ミセルラボ日誌11分のゲーム実況から、ショート動画3本を約2分で自動で作った話
長い実況動画からショート向けの場面を探すのは、意外と時間がかかります。そこで、見どころを自動で選んでショート動画まで仕上げる社内ツールを作ってみました。
材料：自分たちの11分の実況動画
試験に使ったのは、私たちのゲーム「ぷるぷるスライム ダンジョン」を自動でプレイして録画し、ずんだもん(VOICEVOX)の実況音声とBGMを付けた 11分10秒 の動画です。
テレビ番組などの他人の映像は使わず、権利がはっきりしている自分たちの映像だけで試しています。
仕組み：4つのステップ
- 音声認識：faster-whisper の small モデルで、実況の日本語を文字にします。GPUではなく、PCのCPUで動かしています。
- 1秒ごとに点数をつける：声の大きさ、「やった」「進化」「王様」などのキーワード、話す速さ、画面の切り替わりを組み合わせます。
- 区間を選ぶ：点数が高い約30秒の区間を3つ選びます。文の途中で切れないよう、区切りは文の始まりと終わりに合わせます。
- 縦動画にする：ffmpeg で、字幕・タイトル・クレジット・最後にゲームのURLを入れて書き出します。
結果：約2分20秒で3本
処理時間は 約2分20秒(そのうち音声認識が96秒)でした。
選ばれた3区間は、どれも実際の見どころでした。
- スライムが「王様」に進化する場面
- B2Fクリアと進化
- B4Fクリア
うまくいかなかったこと
- 音声区間の検出(VAD)：オンにすると、最初の1〜2分しか認識しませんでした。今はオフにしています。
- 聞き間違い：「B2F」を「B2回」と聞き取るなどの誤認識がありました。固有名詞の辞書を作って置き換えています。
- 選ばれなかった見どころ：2回目の進化と、B5Fを制覇する場面は順位に入りませんでした。点数のつけ方はまだ調整が必要です。
AIに画面を細かくチェックしてもらった
デザイン確認担当のAIに、できた動画の画面を見せたところ、直す点が7つ出てきました。たとえば次のような点です。
- クレジットの文字が、YouTubeの画面下のボタンに隠れる位置にあった → 上に移動
- 字幕が画面の幅からはみ出していた → 文字を小さくし、1行の文字数を減らした
直している途中で、もう一つ問題が見つかりました。長さ0秒の字幕が1つ混ざると、タイトルの字幕がまるごと表示されなくなる のです。0秒の字幕を入れないようにして解決しました。
そうして仕上げた1本を、2026年10月19日にYouTubeに公開しました。
次にやること
- 人の声の実況で、もう一度試す
- 手で編集する場合と比べて、実際に何分短くなったかを測る
測れたら、その数字もこのブログに書きます。