生しうる事故（権利関係、同期崩れ、書き出し失敗）のほとんどが起きない。装飾は3本目以降に足していけばよい。
「作れる」と「続けられる」は別の問題
ここは正直に書いておく。1本作れることと、チャンネルとして数字が伸びることは別だ。筆者が運営している雑学ショートチャンネルは、投稿60本で登録者1,120人・総再生281万回まで来ているが、別途運営している睡眠系チャンネルは投稿110本で登録者121人・総再生12.5万回にとどまっている。本数はむしろ睡眠系のほうが多い。つまり、投稿本数と成果はまったく比例しない。 工程を回す速度を上げること自体は正しいが、それだけでは伸びない。だからこそ工程1の企画に人間の判断を残す必要がある。
工程1：企画とネタ集め——AIに丸投げしない唯一の工程
AIショート動画の作り方で最初にやることは、ツールを開くことではなく、テーマと切り口を決めることだ。ここで手を抜くと、以降の6工程がどれだけ効率化されても回収できない。
なぜここだけは人間が握るのか
生成AIは学習データの平均値を返す設計になっている。「雑学ショートのネタを10個出して」と頼めば、すでに何百本も作られている定番ネタが返ってくる可能性が高い。定番ネタは検索・レコメンド上での競合が多く、後発が同じ切り口で勝つのは難しい。
さらに実務上の理由もある。2025年7月15日にYouTubeのチャンネル収益化ポリシーが更新され、従来「繰り返しの多いコンテンツ」と呼ばれていた項目が「量産型・水増しコンテンツ」として整理・明確化された。AIを使うこと自体が禁止されたわけではなく、YouTube側も「AIで物語性を高めること」は歓迎する立場を示している。ただし、テンプレートに文字を差し替えただけの動画を大量に出す運用は、収益化審査で不利になりうる。この線引きを越えないための最後の砦が、企画の独自性である。詳しい対策はyoutube AI コンテンツ 収益化 停止 対策にまとめている。
企画の実務手順（番号付きステップ）
- ジャンルを1つに固定する。 雑学、睡眠、豆知識、レビュー、解説など。1チャンネルで複数ジャンルを混ぜると初動のレコメンドが安定しない。
- 自分の手持ち情報を10個書き出す。 AIに聞く前に、自分が説明できること・経験したこと・調べたことを列挙する。ここが独自性の原資になる。
- AIには「拡張」だけをさせる。 「以下の10個のネタそれぞれについて、意外性のある切り口を3つずつ提案して」と頼む。ゼロから出させない。
- 既存動画を検索して重複を潰す。 YouTubeで想定タイトルを検索し、上位に同一趣旨のショートが並ぶなら切り口を変える。
- タイトルを先に確定する。 台本より先にタイトルを決めると、台本が脱線しない。
- 1本のショートに主張は1つだけ置く。 30〜45秒に2つの主張は入らない。
ネタ源の使い分け
| ネタ源 | 独自性 | 更新頻度 | 注意点 |
|---|---|---|---|
| 自分の経験・実測値 | 最高 | 低 | 数が続かない。他の源と併用が前提 |
| 一次情報（公的統計、公式発表） | 高 | 中 | 出典の確認が必須。引用範囲に注意 |
| 書籍・専門記事 | 中 | 中 | 要約の域を出ると著作権上の問題になりうる |
| 生成AIの提案 | 低 | 高 | 事実誤りが混ざる。必ず裏取りする |
| 他チャンネルの人気動画 | 最低 | 高 | 切り口の参考まで。内容の複製は不可 |
現実的には「自分の経験・一次情報」を核にして、生成AIで言い換えと構成を補助するのが最もバランスがよい。逆に「生成AIの提案をそのまま台本化」だけで回すと、事実誤りと没個性の両方を抱えることになる。
工程2：台本をAIで書く——縦動画に最適化したプロンプト設計
企画が決まったら台本に落とす。ここはAIの得意分野であり、任せて事故が起きにくい工程だ。ただし「ショート動画の台本を書いて」と丸投げすると、ほぼ確実に長すぎる原稿が返ってくる。
尺から逆算して文字数を指定する
日本語のアナウンサー的な読み上げ速度は、おおむね1秒あたり5〜6文字である。ここから逆算すると次のようになる。
