はじめに：忙しい時代のAI編集
こんにちはかねまるです。 プラントライフは、化学プラントの技術者が、化学を軸に、皆さんの視野を広げていく番組です。
今回は、時間がないのでバタバタ撮っていきますけれども、そんな中で、 ああこれあってよかったなーって思ったものを一つ紹介します。
それが、ポッドキャストの編集をAIで自動化したことです。
そもそもですね、この収録自体のスケジュールを完全に読み間違えてて、次いつ収録できるかわからない状態だったので、
出勤まで残り20分、急いで撮ってみてます。
その時点で収録まで終わらせておきたいんですけど、普段だったらいろんな編集が残ってました。
でも今は、あと20分以内に収録さえ終えたら、私がホスティングしているリッスンの下書きページのところに保存されて、
それを一応聞いて問題なければ投稿予約して完了です。
そんな忙しい時代にぴったりのポッドキャスト自動編集、どんな感じでやったのかっていうのを参考に紹介してみようかなと思います。
AIを活用した収録フロー
AIのおかげでした。
現状今私が収録でやっていることとしたら、もちろん普通に話すこと。
あとはBGMとか、この番組だとページをめくる音が入ってますけど、その時に拍手を入れています。
拍手が2回入ればここにBGMを入れる。
拍手が1回なったらここにページをめくる音を入れる。
そんな感じです。収録しながら拍手を入れて、それで終わりです。
あとそういえば、ソロでやるからこそなんですけど、噛んだ時は1回収録し直しています。
これは自動化した時に変なミス多くなりそうだったので、私の収録ではあまり支障が出ないので手動で切ることにしました。
多分これも自動的にできると思います。
やるのはこれだけです。
あとは音量調節とか、間の調節とか、大体のことは自動でやってくれるようになって本当に助かりました。
自動化の背景と課題
やっぱり週に配信でポッドキャストを収録するっていうのが結構大変でして、撮れるタイミングっていうのも限られてますよね。
私の場合は朝起きて出勤するまでの間、出勤準備も含めて2時間ぐらいですかね。
その中でいかに効率的に収録して配信するかってやっていくと、基本的に間の詰め方とかだいぶん自分の中で固定化されてきて、
ページをめくる音とかBGMを入れるタイミングについてはもう完全に固定化されていました。
例えば話し終えてから3秒後にフェードアウトして、すぐBGMをつけて3秒後に話し始めるっていう感じに今なっています。
多少揺らぎはありますけど、私の番組はすべてこうなってます。
音量調節についてもそうですね。
だいたい決まった音に調節するので、かなり機械的になっています。
AI編集の具体的な仕組み：区切りと間
ということで、AI、特にクロードコードの力を借りて自動化してみました。
ここからどんな感じで編集していったのかっていうのを紹介します。
区切りの音については白紙なので、波形で話が済みます。
立ち上がりが急で高い音まで含んでいて、瞬間的に尖った音を白紙として検出させています。
BGMのフェードアウト、フェードインについては、もともと専用のものを作っていました。
これを転用しています。
そして一番難しかったのが間の調節です。
今までは収録しながらこの辺の間の方がいいかなっていうので、調節しながら収録していました。
例えば次話す内容を考えているときに、しばらく間が空いたらさすがに調節した方がいいので、
ざっくり2.5秒ぐらい空けようかなとか、そんな感じで収録してたんですけど、
じゃあこれを自動化したい場合、どうしましょう?
