AIでショート動画を作り続ける工程──固定する5つと、毎回変える3つ

AIでショート動画を作り続けるときに効いてくるのは、ツールの選定ではなく「毎回同じにする部分」をどれだけ増やせるかだ、というのが当サイト運営者の実制作から出た結論です。縦動画を投稿し続けるなかで固定しているのは出力仕様・尺の計算式・1枚あたりの情報量・音声・書き出し設定の5つで、毎回変えているのはテーマ・スライド枚数・デザインの3つだけ。ツールを何にするかは、この固定部分が決まったあとの話になります。以下、YouTubeヘルプの原文（2026年8月14日確認）で押さえるべき数値と、その上に載せている工程を順に書きます。

• YouTubeヘルプの記載では「動画の長さが 3 分以下で、アスペクト比が正方形または縦長の場合」にショート動画として扱われ、「アップロードできるショート動画の最大解像度は 1080p です」（2026年8月14日確認）
• 尺は台本の文字数から逆算できる。当サイト運営者の実測レートは0.165秒/字（VOICEVOX読み上げ・長尺3本の実尺で校正）で、15秒なら約90字、30秒なら約180字
• 1枚のスライドに置く要素は最大5個。ヘッダー・タイトル・定義・強調・バッジなど8〜10要素を積んだ試作は「文字数が多くてショート向きか微妙」と判断してボツにした

工程を7つに割る

「AIでショート動画を作る」という一言を、作業単位に割ると次のようになります。ここで大事なのは、7つのうち5つが毎回同じ手順で回せるということです。

工程3以外はテンプレート化できます。逆に言えば、毎回ツールを選び直す作り方をしていると、この5つが全部「毎回考える対象」に戻ってしまい、本数が伸びません。

固定その1：出力仕様は公式の数値だけで決める

まず何ピクセルで作るかを固定します。YouTubeヘルプの記載を並べます。

「YouTube 動画をアップロードする - Android」のページには、**「動画の長さが 3 分以下で、アスペクト比が正方形または縦長の場合」**にショート動画として扱われる旨が記されています。同じページでタイトルは「最大 100 文字」、説明は「5,000 文字」と示されています（いずれも2026年8月14日確認）。

「YouTube ショートの作成を始める」のページでは、**「最大 3 分までの動画を簡単に作成できます」「アップロードできるショート動画の最大解像度は 1080p です」**と記されています。

「動画の解像度とアスペクト比」のページには**「パソコン上での YouTube の標準アスペクト比は 16:9 です。」とあり、続けて「パソコンのブラウザで 9:16 の縦向き動画を視聴する場合など、動画とデバイスのアスペクト比によっては、視聴環境を最適化するために余白が追加されることがあります。」と書かれています。同ページの推奨解像度の表では1080p（HD）が1920x1080**です。

ここから当サイト運営者が使っている運用値が1080×1920です。ただしこの数値そのものはヘルプに書かれていません（後述の但し書き参照）。書き出し設定は「YouTube にアップロードする動画におすすめのエンコード設定」の推奨値をそのまま使います。

この表は一度決めたら二度と触りません。ビットレートを毎回考え直す時間は、台本に回したほうが結果に効きます。

固定その2：尺は文字数から逆算する

ショートで一番よく失敗するのが「話しきれずに途中で切れる」「逆に無音が余る」です。これは台本を書いてから尺を測るからで、順番を逆にすれば起きません。

当サイト運営者が長尺解説動画で測った換算レートは0.165秒/字です。もともとは文字数からのざっくり推定で見積もっていましたが、実尺は推定より伸びました。実測では488秒の見積もりに対して514秒、495秒の見積もりに対して538秒。この3本分を突き合わせて0.165秒/字に校正しています（2026年7月3日時点の実測値）。これはVOICEVOXの読み上げ速度で測った値です。

このレートで逆算すると、台本に書ける文字数の上限が先に決まります。

当サイト運営者が別チャンネルで運用しているQ&A形式のショートは、15〜30秒を推奨帯としています。この場合、台本は90〜180字。原稿用紙半分以下です。この上限を先に置いてから書き始めると、「入りきらない話」を書いてしまう事故が消えます。

なおスライド枚数の目安は、1枚あたり1〜3秒という表示時間から出しています。統計ではなく制作実績からの目安です。

固定その3：1枚に1点しか置かない

ここが、ツール紹介型の記事に書かれていない部分です。当サイト運営者の失敗記録を先に書きます。

2026年5月、「AIエージェントって何？」という題材で5案を試作した際、1枚のスライドに次を積みました。チャンネル名、シリーズ番号、カテゴリ、タイトル、サブタイトル、定義文、「考えて動く」の強調、30秒バッジ、旅行の例え、EP.01のフッター。平均で8〜10要素です。結果、**「文字数が多くてショート向きかと言われたら微妙」**という判断になり、方向ごとボツにしました。

原因は、横型の解説動画のスライド設計をそのまま縦に持ち込んだことです。ショートの視聴条件は横型と違います。

ここから決めた固定ルールが**「構成要素は最大5個」**です。内訳はヘッダー／タイトル／答え1行／数字かバッジ／フッター。これ以上は入れません。

物理的な制約もあります。1080px幅でカタカナ8文字を1行に置く場合、フォントサイズの上限はおよそ100〜110pxです。文字を大きく取れる構成を先に逆算すると、そもそも要素は5個しか置けません。ここは好みではなく計算で決まります。