| 動画の尺 | 読み上げ文字数の目安 | 用途 |
|---|---|---|
| 20秒 | 100〜120字 | 短い豆知識、1コンセプト |
| 30秒 | 150〜180字 | 標準的な雑学ショート |
| 45秒 | 225〜270字 | 手順解説、3項目リスト |
| 60秒 | 300〜360字 | 上限。情報量が多いと離脱する |
プロンプトには必ずこの文字数を数値で指定する。「30秒のショート動画用に、読み上げて165字前後の台本を書いて」と書くだけで、返ってくる原稿の使い勝手が大きく変わる。文字数を指定しないと、AIは400〜600字の原稿を返してきて、削る作業が発生する。
台本の構造テンプレート
ショート動画の台本は、次の4ブロックに固定すると安定する。
- フック（0〜2秒／10〜15字）：結論、意外な数字、否定形のいずれか
- 前提（2〜8秒／30〜40字）：話の土台を1文で
- 本題（8〜35秒／90〜110字）：主張とその根拠。ここに数字を1つ入れる
- 締め（35〜45秒／20〜30字）：言い切るか、次を見たくなる余韻を残す
特にフックは重要度が突出している。ある実測レポートでは、動画開始3秒時点の視聴維持率が107%（ループ再生を含むため100%を超える）だったのに対し、10秒を超えると37%まで落ちたという数値が報告されている。開始0.2秒から4秒が勝負で、それを越えると視聴者側にサンクコスト効果が働き維持率が横ばいになる、という分析もある。フックの型を体系的に押さえたい場合は台本の書き方を扱った記事を別途参照するとよい。
使えるプロンプトの骨格
あなたは日本語のYouTubeショート台本の構成作家です。
# 条件
- テーマ：<企画で決めたテーマ>
- 尺：30秒（読み上げて165字前後、±15字以内）
- 文体：常体（だ・である）、専門用語は使わない
- 構成：フック(15字)／前提(35字)／本題(105字)／締め(25字)
- 冒頭は結論または意外な数字から始める
- 事実は断定せず、出典が必要な主張には[要確認]と付記する
# 出力
1) 台本本文（ブロックごとに改行）
2) ブロックごとの推定秒数
3) タイトル案3つ（全角20字以内）
ポイントは3つある。1つ目は文字数を±の許容幅つきで指定すること。2つ目は「事実は断定せず[要確認]を付ける」と指示することで、裏取りすべき箇所をAI自身に申告させること。3つ目は推定秒数を出させて、工程3の音声生成前に尺の当たりをつけることだ。プロンプトのバリエーションはAI 台本 プロンプト 例 ショートに具体例を並べてある。
台本段階での必須チェック
- [ ] [要確認]が付いた箇所をすべて自分で裏取りしたか
- [ ] 固有名詞・数字の読み方が一意に決まるか（後の自動字幕でも効く）
- [ ] 1文が40字を超えていないか（超えると音声が単調になる）
- [ ] 同じ語尾が3回以上連続していないか
- [ ] 冒頭2秒で「誰向けの話か」がわかるか
このチェックを通さずに音声生成へ進むと、音声を作り直すコストが発生する。台本は文字の状態で完成させてから次へ進む。
工程3：音声を作る——TTSの選び方と「スワイプされない声」の条件
台本が固まったら読み上げ音声を生成する。顔出しなしのショート動画では、音声が視聴継続の生命線になる。
選択肢の判断基準
音声合成（TTS）の選択で見るべきは、料金よりもまず「商用利用の可否」と「クレジット表記義務」だ。ここを間違えると、動画を公開した後に差し替えが必要になる。
| 選択肢 | 商用利用 | クレジット表記 | 特徴 | 向いている場面 |
|---|---|---|---|---|
| VOICEVOX | 可（無料） | 原則必須（例：VOICEVOX:キャラ名） |
ローカル動作、キャラごとに規約が異なる | 費用を抑えたい、キャラ性を出したい |
| ElevenLabs | 有料プランから可 | 不要（プラン条件による） | 自然さが高い、無料枠は月10,000クレジット（約10分相当）だが商用不可 | 自然な語りを重視する |
