動画編集のカットとテロップをAIで半減させる方法｜設定値と限界

公開日: 2026年9月1日最終更新: 2026年9月12日執筆: 山田一真（カズマル）｜株式会社ブイスト代表

はじめまして。この記事を書いた人です

山田一真（カズマル）動画編集スクール「ブイプロ」代表／株式会社ブイスト

2019年12月、報酬500円の動画編集案件から個人で仕事を始める
個人受注から法人・代理店の案件へ広げ、2022年に株式会社ブイストを設立
2025年8月、同社の株式を株式会社エフ・コード（東証グロース・9211）へ譲渡。現在も福岡を拠点に運営を継続
受講生から寄せられた成果報告延べ555件・実人数380名を自社で集計し、内容を公開している

この記事を書ける理由：ここに書いた設定値は、僕が自分の案件でPremiere用のカット・テロップ自動化を組んで、ジャンルごとに閾値を振り直しながら決めたものです。語尾が痩せる、固有名詞が化けるという失敗も一通り自分でやりました。

動画編集のカットとテロップは、AIで作業時間を半分以下にできます。ただし自動化できるのは「下ごしらえ」までです。無音を機械的に落として、発言ごとの白文字テロップを並べるところまでは数秒〜数分で終わります。一方で、間を残す判断・語尾の扱い・固有名詞の確定は、人間の仕事として最後まで残ります。

この記事は、僕（ブイプロ／株式会社ブイスト代表・山田一真）がAI実演セミナーで公開した内容から、カットとテロップの自動化を「実務でどう設定するか」だけに絞ってまとめたものです。5工程全体の話はAI動画編集の5工程にあるので、全体像から知りたい方はそちらを先にどうぞ。

この記事でわかること

カット・テロップの工程を分解したとき、どこまでが自動化可能で、どこからが人間の判断なのか
無音カットの設定値をジャンル別・案件別にどう決めるか（トーク系／セミナー系／エンタメ系で無音の扱いが違う理由）
自動テロップが崩れる典型パターンと、修正が必要な箇所の見つけ方
「自動化すると品質が落ちる」3つの箇所（語尾・固有名詞・間）
ツール種別ごとの向き不向きと、案件別チューニングができるかどうかの差
時間が浮いたぶんを、単価が下がる方向ではなく上がる方向に使う考え方

結論：AIが担うのは「下ごしらえ」、人間が担うのは「味付け」

セミナーの実演では、Premiere Pro内で動くカットプログラムの「無音カット実行」ボタンを1回押すだけで、素材の後ろから順に無音区間が落ちていく様子を見せました。テロップも同じで、生成ボタンを押しておよそ5〜8秒で、発言ごとに区切られたテロップのシーケンスが出来上がります。

ただ、そこで止めるのは僕ははっきり反対です。全自動でカットしたやつでOK、というのはダメだと思っていて、お客様から依頼をいただいている以上、AIが行った処理をちゃんと人間が見て、最後は人間が判断するべきなんですよね。ここは間を残そう、ここは逆に伸ばそう、ここはもっと削ろう——その判断に脳のリソースを使うために、まず機械的な無音をまとめて消す。順番が逆ではありません。

編集工程全体としては、1本あたり10時間かかっていた作業が2時間程度になるイメージです。テロップ作業についても、今までは数時間かかっていたものが、だいたい1時間で終わる水準まで落ちています。

工程別の自動化可否と削減率の目安

工程	自動化	AIが出すところ	人間が必ず入るところ	削減率の目安
文字起こし	ほぼ全自動	タイムコード付きの全文	固有名詞・専門用語の確定	8〜9割
無音カット	全自動	閾値どおりの一括カット	残す間の選定・繋ぎの微調整	7〜8割
言い直し・言い換えのカット	条件付き	候補の抽出と一括処理	意図的な言い直しの救出	5〜6割
1フレーム単位の詰めカット	部分的	「絶対に切ってよい」箇所のみ	テンポ設計・残りの詰め	3〜4割
テロップ生成（文字入れ）	ほぼ全自動	発言単位の白文字テロップ	意訳・改行・不要箇所の削除	7〜8割
テロップデザイン適用	全自動	登録済みスタイルの一括適用	強調テロップの選定	8〜9割
アニメーション・SE適用	半自動	ボタン1つでプリセット適用	どこに当てるかのタイミング	5〜7割
誤字脱字チェック	ほぼ全自動	候補箇所の列挙と理由	採用可否の最終判断	8〜9割
フレームずれ検出	全自動	境界のズレを機械的に列挙	直すかどうかの判断のみ	9割
構成・カット設計	不可	—	全部	0割

