少し前、副業について真剣に考えていた時期がありました。
「今の時代、副業といえばやっぱりYouTubeかな」と。
自分がやっているAI活用の話を動画にして発信できたら、もしかしたらお金になるかもしれない——。
今考えれば、だいぶ甘い見込みでした。
ただ、当時の自分には大きな壁がありました。
動画編集のスキルが、まったくない。
副業にYouTubeを考えていた
ソフトを少しだけ触ったことはあるけど、どこをどうすればいいか全然わからない。
おまけに、「人が面白いと思うものを作る」センスにも自信がない。
でも、こう思ったんです。
「AIの力を使えば、なんとかなるんじゃないか」と。
AIエージェント×Remotionという"希望の光"
「YouTubeをAIで動画編集する方法」を調べていると、あるツールの組み合わせに出会いました。
AIエージェントとRemotion（リモーション）です。
Remotionというのは、プログラミングのコードで動画編集ができるツールのことです。
そしてAIエージェントは、そのコードをAIが自動で書いてくれる仕組み。
コーディングが得意なAIエージェントと、コードで動かせる動画ツールを組み合わせれば——理論上は、動画編集を丸ごとAIに任せられる、ということです。
そのときに見たYouTubeの動画が、本当にすごかった。
https://youtu.be/ubCU8hn5dZk?si=k15Wb_Djr6EHIFFj
画面の隅っこでキャラクターが喋りに合わせて口を動かしていて、テロップもきれいで、画面構成もわかりやすい。
「この声、若い女性かな」と思っていたら、動画の後半で「すべてAI生成の合成音声です」と明かされました。
これが全部AIで作れるなら、自分にも同じクオリティのものが作れるんじゃないか。
そう思ったんです。
実際にやってみた
ちょうどそのころ、友人と一緒にゲームの動画を撮って、お互いに見せ合うという趣味がありました。
その動画をソース素材にして、AIエージェントに丸投げしてみました。
指示はシンプルに、「この動画を編集してください」。
完成したのは、赤いワーンワーンだけだった
出来上がった動画を再生して、最初は意味がわかりませんでした。
音量が大きくなるたびに、画面全体に赤いエフェクトが出てくる。
喋っている内容も、映像の中のシーンも、まったく関係ない。
ちょっと大きい声で喋ると、すぐワーンと出てくる。
動画編集ではなく、音量計でした。
AIには、映像が"見えていない"
なぜこうなったのか、後から調べてわかりました。
AIには大きく2種類があります。
テキストを理解して言葉を生成するLLM（言語モデル）と、画像や動画を見て理解できるVLM（視覚言語モデル）です。
使っていたAIエージェントが処理できたのは、動画の「音」の情報だけでした。
映像の内容——ゲームの画面に何が映っているか、どんな場面か——は、AIには見えていなかったんです。
だから唯一判断できる「音量の大きさ」でエフェクトをつけるしかなかった、ということです。
YouTubeで"全自動AI動画"を作っている人は、バケモノだった
この失敗を通じて、最初に見たあの動画のすごさを改めて実感しました。
AIを使って、あのクオリティを出せている人たちは、丸投げしているわけじゃなかったんです。
AIに何をどう渡すか、どう組み合わせるか、どのAIのどの機能を使うか——そこに相当な知識と試行錯誤が詰まっている。
「全自動」に見える動画の裏には、人の判断と努力がある。
AIに自分の意志を乗せること
この体験で気づいたのは、AIが盛んな時代にこそ、人の関与が差を生むということです。
AIに丸投げしても、出てくるものはみんな同じになっていく。
でも、そこに自分の情熱や意志や考え方を乗せると、人と違うものができる。
自分が情熱を持てるところに時間をかけて、自分の意志を反映させたコンテンツを作ること。
それが、AIが当たり前になったこの時代に、人と差のある発信をするための本質だと思っています。
動画編集の挑戦は失敗しましたが、得たものは大きかったです。