| 編集ソフト内蔵TTS（Vrew等） | プランによる | 不要が多い | 編集と同一画面で完結、尺調整が楽 | 工程をまたぎたくない |
| 自分の声（録音） | 制限なし | 不要 | 独自性が最も高い | 顔出し以外の露出は許容できる場合 |
VOICEVOXは無料で商用利用できる強力な選択肢だが、キャラクターごとに個別の利用規約があり、クレジット表記の要否・形式も異なる。クレジット表記を省きたい場合は1キャラクターあたり40万円（＋税）規模の契約が用意されている、という情報もある。無料だからといって規約を読まずに使うのは避けたい。工程別の選定基準は無料 音声合成 比較 2026を参照してほしい。
「聞ける音声」にするための調整
生成したままの音声は、たいてい平坦で早口に感じられる。次の順で調整すると改善する。
- 速度を0.95〜1.05倍の範囲で試す。 ショートでは速いほうが良いと言われがちだが、速すぎると内容が入らず離脱する。
- 句読点で間を作る。 台本の読点を1つ増やすだけで、TTSは自然に間を取る。読点が足りない原稿は棒読みになる。
- 数字と単位の読みを確認する。 「3割」「1,120人」などは読み間違いが起きやすい。読み仮名を直接指定できるTTSならそちらを使う。
- 冒頭1文だけ、音量を微増させる。 最初の2秒で「聞き取れない」と判断されると、内容以前にスワイプされる。
- 無音の頭出しを0.2秒だけ入れる。 再生開始直後に音が鳴ると、視聴者側の再生環境によっては頭が欠ける。
音声で離脱される原因は多岐にわたるが、実務上は「速度」「間」「冒頭の音量」の3点を触るだけで体感がかなり変わる。
チャンネルとしての声の一貫性
見落とされがちだが、ナレーターの声は途中で変えないほうがよい。視聴者はレコメンドで流れてきた動画を、声で「前に見たチャンネルだ」と認識する。無料枠が尽きたからと毎回別のTTSに乗り換えると、この蓄積が消える。工程3で選ぶツールは、月にどれだけ生成しても続けられるかを基準に決めるべきで、この観点だけは料金を見る価値がある。
工程4：映像素材を用意する——生成AI・フリー素材・自作の3択
音声ができたら、その上に載せる映像を用意する。ここは初心者が最も時間を溶かす工程であり、同時に最も「1本目では手を抜いてよい」工程でもある。
3つのアプローチの比較
| アプローチ | 制作速度 | 独自性 | 費用感 | 落とし穴 |
|---|---|---|---|---|
| 動画生成AI（Sora 2、Veo 3.1 など） | 中 | 中 | 月$20前後の有料プランが前提 | 1回の生成尺が短い（Sora 2は25秒級、Veo 3.1は8秒級とされる）ため繋ぐ手間が出る |
| フリー素材サイト | 速い | 低 | 無料〜 | ライセンス確認が必須。他チャンネルと素材が被る |
| 静止画＋ズーム（Ken Burns） | 最速 | 低〜中 | 無料 | 単調になりやすい。字幕とテンポで補う |
| 自分で撮影 | 遅い | 最高 | 無料（機材次第） | 顔出しなしだと撮れる画角が限られる |
| ワンストップ生成型ツール | 最速 | 低〜中 | 無料枠あり／有料 | テンプレ感が出やすい。差別化は台本側で作る |
2026年7月時点で、Sora 2とVeo 3.1はいずれも個人向け有料プランが月$20前後（Veo 3.1は年間契約で実質月$16程度という情報もある）で、1回に生成できる尺は数秒〜25秒程度にとどまる。30秒のショートを丸ごと1回の生成で作れるわけではない、という点は最初に理解しておいたほうがよい。「AIが動画を全部作ってくれる」という期待で入ると、繋ぎ作業の量に驚くことになる。
なお、当サイトが開発・運営している Shorty も、この工程をまとめて処理するワンストップ型ツールのひとつだ。無料プランには制約があり、1本30秒まで・30日で5本まで・生成した動画の保存は7日間・ショート形式のみという条件で使える。他のツールと比べて優れていると断言するつもりはなく、静止画ベースで素早く形にしたい人向けの選択肢のひとつとして挙げておく。素材の作り方そのものを幅広く比べたい場合は、AI 動画 自動生成 無料 比較のほうが用途に合う。