削減率は案件の尺・話者数・素材の状態によって変わるので、あくまで社内実務での目安です。表の一番下、構成とカット設計だけは削減率0割。ここがこの記事の主張です。

無音カットの設定は「案件ごと」に決める

自動カットで最初につまずくのが、設定値をひとつに固定してしまうことです。僕もそこで一度やらかしました。この無音っていうのはどういう定義なのか。これも案件ごとに決めるべきなんですよね。

カットで触るべきパラメータ

実演で見せたカットプログラムの操作パネルには、次の項目が並んでいます。汎用サービスの「自動カット」ボタン1つとの決定的な差は、この粒度で触れるかどうかです。

無音カットの強さ：どこまで攻めるかの全体感
区切る無音の長さ：何秒以上の無音をカット対象とみなすか（最重要）
セリフ前の余白／セリフ後の余白：発話の前後に何フレーム残すか
エアーを削る：息継ぎ・環境音のみの区間の扱い
言い直し・言い換えも切る：同じ内容を繰り返した箇所の処理
LLMの判断も使う：音量だけでなく発話内容から要否を判定させる
実行前にバックアップ複製を作る：やり直せる状態を必ず確保する

最後の1つは地味ですが必須です。自動処理は一発で全体に効くので、元シーケンスの複製を残さないまま実行すると戻れません。

ジャンル別・無音カット設定の目安

ここが本記事の保存部分です。セミナーで話した具体値（ビジネス系0.3秒／エンタメ系1〜5秒）を軸に、案件種別ごとの考え方を整理しました。数値は出発点です。素材を1本流して耳で確かめてから固定してください。

ジャンル	区切る無音の長さ	セリフ前後の余白	言い直しカット	設計の考え方
ビジネス・ノウハウ系トーク	0.3秒以上	前後 2〜3フレーム	ON	情報密度が価値。間はほぼ不要で、テンポを最優先に詰める
セミナー・講義系	0.5〜0.8秒以上	前後 3〜5フレーム	ON（弱め）	理解の余白が必要。詰めすぎると受講者が消化不良を起こす
対談・複数人トーク	0.8〜1.0秒以上	前後 4〜6フレーム	OFF推奨	相槌・かぶりが会話の空気。短い無音を切ると不自然になる
エンタメ・バラエティ	1秒／3秒／5秒で段階運用	前後 5フレーム以上	OFF	「絶対いらない長い空き」だけ落とす。間そのものが笑いになる
ショート・リール・TikTok	0.2〜0.3秒以上	前後 1〜2フレーム	ON（強め）	離脱との勝負。ただし1フレーム単位の詰めは自動化しきらない
広告動画	0.3秒以上	前後 2フレーム	ON	秒数制約が厳しい。台本尺に合わせて閾値ではなく尺から逆算
企業PR・インタビュー	1.0秒以上	前後 6フレーム以上	OFF	ブランドの落ち着きが優先。切りすぎるとせっかちな印象になる

エンタメ系については、セミナーでこう説明しました。「複数人が喋っていたりするから、0.3秒無音とかそういう短い無音を消すと変な感じになっちゃうかもしれない。だからエンタメ系に関してはとりあえず1秒空くところは切ってとか、3秒空くところ、5秒空くところは絶対いらないじゃん、じゃあそこを切ろう」。同じ「無音カット」でも、狙いが真逆になるということです。

案件種別ごとの効きやすさ

ブイプロ受講生の成果報告フォーム（回答555件・複数選択・延べ件数）で、実際に取り扱われている案件種別の分布は次のとおりです。自動化の投資対効果は、自分がどの種別を主戦場にしているかで変わります。

案件種別	件数（延べ）	カット自動化の効き	テロップ自動化の効き
YouTube長尺動画	287	非常に高い	非常に高い
YouTubeショート	181	中（詰めは手動）	高い
Instagramリール	129	中	高い
TikTok	103	中	高い
サムネイル制作	79	対象外	対象外
広告動画	77	中（尺逆算が主）	中
ディレクション・運用代行	65	間接的	間接的
企業PR動画	48	低〜中	中
セミナー・講義動画	45	非常に高い	非常に高い

長尺とセミナー動画は、素材が長くて発話が中心なので自動化の効果が最も大きい領域です。逆にサムネイルは対象外。ショート系は「テロップは効くけどカットの詰めは手で残る」という構造になります。

AIテロップは「白文字の下地」までが担当

自動テロップの出力は、完成品ではありません。実演でも、生成直後の状態は白い文字が発言ごとに入っているだけで、そこから案件ごとのデザインをまとめて適用する流れを見せました。発言単位でエッセンシャルグラフィックスのファイルが入っているので、デザインの当て込みは一括で済みます。