一番わかりやすいのはまず文字起こしを作って、
この文字が出てきた時に何秒空けるっていう感じで作るのがいいのはいいんですけど、
日本語って難しいですよね。
この文脈の時は空けてほしいけど、この文脈の時は空けないでほしいっていうのがあると思うんです。
ということで、私が持っている過去の音源、大量に集めて、間を作ってるであろう場所をとにかくAIに分析させてみました。
だいたい800箇所くらいをAIに分析させて、統計化して、自分らしい間の目標値を作ってみました。
比較的私はテンポの早い方なんですけど、
だいたい中央値が0.9秒くらいですかね。
そんな中でも2,3秒待つような間があったりしました。
文字起こしして、過去の話をしたものを統計化して、どう分析するかっていうと、
ここがAIのいいところで、今の時代は自然言語が使えるようになっています。
つまり、前後の文脈からこれぐらいの間っていうのを一個一個考えさせてみました。
これが結構ハマりまして、まだ100%いい間になってるわけではないんですけど、
かなり精度良く私の喋りっていうのを再現してくれるようになりました。
ということで、収録しながらちょっと考えすぎちゃった時の長い間とかを、
特に切ることもなく、そのまんま次の話し始めに使えるようになりました。
収録の効率もだいぶ上がっています。
AI編集の精度向上と使用ツール
ただ、これまでの最近の私のエピソードを聞いてもらったら、もしかしたら気づくかもしれないんですけど、
時々間が詰まっている話し方をしているタイミングが1箇所2箇所出てきます。
できる限り修正は加えて、ここの文章のところのこの間をもうちょっと伸ばしてほしいとか、
何秒くらいにしてほしいとか、そんな感じで一個一個フィードバックをかけて、
AIに覚えてもらって、次回から再現するようにしています。
あとはBGMを入れて、音量調節を自動でしてもらって、投稿です。
ちなみにソフト自体は、ベースをPythonで書いて、そこにFFMPEGっていう音声編集のソフトと、
Whisperっていう文字起こしのソフトを組み合わせて作っています。
もし作ってみたい方は参考にしてみてください。
ホスティングとサムネイルの自動化
編集が終わったら、私の場合はホスティングをしているリッスンへ投稿します。
リッスンっていうのはAPIというものが公開しておりまして、
APIっていうとプログラムを使ってやり取りができるようになる鍵みたいなものですかね。
自分の番組の情報を取得したりとか、反対に編集したり削除したりっていうのも設定できるようになります。
このAPIを使って、自動的に編集した音源とか、事前に用意した概要欄の内容とか、
これらをすべて自動的にリッスンの下書きのところに追加してもらうようにしました。
ということで、今からもそうなんですけど、収録が終わったら自動で編集をしてもらって私は出勤します。
その間に編集が終わってリッスンの下書きのところに保存がされています。
これを帰りの車の中で聞きながら検聴をするっていう感じになっています。
ちなみにサムネイルについても自動で作るようにしておりまして、私はChatGPTのGPT Image2を使っておりまして、
これもCodexっていうクロードコードのChatGPT版みたいなものがありまして、
これ実はクロードコードもCodexもそうなんですけど、お互いに処理をお願いすることができます。
何を言いたいかっていうと、ベースはクロードコードで処理をして、
必要なときにCodexにこれやってってお願いすることができまして、
画像生成だけはCodexに依頼をしています。
ですのでクロードコードで自動で編集しながら、
その文字起こしした文章の内容を使ってCodexにこの内容に合うようなサムネイルを作ってもらって、
出来上がったら私の番組のロゴを挿入して、
あとはリッスンの下書きのところに追加してもらいます。
という感じで、今完全に自動化できるようになりました。
まとめと今後の展望
今回は私のAIを使ったポッドキャストの自動化の話をしてみました。
参考になったでしょうか?
こういう考え方でやると意外と編集っていうのは楽になるんです。
一応お伝えしておくと、私はChatGPTもクロードも課金しています。
ですので多分無料版だとできないとは思うんですけど、
これからの長い時代、時間を変えるっていうのはかなり大きいと思っています。
参考にしていただいて、もしわからないところがあればコメントいただくとか、
Xでハッシュタグプラントライフをつけて発信してもらっても大丈夫です。
ちなみにノートにその内容を公開していますので、そのリンクもつけておきます。
一緒に収録の楽しみだけを味わいながら、大変な編集のところは自動化してみませんか。
ということで時間ギリギリ何とか間に合いました。
今回はここまでです。
お聞きいただきありがとうございました。
かねまるでした。