1本目のおすすめ：静止画＋ゆっくりズーム
理由は3つある。第一に、生成待ち時間がゼロになる。第二に、素材の権利確認が画像1枚単位で完結し、確認漏れが起きにくい。第三に、静止画は字幕を載せたときに文字が読みやすい。動画素材は動きがある分、字幕とぶつかって可読性が落ちることが多い。
具体的な手順は次のとおり。
- 台本を3〜5ブロックに分け、ブロックごとに1枚の画像を割り当てる
- 画像は9:16（1080×1920）にトリミングしておく。横長画像を後から引き伸ばすと画質が落ちる
- 各画像に「5秒かけて105%までズーム」程度の緩い動きをつける
- 画像の切り替えはカット（トランジションなし）で十分
- 画面上部20%・下部25%には情報を置かない（UIと被る）
素材の権利確認は工程内でやる
後回しにすると必ず抜ける。素材を1点入手するたびに、次を確認して手元のメモに残しておく。
- [ ] 商用利用が明示的に許可されているか
- [ ] クレジット表記が必要か、必要ならどの形式か
- [ ] 「YouTube等の動画プラットフォームでの利用」が除外されていないか
- [ ] 再配布・改変の可否（テロップを載せる＝改変にあたる場合がある）
- [ ] 人物写り込み素材の場合、肖像権処理が済んでいるか
- [ ] BGMは動画プラットフォームの著作権クレームが付かないものか
BGMは特に事故が多い。「フリーBGM」と書かれていても、YouTube上でContent IDクレームが付くケースは珍しくない。BGMを外部から調達するなら、配布元がYouTubeでの利用を明示的に許諾しているかまで確認する必要がある。1本目は編集ソフト内蔵の商用可トラックに限定するのが最も安全だ。
工程5：字幕とタイムライン——完成度の8割はここで決まる
ここが本記事で最も強調したい工程である。AIショート動画で初心者が実際に詰まるのは、動画の生成ではなく音声と字幕の同期作業だ。 生成AIは素材を出してくれるが、それらを時間軸上で揃える作業は自動化しきれない。
なぜ同期でつまずくのか
自動字幕は「音声を解析して文字に起こす」機能であり、字幕の表示タイミングは音声波形に従う。ところが、台本を修正して音声を作り直すと、字幕のタイミングは全部やり直しになる。この往復が発生すると、作業時間が一気に膨らむ。だから工程2で台本を完成させ、工程3で音声を確定させてから、工程5に入る順序が重要になる。
自動字幕の実力と限界
CapCutをはじめとする編集ツールの自動字幕は、日本語の一般的な会話で95%前後の認識精度が報告されている。ただし固有名詞・専門用語・早口・背景ノイズがあると誤認識が増える。TTS音声はノイズがなく発音も明瞭なので、実写録音より認識率は高く出る傾向にあるが、それでも100%ではない。精度の実情と改善のコツはCapCut 自動字幕 精度 日本語にまとめている。
現実的な運用は次のとおり。
- TTS音声をタイムラインに配置する
- 自動字幕を生成する
- 台本のテキストと突き合わせて、誤変換だけを一括修正する（ゼロから打ち直さない）
- 1行あたりの文字数を12〜16字に制限し、長い行は分割する
- 表示のタイミングを、音声より0.1秒だけ早く出す（読み始めのラグを吸収する）
- 画面下部25%を避けた位置に固定する
手順3が肝心だ。自動字幕は「タイミング情報」を作るのが本来の価値であり、文字そのものは台本に正解がある。だから正解の文字で上書きすればよく、打ち直す必要はない。
字幕スタイルの推奨値
| 項目 | 推奨 | 理由 |
|---|---|---|
| フォント | ゴシック体・太字 | 小画面でも潰れない |
| サイズ | 画面幅の6〜8%相当 | 大きすぎると1行に入らない |
| 色 | 白文字＋黒フチ2〜4px | どの背景でも読める |
| 1行の文字数 | 12〜16字 | 折り返しが起きない上限 |
| 表示行数 | 最大2行 | 3行以上は視線移動が増えて読まれない |
| 位置 | 画面中央よりやや下（下端から30〜40%） | UI要素と重ならない |
