WEBVTT

00:00:02.770 --> 00:00:13.170
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。

00:00:14.870 --> 00:00:25.750
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。

00:00:27.410 --> 00:00:33.450
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。

00:00:34.590 --> 00:00:46.830
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、

00:00:48.170 --> 00:00:53.090
出勤まで残り20分、急いで撮ってみてます。

00:00:54.790 --> 00:01:03.250
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。

00:01:04.630 --> 00:01:17.050
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、

00:01:17.990 --> 00:01:23.530
それを一応聞いて問題なければ投稿予約して完了です。

00:01:25.470 --> 00:01:35.930
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。

00:01:37.330 --> 00:01:38.390
AIのおかげでした。

00:01:44.970 --> 00:01:51.690
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。

00:01:53.050 --> 00:02:02.910
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。

00:02:04.530 --> 00:02:07.770
拍手が2回入ればここにBGMを入れる。

00:02:08.890 --> 00:02:12.790
拍手が1回なったらここにページをめくる音を入れる。

00:02:13.850 --> 00:02:21.950
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。

00:02:24.020 --> 00:02:30.860
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。

00:02:32.580 --> 00:02:43.960
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。

00:02:43.960 --> 00:02:48.300
多分これも自動的にできると思います。

00:02:50.300 --> 00:02:51.980
やるのはこれだけです。

00:02:53.960 --> 00:03:03.840
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。

00:03:03.840 --> 00:03:16.780
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。

00:03:18.100 --> 00:03:27.720
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。

00:03:28.960 --> 00:03:42.380
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、

00:03:42.940 --> 00:03:49.560
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。

00:03:51.380 --> 00:04:01.960
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。

00:04:03.640 --> 00:04:08.960
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。

00:04:10.920 --> 00:04:13.120
音量調節についてもそうですね。

00:04:14.800 --> 00:04:20.120
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。

00:04:22.440 --> 00:04:29.480
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。

00:04:32.700 --> 00:04:36.900
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。

00:04:38.840 --> 00:04:45.180
区切りの音については白紙なので、波形で話が済みます。

00:04:46.720 --> 00:04:55.600
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。

00:04:57.600 --> 00:05:04.680
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。

00:05:06.080 --> 00:05:07.440
これを転用しています。

00:05:09.640 --> 00:05:13.900
そして一番難しかったのが間の調節です。

00:05:15.540 --> 00:05:23.020
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。

00:05:25.280 --> 00:05:34.120
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、

00:05:35.160 --> 00:05:40.740
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、

00:05:42.930 --> 00:05:46.310
じゃあこれを自動化したい場合、どうしましょう?

00:05:48.160 --> 00:05:52.640
一番わかりやすいのはまず文字起こしを作って、

00:05:53.400 --> 00:06:01.580
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、

00:06:02.540 --> 00:06:04.300
日本語って難しいですよね。

00:06:06.260 --> 00:06:13.080
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。

00:06:14.880 --> 00:06:27.320
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。

00:06:28.980 --> 00:06:38.020
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。

00:06:39.620 --> 00:06:43.600
比較的私はテンポの早い方なんですけど、

00:06:45.660 --> 00:06:49.480
だいたい中央値が0.9秒くらいですかね。

00:06:50.920 --> 00:06:54.640
そんな中でも2,3秒待つような間があったりしました。

00:06:56.700 --> 00:07:04.560
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、

00:07:05.180 --> 00:07:11.780
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。

00:07:13.400 --> 00:07:20.920
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。

00:07:22.620 --> 00:07:29.760
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、

00:07:30.600 --> 00:07:36.000
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。

00:07:38.510 --> 00:07:45.370
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、

00:07:45.470 --> 00:07:51.730
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。

00:07:53.550 --> 00:07:56.370
収録の効率もだいぶ上がっています。

00:07:58.260 --> 00:08:06.240
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、

00:08:07.080 --> 00:08:13.600
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。

00:08:15.580 --> 00:08:23.640
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、

00:08:23.640 --> 00:08:30.200
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、

00:08:30.740 --> 00:08:35.720
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。

00:08:37.820 --> 00:08:44.300
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。

00:08:44.300 --> 00:08:55.640
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、

00:08:56.140 --> 00:08:59.900
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。

00:09:02.000 --> 00:09:04.900
もし作ってみたい方は参考にしてみてください。

00:09:06.840 --> 00:09:12.940
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。

00:09:14.420 --> 00:09:18.600
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、

00:09:19.660 --> 00:09:26.800
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。

00:09:28.420 --> 00:09:36.400
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。

00:09:38.120 --> 00:09:47.540
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、

00:09:48.640 --> 00:09:54.840
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。

00:09:56.740 --> 00:10:06.280
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。

00:10:07.380 --> 00:10:13.240
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。

00:10:14.800 --> 00:10:21.200
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。

00:10:22.860 --> 00:10:33.200
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、

00:10:34.240 --> 00:10:41.560
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、

00:10:42.700 --> 00:10:50.440
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。

00:10:52.120 --> 00:10:57.160
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、

00:10:57.900 --> 00:11:03.180
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、

00:11:04.360 --> 00:11:07.960
画像生成だけはCodexに依頼をしています。

00:11:10.150 --> 00:11:14.430
ですのでクロードコードで自動で編集しながら、

00:11:14.430 --> 00:11:23.490
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、

00:11:23.910 --> 00:11:27.690
出来上がったら私の番組のロゴを挿入して、

00:11:28.910 --> 00:11:32.930
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。

00:11:34.850 --> 00:11:39.850
という感じで、今完全に自動化できるようになりました。

00:11:46.080 --> 00:11:52.100
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。

00:11:53.600 --> 00:11:55.040
参考になったでしょうか?

00:11:56.360 --> 00:12:02.520
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。

00:12:04.460 --> 00:12:10.020
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。

00:12:10.020 --> 00:12:16.020
ですので多分無料版だとできないとは思うんですけど、

00:12:16.420 --> 00:12:21.840
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。

00:12:23.620 --> 00:12:29.320
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、

00:12:29.900 --> 00:12:34.420
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。

00:12:35.520 --> 00:12:41.500
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。

00:12:43.400 --> 00:12:51.080
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。

00:12:53.000 --> 00:12:55.960
ということで時間ギリギリ何とか間に合いました。

00:12:57.800 --> 00:12:59.360
今回はここまでです。

00:12:59.980 --> 00:13:01.980
お聞きいただきありがとうございました。

00:13:01.980 --> 00:13:03.540
かねまるでした。