捨てる側の基準を3つ持つ

「◯個の無料ツール」型の記事は足す話しか書きませんが、ショートを継続的に出す作業の実体は捨てる作業です。当サイト運営者が使っている判定基準は3つです。

1. 「これも入れたい」と思った瞬間に、その要素は次のスライドへ回す。 同じ枚に足さない。複数スライドの連結が正解で、1枚の密度を上げるのは不正解、と割り切ります。

2. 例示・補足・条件は本編の長い動画に送る。 ショートは引きだけを担当させます。ショートで説明を完結させようとした瞬間に文字が増え、読まれなくなります。

3. 数字は1枚に1つまで。 2つ並べると、どちらも読まれません。比較を見せたいなら2枚に割ります。

この3つは、どのツールを使っていても効きます。逆にツールを変えても、この基準がないと同じ密度の失敗を繰り返します。

固定その4：音声とクレジット表記

当サイト運営者はVOICEVOXで読み上げを作っています。VOICEVOX公式の「VOICEVOX ソフトウェア利用規約」には**「商用・非商用問わず利用することができます」「ご利用の際は VOICEVOX を利用したことがわかるクレジット表記が必要です」「作成された音声を利用する際は、各音声ライブラリの規約に従ってください」**と記されています（2026年8月14日確認）。

つまり規約は2階建てです。ソフト本体の規約と、キャラクター音源側の規約が別にあります。ショートは概要欄が読まれにくいぶん、クレジット表記の置き場所をテンプレート側に固定しておくのが安全です。この2階建ての構造と具体的な表記例はVOICEVOXは商用利用できる？──ソフトとキャラ音源、2つの規約とクレジット表記の書き方で詳しく扱っています。

固定その5：テロップは焼き込む

YouTubeには字幕機能があり、「字幕を追加する」のヘルプページでは字幕の追加方法として「ファイルをアップロード」「自動同期」「手動で入力」と、YouTubeの音声認識技術による自動字幕起こしが挙げられています。ただし同ページには**「1 時間以上にわたる動画や音声品質の悪い動画の文字起こしはおすすめしません」**という注意も記されています。

ショートの場合、当サイト運営者は字幕機能ではなく動画に焼き込む方式をとっています。縦画面はUI要素が画面下部に重なるため、字幕の表示位置を自分で決められる焼き込みのほうが事故が少ないためです。

なお制作環境側の制約として、Homebrewで入れたffmpeg（8.0.1）はlibass／libfreetype非対応で、drawtextやsubtitlesフィルタが使えませんでした。回避策としてPythonのPillowで透過PNGを生成し、ffmpegのoverlayで合成しています。この手の「ツールの公式説明には書いていない詰まり」は、実際に手を動かすまで出てきません。素材生成側の実測は動画生成AIのプロンプト、何が効いて何が効かなかったか──実制作の技法台帳にまとめています。

毎回変えるのは3つだけ

固定を5つ置いたうえで、毎回変えるのは次の3つです。

• テーマと台本：ここだけが毎回ゼロから。文字数の上限は工程2で決まっているので、書く前に枠がある状態
• スライド枚数：台本の長さに従って前後する。枚数を先に決めない
• デザイン：配色やレイアウトは意図的に毎回変え、反応の違いを見る

「何を固定して何を変えるか」を先に分けておくと、1本あたりの意思決定の数が減ります。ショートは本数で殴るフォーマットなので、1本あたりの判断コストがそのまま本数の上限になります。

正直な但し書き

• 1080×1920という数値は、YouTubeヘルプに明記されていません。 確認できたのは「アップロードできるショート動画の最大解像度は 1080p です」「アスペクト比が正方形または縦長の場合」「1080p（HD）＝1920x1080」の3点です。縦向きの1080×1920は、そこから当サイト運営者が導いて運用している値であって、公式が提示した仕様値ではありません
• 0.165秒/字は、VOICEVOXの特定話者・特定の速度設定で測った値です。 校正に使ったのは長尺解説動画3本の実尺で、15〜30秒のショートで同じレートになるかは別途検証していません。他の音声合成サービスや人間のナレーションには当てはまりません
• TikTokとInstagramの公式仕様ページは、2026年8月14日時点で取得できませんでした。 TikTok Business Help CenterおよびInstagramヘルプセンターの該当URLはエラーまたは内容なしで返り、原文を確認できていません。本記事の数値はYouTubeヘルプとVOICEVOX公式のみに基づいています
• 「8〜10要素を積んでボツ」「最大5要素」は、当サイト運営者1人の制作判断です。 A/Bテストで検証した数字ではなく、n=1の運用ルールです
• スライド枚数の目安、1〜3秒という表示時間は制作実績からの目安であり、統計調査ではありません
• この工程は再生数を保証しません。 扱っているのは「継続して出せるか」という再現性の話で、伸びるかどうかは題材とパッケージングの側の問題です
• 競合記事の調査は実施していません。 「無料ツール◯選」型の記事との比較は、当サイトの記事一覧を対象としたサイト内検索の結果に基づく想定です

出典

• YouTube ショートの作成を始める - YouTube ヘルプ
• YouTube 動画をアップロードする - Android - YouTube ヘルプ
• 動画の解像度とアスペクト比 - YouTube ヘルプ
• YouTube にアップロードする動画におすすめのエンコード設定 - YouTube ヘルプ
• 字幕を追加する - YouTube ヘルプ
• VOICEVOX ソフトウェア利用規約