| 強調 | キーワードのみ色替え（黄色など） | 全部強調すると強調でなくなる |
タイムライン作業のチェックリスト
- [ ] 音声の頭に0.2秒の無音があるか
- [ ] 字幕の最初の1枚が0.1秒以内に出ているか
- [ ] 画像の切り替えと文の区切りが一致しているか
- [ ] BGM音量がナレーションの−18〜−20dB程度に絞られているか
- [ ] 最後の0.5秒に無音・無字幕の余白がないか（ループ再生時に途切れて見える）
- [ ] プレビューをスマホ実機サイズで確認したか
最後の項目は特に効く。PCの大画面で読める字幕が、スマホでは読めないというのは非常によくある失敗だ。編集画面のプレビューを縮小して、実際のスマホと同じくらいの物理サイズで見直す習慣をつけたい。
工程6と7：書き出し設定と、投稿後の測定ループ
素材が揃ったら書き出して投稿する。ここは作業としては短いが、設定を間違えると全工程が無駄になる。
縦型ショートの書き出し設定
| 項目 | 推奨値 | 補足 |
|---|---|---|
| 解像度 | 1080×1920（9:16） | 720×1280でも可だが文字が甘くなる |
| フレームレート | 30fps | 素材が60fpsで統一されている場合のみ60fps |
| コーデック | H.264（MP4） | 互換性が最も高い |
| ビットレート | 10〜16Mbps | 静止画中心なら10Mbpsで十分 |
| 音声 | AAC 192kbps / 48kHz | 128kbpsだと高域が痩せる |
| 音量 | ラウドネス −14 LUFS前後 | プラットフォーム側の正規化に合わせる |
| 尺 | 60秒未満 | ショート枠として扱われる条件を満たすため |
書き出したファイルは、必ず一度スマホに転送して再生確認する。PCのプレイヤーでは問題なくても、スマホで音が小さい・字幕が切れるといった問題が見つかることがある。
投稿時の設定
- タイトルは全角20〜30字。 冒頭に結論やキーワードを置く
- 説明欄の1行目に動画の要約を書く。 検索面での手がかりになる
- ハッシュタグは2〜3個。 大量に付けても効果は薄い
- AI生成素材を使った場合は、プラットフォームの開示設定を確認する。 TikTokは2026年からAI生成コンテンツのラベル付けを義務化しており、YouTubeにも合成メディアの開示項目がある
- 使用したTTS・素材のクレジット表記を説明欄に入れる。 VOICEVOXなど、規約で求められている場合は必須
- サムネイルはショートでは優先度が低い。 冒頭2秒のフレームのほうが効く
投稿後の測定：ここまでやって1サイクル
多くの解説記事は「投稿して完了」で終わるが、実際には投稿後の確認までが1本の作業だ。ショートで見るべき指標は3つに絞ってよい。
| 指標 | 見る場所 | 判断の目安 | 悪いときの手当て |
|---|---|---|---|
| 視聴維持率のカーブ形状 | アナリティクスのリテンション | 開始3秒で急落しているか | フック（工程2）を作り直す |
| 平均視聴時間 ÷ 尺 | アナリティクス | 60%を下回るか | 尺が長い。次は10秒短くする |
| インプレッションからの再生 | アナリティクス | 伸びが極端に鈍い | テーマ選定（工程1）から見直す |
重要なのは、どの指標が悪かったかで「戻る工程」が変わるという点だ。維持率のカーブが3秒で落ちているなら工程2、全体的に平坦に減っているなら尺、そもそも表示されないなら工程1に戻る。この対応表を持っていないと、悪い数字を見ても「なんとなく編集を頑張る」という無駄な改善になってしまう。
③1本目にかかった時間は、2本目以降の見積もりの役に立たない。 1本目の大半は「設定を決める時間」であり、フォント・字幕スタイル・書き出し設定・TTSの話者はいちど決めれば再利用できる。だから1本目が3時間かかっても落胆する必要はないが、逆に「2本目以降も同じ工程を毎回考え直す」運用にしてしまうと永久に速くならない。1本目が終わった時点で、決めた設定をテンプレートとして保存しておくこと。