この「下地→デザイン→意訳」の順番が効率のカギです。先にデザインを決め込んでから文字を直すと、修正のたびに見た目が崩れます。

AIテロップの精度と、修正が必要な箇所

崩れる箇所	具体例	なぜ起きるか	対処
固有名詞・人名	社名・商品名・登場人物名の誤変換	学習データにない語は音から推測される	案件ごとの用語辞書を作り、生成後に一括置換
同音異義語	「協調性」が「強調性」になる	文脈判定が効かない語がある	AI誤字脱字チェックを別工程で必ず通す
漢字とひらがなの使い分け	「〜という方」が「〜と言う方」になる	表記ルールは音声から判別できない	クライアント別の表記ルールを先に定義
数字・単位・英数字	「3万」「30,000」「3万円」の揺れ	表記の正解が案件依存	表記統一ルールを置換リストに含める
話し言葉の冗長さ	「〜というふうに」「まあ」「ちょっと」	文字起こしは発話をそのまま拾う	意訳ルールを整備。テロップは書き起こしではない
改行位置	単語や固有名詞の途中で改行される	文字数だけで機械的に折り返す	文節で割る。1行あたりの上限も併せて指定
表示尺のズレ	テロップが映像より1フレーム長い	境界が音声波形基準でズレる	フレームずれ検出を納品前に走らせる
話者の切り替わり	対談で発言が1つのテロップに混ざる	話者分離の精度が素材品質に依存	複数人素材は分離設定を強め、目視確認

誤字脱字の検出は、実演でもテキストを読み込ませて数秒で4件が挙がりました。これは人間がやっても漏れるので、AIにやらせた方がいい領域です。昔、動画編集者がやりがちな凡ミスをXに並べたとき、僕はリストの後半を全部「誤字脱字」で埋めました。ふざけたわけじゃなく、それくらい多いんです。目視チェックはその日の体調に左右されますが、機械は左右されません。品質チェック工程そのものの組み方はAIによる動画編集の品質チェックで詳しく扱っています。

自動化すると品質が落ちる3つの箇所

1. 語尾を切ってしまう

無音の閾値を攻めすぎると、語尾の余韻や、破裂音のあとの短い閉鎖区間まで無音と判定されます。結果、「〜です」の「す」が痩せる、語尾が食われて聞き取りにくい、という現象が起きる。対策はセリフ後の余白を必ず数フレーム確保すること。閾値を緩めるのではなく、余白パラメータで守るのが定石です。僕の判断基準はシンプルで、書き出したものを目をつぶって聞いて、不自然に感じないかどうか。それだけです。

2. 固有名詞が誤変換されたまま流れる

自動テロップで最も事故になりやすいのがここです。クライアントの社名・商品名・出演者名が誤字のまま納品されると、単なる誤字を超えて信用の問題になります。案件を受けた初回に用語リストを作って、以後は生成後に必ず通す。自動化とは「チェックを省くこと」ではなくて、チェックを機械が漏れなく回せる形に置き換えることです。

3. 間の意味を捨ててしまう

最も取り返しがつかないのがこれ。無音は「不要な空白」であるとは限りません。話し手が考えている間、聞き手に理解させる間、笑いの前の溜め——これらは全部、意図のある無音です。機械にはこの区別がつかない。だから「あえて間を残す、削る」というカット設計は人間の担当領域として残ります。

セミナーで何度も言ったのは、自分にできないことをAIにさせるように指示することは無理、という一点です。どこを残すべきか自分で言語化できないなら、そもそもプロンプトも設定値も書けません。編集力があるから自動化できる。この順番です。

ツール種別の比較

ここでは特定の製品名ではなく、タイプごとの構造の違いとして整理します。どれが優れているという話ではなく、案件の単価帯と要求品質で選び分けるものです。

種別	得意	苦手	案件別チューニング	向く場面
編集ソフト内蔵の自動文字起こし・字幕機能	導入コストゼロ。追加費用なし	カットの条件指定が粗い	ほぼ不可	まず自動化に触れてみる段階
汎用の自動編集Webサービス	操作が簡単で結果が早い	細かい要望に届かない。書き出し・再読み込みの往復が発生	限定的	低単価・短納期の量産案件
外部文字起こし＋手動流し込み	文字起こし精度を選べる	流し込みとタイミング合わせが手作業	可（ただし手間）	テロップ精度が最優先の案件
編集ソフト内で動く自作プラグイン	案件ごとに条件を定義できる。ソフト内で完結するため読み込みが速い	作るまでの学習コストがかかる	完全に可能	継続案件・複数チャンネルを抱える場合

自作型の利点として実演で挙げたのは2つ。1つは編集ソフトの中で完結するので他サービスを往復せずに済み、テロップ生成が数秒で終わること。もう1つは、案件ごとのテロップルールを適用できる柔軟性です。「この案件は何フレームを切る、この案件は逆に残す、この案件はこういう発言があった先は必ず切る」といった定義ができる。これが汎用サービスとの差になります。