費用と所要時間のリアル、そしてうまくいかない条件
最後に、期待値の調整をしておく。
無料枠でどこまで行けるか
工程別に見ると、実は無料の組み合わせだけで1本目を完成させることは十分に可能だ。
| 工程 | 無料で可能か | 無料の主な制約 |
|---|---|---|
| 企画 | 可 | なし |
| 台本（生成AI） | 可 | 無料枠は利用回数に上限がある場合が多い |
| 音声 | 可（VOICEVOX等） | クレジット表記が必要。キャラごとに規約が異なる |
| 映像素材 | 可（フリー素材／静止画） | 素材が他チャンネルと被る |
| 字幕・編集 | 可（無料版編集ソフト） | 書き出しにウォーターマークが入る場合がある |
| 書き出し | 可 | 解像度や長さの制限がかかることがある |
| 投稿 | 可 | なし |
課金が必要になりやすいのは、(a) TTSの生成量が月の無料枠を超えたとき、(b) 動画生成AIを使いたくなったとき、(c) 編集ソフトのウォーターマークを外したいとき、の3つだ。逆に言えば、静止画ベース＋無料TTS＋無料編集ソフトで運用する限り、月0円で継続することも不可能ではない。ツール別の無料枠の詳細はAI 動画 自動生成 無料 比較を確認してほしい。
なお「AI動画1本の制作コストは3ドル以下」という記述をよく見かけるが、これは有料の動画生成APIを使った場合の従量課金を指していることが多い。無料構成なら0円、生成AIを本格利用するなら月$20前後、というのが2026年7月時点の相場観だと考えておくとよい。
収益化までの距離
現実的な数字も置いておく。2026年7月時点で、YouTubeパートナープログラムの広告収益分配（フルYPP）は「登録者1,000人＋直近90日間のShorts有効視聴回数1,000万回」または「登録者1,000人＋直近12か月の総再生時間4,000時間」が条件とされている。加えて、その前段として登録者500人規模で一部の収益化機能が開放される軽量版の枠組みも用意されている。最新の条件は必ず公式ヘルプで確認してほしい。
90日で1,000万回という数字は、単発のバズではまず届かない。継続的な投稿と、数字を見て工程に戻る改善サイクルの両方が要る。この現実は最初に理解しておくべきで、「AIで量産すればすぐ収益化」という前提で始めると高い確率で挫折する。
うまくいかない条件（正直に書く）
以下に当てはまる場合、AIショート動画は期待した成果を出さない可能性が高い。
- テンプレートに文字を差し替えただけの動画を大量投稿している。 2025年7月のポリシー更新以降、量産型・水増しコンテンツとみなされるリスクがある
- 企画をすべてAIに任せている。 平均的なネタは平均的な結果しか生まない
- 事実確認をしていない。 生成AIは誤情報を自然な文体で出力する。誤りが指摘されるとチャンネルの信頼が落ちる
- 素材の権利確認を飛ばしている。 後から削除・差し替えになると、それまでの再生数の蓄積も失われる
- 数字を見ずに本数だけ増やしている。 前述のとおり、筆者の運用でも投稿110本で登録者121人という結果になったチャンネルがある
- ジャンルを頻繁に変えている。 レコメンドの学習が安定しない
いずれも共通しているのは「AIの出力をそのまま最終成果物にしている」という点だ。AIを使うこと自体は問題ではなく、AIの出力をそのまま出すことが問題だ、という切り分けを持っておきたい。
よくある質問
AIショート動画は初心者だと1本何時間かかる？
初回は2〜4時間、2本目以降は30〜60分が目安だ。初回の大半は字幕スタイルや書き出し設定を決める時間で、これらは一度決めれば再利用できる。
内訳としては、企画30〜60分、台本10〜20分、音声10〜15分、映像素材20〜60分、字幕・タイムライン30〜60分、書き出し5〜10分、投稿10〜20分。最も時間を食うのは字幕とタイムラインの同期作業であり、ここが短縮できるかどうかで2本目以降の速度が決まる。「AIで10分」という記述は、テンプレートが完成した後の話だと理解しておくとよい。
スマホだけでAIショート動画は作れる？
作れる。ただし字幕の微調整と書き出し設定の自由度でPCに劣るため、1本目はPCで作って設定を固め、2本目以降をスマホで回す運用が現実的だ。
スマホ完結の主な障壁は3つある。第一に、字幕のタイミングを0.1秒単位で調整する操作が指では難しい。第二に、ビットレートやラウドネスを細かく指定できないアプリが多い。第三に、編集アプリによってはスマホ版の提供方針が変わることがあり（実際に2026年にかけてスマホ版の提供終了が告知されたツールもある）、環境が固定できない。とはいえ、静止画＋自動字幕という構成なら、スマホだけで投稿まで到達することは十分可能だ。
完全無料でどこまで作れる？どこで課金が必要になる？
静止画ベース＋無料TTS＋無料編集ソフトなら、投稿まで0円で到達できる。課金が必要になるのは「TTSの月間生成量を超えたとき」「動画生成AIを使いたいとき」「ウォーターマークを外したいとき」の3点だ。
たとえばElevenLabsの無料枠は月10,000クレジット（高品質音声で約10分相当）とされるが、無料プランでは商用利用が認められておらず、収益化を前提にするならStarter以上が必要になる。一方、VOICEVOXは無料で商用利用が可能だが、クレジット表記が原則必須でキャラクターごとに規約が異なる。「無料」の中身が料金なのかライセンスなのかを分けて考えることが重要だ。
AIで作ったショート動画は収益化できないのか？
できないわけではない。YouTubeはAIの利用自体を禁じておらず、AIで表現を高めることは歓迎する立場を示している。問題になるのは、人間の編集上の貢献が見えない量産型コンテンツのほうだ。
2025年7月15日の収益化ポリシー更新で、従来「繰り返しの多いコンテンツ」と呼ばれていた項目が「量産型・水増しコンテンツ」として整理された。判定の実際の基準はYouTube側が詳細を公開していないため、外部から確定的に言えることは限られる。実務的には、企画・構成・切り口に自分の判断が入っていること、同一テンプレートの機械的な反復になっていないことを担保するのが現実的な対策になる。
AI生成であることの表示（ラベル）は必要か？
現実的な人物・場所・出来事を合成した映像を使う場合は開示が求められる。TikTokは2026年からAI生成コンテンツのラベル付けを義務化しており、YouTubeにも合成メディアの開示項目がある。
一方、明らかにイラストと分かる画像や、AIで書いた台本を人間の判断で編集した程度であれば、開示対象外とされるのが一般的だ。ただし各プラットフォームの規定は更新が続いているため、投稿画面の開示設定に該当項目があるかを毎回確認する運用にしておくのが安全である。迷ったら開示しておいて損はない。
音声と字幕がずれる。どう直せばいい？
まず音声を確定させてから自動字幕を生成し直すのが最短だ。台本を直して音声を作り直すと、字幕のタイミングは全部やり直しになるため、修正の順序が原因であることが多い。
すでにずれている場合は、(1)字幕クリップ全体を0.1〜0.2秒だけ前後にシフトして全体的な遅延を解消する、(2)長い1文が1枚の字幕に押し込まれていないか確認して分割する、(3)音声の頭に無音が入っていないか確認する、の順で潰していく。個別の字幕を1枚ずつ動かすのは最後の手段で、たいていは全体シフトか分割で解決する。
動画素材やBGMの著作権はどうやって確認する？
素材を入手した時点で、商用利用可否・クレジット表記の要否・動画プラットフォームでの利用可否の3点を確認し、メモに残す。後回しにすると必ず抜ける。
特に注意が必要なのはBGMだ。「フリーBGM」と表記されていても、YouTube上で著作権クレーム（Content ID）が付くことがある。クレームが付くと収益が権利者側に回る、あるいは特定地域でブロックされる。1本目は編集ソフト内蔵の商用利用可トラックだけを使うのが最も安全で、慣れてから外部のライブラリに広げるのがよい。
何本作れば伸び始める？
一般化はできない。筆者の運用では、雑学ジャンルのチャンネルが60本で登録者1,120人・総再生281万回に到達した一方、睡眠系のチャンネルは110本で登録者121人・総再生12.5万回にとどまっている。