実務への落とし込み手順

案件ごとの定義書を1枚作る：区切る無音の長さ、前後の余白、言い直しの扱い、テロップの表記ルールと用語辞書。まずは日本語の文章で書く
複製を取ってから実行する：元シーケンスは必ず残す。自動処理は一括で効くのでロールバック手段が命綱
カット→テロップ→デザインの順で回す：先にデザインを当てると修正のたびに崩れる
1本目は必ず全編を耳で確認する：閾値の妥当性は再生してみないと分からない。ここで設定を確定させる
誤字脱字チェックとフレームずれ検出を納品前の固定工程にする：目視ではなく機械で漏れなく
浮いた時間を演出・提案に回す：削るだけでは価値になりません

時間管理の枠組みそのものを見直したい方は動画編集の時間管理も併せてどうぞ。

自動化した時間を、どこに置き直すか

ここを外すと、自動化は自分の首を絞めます。セミナーでも言いましたが、シンプルな作業を時短しただけではお金を取ってはいけない。AIで時短できた分、浮いた時間でいい動画を作らないといけないんです。

単純作業が速くなっただけの状態は、誰でも到達できる場所です。もう「基本的な編集ができます」というのは編集者として弱い。カットやテロップ入れができるのは当たり前で、それをAIがやるようになったならなおさらです。差がつくのは、その時間で構成の再設計・演出の提案・デザインの検討といった、依頼主の目的に直結する仕事をどれだけ乗せられるか。カットの間の設計、どのテロップを強調するかの判断、クライアントのブランドを意識したデザイン——このあたりは、自動化した後にこそ時間を割く領域です。

ブイプロでは、AIによる時短と、そもそもの編集力の底上げを両輪で扱っています。カット・テロップの自動化を自分の案件に合わせて組みたい方は、まず無料相談から現在地を整理してみてください。

ブイプロの無料相談はこちら

よくある質問

Q1. どのツールを使えばいいですか？

A. 最初は編集ソフトに標準で入っている自動文字起こし機能で十分です。まず「自動化するとどこが崩れるか」を体感するのが目的だからです。継続案件が複数になり、案件ごとに条件が違って困り始めた段階で、自分の案件に合わせたプラグインを組む方向に進むのが現実的です。ツールを増やすより、自分の案件の条件を言語化する方が先です。

Q2. 自動テロップの精度はどれくらいですか？

A. クリアな1人語りの素材であれば、そのまま読める水準までは出ます。ただし固有名詞、同音異義語、漢字とひらがなの使い分けは高い確率で修正が必要です。実務上は「文字起こしは通るが、表記の統一は別工程」と捉えてください。複数人の対談や、環境音の多いロケ素材では精度が落ちるため、修正時間を見込んで見積もりましょう。

Q3. 自動化すると単価が下がりませんか？

A. 「作業が速くなったので安くします」と自分から提示すれば下がります。自動化の目的は値下げではなく、浮いた時間を演出・構成・提案といった別の価値に振り向けることです。編集で削った時間を、依頼主の目的に近い仕事に置き直せるかどうかが分かれ目になります。なお、報酬水準は案件内容・スキル・交渉によって大きく異なり、成果を保証するものではありません。

Q4. どこまで自動化していいのでしょうか？

A. 目安は「切っても絶対に問題ない箇所だけ機械に任せ、判断が要る箇所は人間が最後に触る」です。ショート動画の1フレーム単位の詰めのような繊細な作業も、完全自動にはせず、確実に切ってよい部分だけ処理させて残りを手でやるのが安全です。最終的に人間が全編を確認する工程は外さないでください。

Q5. 対談やインタビューなど、複数人の動画でも使えますか？

A. 使えます。ただし設定は1人語りと変えてください。相槌やかぶりがあるため、短い無音を機械的に切ると会話が不自然になります。区切る無音を長め（0.8〜1.0秒以上）に取り、言い直しカットはオフにするのが出発点です。要は、自分がどこをどう切ってほしいかを言葉にできるかどうかで、できる範囲が決まります。

まとめ

カットとテロップの自動化は、正しく組めば編集時間を大きく圧縮できます。ポイントは3つ。設定値は案件ごとに決めること、語尾・固有名詞・間という3つの落とし穴を人間が見ること、そして浮いた時間を価値のある工程に置き直すこと。この3つが揃って初めて、時短が単価につながります。

下ごしらえはAIに任せて、味付けは自分でやる。それが今のところ、いちばん品質と速度が両立する形です。

※本記事は編集実務の考え方を解説したものであり、収入や成果を保証するものではありません。記載の数値・設定値は社内実務および公開セミナーでの説明に基づく目安であり、案件・素材・使用環境により結果は異なります。ツールの利用にあたっては、各サービスの利用規約およびクライアントとの契約条件を必ずご確認ください。