この差から言えるのは、本数より「ジャンルとレコメンドの相性」「フックの質」のほうが効くということだ。20〜30本投稿しても視聴維持率のカーブが3秒で急落し続けるなら、本数を増やす前に工程1（企画）と工程2（フック）に戻るべきである。逆にカーブが健全なのに表示が伸びないなら、投稿頻度を上げる価値がある。数字がどこで悪いかによって、増やすべきものが変わる。
台本をAIに書かせると内容が似てしまう。どう差をつける？
AIには「ゼロから出させる」のではなく「自分の材料を拡張させる」使い方に切り替える。自分の経験・実測値・一次情報を先に用意し、その言い換えと構成だけをAIに任せる。
具体的には、企画段階で自分が説明できるネタを10個書き出し、それぞれに「意外性のある切り口を3つ」提案させる。この形にすると、核となる情報は自分のものになり、AIは表現の最適化だけを担当する。加えて、数字を1本につき1つ入れる（自分で調べた数字なら理想的）ルールを設けると、他チャンネルとの差が明確になる。
縦動画の書き出し設定は結局どれが正解？
1080×1920・30fps・H.264（MP4）・ビットレート10〜16Mbps・音声AAC 192kbps／48kHz・尺60秒未満、が汎用的な出発点になる。
これで問題が出るケースはほとんどない。素材がすべて60fpsで統一されている場合のみ60fpsを検討するが、静止画中心なら30fpsで十分だ。音量はラウドネス−14 LUFS前後を目安にすると、プラットフォーム側の音量正規化で不自然に絞られにくい。書き出したら必ずスマホ実機で再生し、字幕が切れていないか・音が小さすぎないかを確認する。
AIショート動画の作り方を覚えたら、次は自動化すべき？
3〜5本を手作業で完成させてからにしたほうがよい。手作業で工程を通していないと、自動化したときにどこで品質が落ちたのか特定できなくなる。
自動化の対象として費用対効果が高いのは、台本生成→音声生成→字幕付与の連結部分だ。逆に企画とフックの検証は自動化しないほうがよい。ジャンルを絞ったうえでの自動化パイプラインの具体像は雑学 ショート 自動生成 やり方で扱っている。
まとめ
AIショート動画の作り方は、「企画・台本・音声・映像素材・字幕・書き出し・投稿と測定」の7工程に分解すれば、初めてでも今日1本を完成させられる。ポイントを整理する。
- 工程を分けずに「全部やってくれるツール」を探すと1本目が完成しない。まず分解する
- AIに任せて事故が起きにくいのは台本・音声・字幕。企画と最終チェックは人間が握る
- 1本目は「静止画＋ゆっくりズーム」「30〜45秒」「装飾なし」に絞ると完走できる
- 実際に詰まるのは生成ではなく音声と字幕の同期。台本→音声→字幕の順序を崩さない
- 書き出しは1080×1920・30fps・10〜16Mbpsを出発点にし、スマホ実機で確認する
- 投稿後は視聴維持率のカーブを見て、悪かった指標に対応する工程に戻る
- 無料構成で0円完走は可能。課金が要るのはTTSの生成量・動画生成AI・ウォーターマークの3点
- 本数だけ増やしても伸びない。1本目で決めた設定をテンプレート化し、企画に時間を戻す
次にやることを順番に示す。
- まず本記事の工程2〜3を実際になぞって、台本と音声を1本分作る。プロンプトの型はAI 台本 プロンプト 例 ショートを、TTSの選定は無料 音声合成 比較 2026を参照する
- 工程5の同期作業でつまずいたら、CapCut 自動字幕 精度 日本語で自動字幕の癖と修正手順を確認する
- 1本完成したら、使うツールを固定するためにAI 動画 自動生成 無料 比較で無料枠と有料プランの境目を把握しておく
- 3〜5本を手作業で作り切ったら、雑学 ショート 自動生成 やり方に進み、工程の連結を自動化する
- 収益化を目標に据える段階になったら、youtube AI コンテンツ 収益化 停止 対策でポリシー面のリスクを潰しておく
1本目は遅くていい。遅い理由の大半は「設定を決めている時間」であり、それは2本目以降に効いてくる投資である。