動画編集AIで実際にできること──自動字幕・ノイズ除去・自動カットを機能別に整理

3行まとめ

1. 2026年8月27日にCapCutの公式機能ページで確認したところ、「動画編集AI」と呼ばれる機能は自動キャプション・音声認識・テキスト読み上げ・ノイズ軽減・背景除去・品質向上など十数項目に整理されていた
2. このうち自動字幕同期・音量調整・無音カットの3つは、自分のffmpeg／VOICEVOXベースの制作で実際に使っている処理と同じ種類のタスクで、「できる」だけでなく「手直しがどれくらい要るか」まで実感で書ける
3. 音声認識ベースの自動字幕やノイズ軽減など、自分の制作フローに存在しない機能については未検証と明記し、公式情報の範囲でとどめた

「動画編集AI」という言葉が指しているものが広すぎる

「動画編集 AI できること」で検索する人が知りたいのは、おそらくツールの製品名ではなく、機能そのものだと思う。CapCutなのかPremiere Proなのか、DaVinci ResolveなのかDescriptなのかを選ぶ前に、そもそも「AIで何が自動化できるのか」を機能名で把握したい、という順番のはずだ。

そこでこの記事では、2026年8月27日にCapCutの公式機能ページ（capcut.com/ja-jp/features）を実際に開いて確認できた「動画編集AI」の機能項目を一次情報として使い、機能ごとに「公式が何をできると言っているか」と「自分の制作環境で同種の処理を実際にやってみた実感」を並べる。CapCutを選んだのは、Googleサジェストで「動画編集 ai」を深掘りしたとき最も具体的な機能名（自動カット・ノイズ軽減など）と一緒に出てきたツールだったからで、CapCut推しの記事ではない。

念のため先に断っておくと、自分（AI時短ラボ）は普段CapCutを使って動画を作っていない。ナレーション動画の制作は VOICEVOX（無料のテキスト読み上げソフト）でセリフを音声合成し、ffmpegで音声処理、Remotion（HTMLベースの動画合成ツール）で映像を組む、という自作パイプラインでやっている。だからこの記事の「実際に使ってみた」は、CapCutというアプリの体験ではなく、CapCutが機能名として挙げているのと同じ種類のタスク（字幕同期・音量調整・無音区間の処理）を、別のツールで日常的にやっている人間の実感、という位置づけになる。そこは区別して読んでほしい。

CapCutの公式ページに載っていた機能一覧

公式ページのメニュー構成をそのまま書き出すと、「AI機能」は次のように分類されていた（2026年8月27日確認）。

テキストとオーディオ系

• 自動キャプション
• キャプションテンプレート
• 音声認識
• テキスト読み上げ
• カスタム音声
• 声を加工
• ノイズ軽減

画像系

• 画像背景削除／画像結合／画像補正ツール／画像サイズ変更／AI Text Remover／AI People Remover／AI Inpainting／Face Cutout

動画系

• 動画背景削除／品質向上／動画のトリミング／動画への字幕追加／動画コンバーター／動画のテキスト書き起こし／動画圧縮

これだけの項目数があるということ自体が一つの情報だと思う。「動画編集AI」は単一の機能ではなく、テキスト・音声・画像・動画にまたがる十数個の個別機能の集合体として提供されている。

機能別に「できる/要検証/自分の実感」を並べる

自分が実際に検証できたもの・できていないものを分けて書く。

表の後半3行が、自分の制作環境で実際に確認できたことだ。以下、その中身を書く。

テキスト読み上げ──「読める」と「正しく読める」は別

VOICEVOXでテキストをナレーション音声に変換する作業は、これまでの制作で数千クリップ単位で行ってきた。音声そのものは安定して生成できるが、固有名詞や英数字混じりの文（モデル名や企業名など、このサイトで扱うAIニュースには頻出する）で読み間違いが起きる。これは公式辞書への単語登録か、読み仮名を先に置換してから読ませるかの2つの方法で対処している。詳しい手順は別記事（VOICEVOXの読み間違いを直す2つの方法）にまとめた。

CapCutの「テキスト読み上げ」がどの程度読み間違えるかは検証していないが、テキスト読み上げ全般に共通する構造として、「音声が生成される」ことと「意図通りに読まれる」ことの間には必ずチェック工程が要る、というのが実感としてある。

字幕（テロップ）同期──音声認識と音声合成では、そもそも仕組みが違う

ここが今回いちばん書きたかった部分になる。CapCutの「自動キャプション」は、公式ページの説明を読む限り、すでにある音声を認識してテキストを起こす（音声認識ベース）の機能だと考えられる。既存の動画やインタビュー音声に後から字幕を付けたい場合に使う機能だ。

CapCutの「AI字幕生成ツール」専用ページのFAQを追加で確認すると、この推測を裏付ける記述があった。「字幕を生成する前に、動画に使用されている言語を選択することで、正確な文字起こしを確保できます」という案内があり、対応言語として英語・スペイン語・フランス語・中国語・日本語などが挙げられている。「動画の言語を事前に選ぶ」という手順が必要な時点で、この機能が音声認識エンジンに動画の音声を渡して文字起こしをさせる方式であることが読み取れる（音声合成のタイミング情報を使う方式であれば、そもそも「言語を選ぶ」という手順は不要なはずだ）。同FAQによれば、この機能自体は無料で利用でき、生成した字幕とは別に、自分で用意したSRTファイルをアップロードして手動で置き換えることもできるという。

一方、自分の制作フローでは順番が逆になっている。台本のテキストが先にあり、それをVOICEVOXで音声合成する。VOICEVOX ENGINEの/audio_queryというAPIを叩くと、音声を実際に生成する前に、各モーラ（拍）の長さがミリ秒単位で返ってくる。このタイミング情報を使えば、「今何文字目を読んでいるか」を計算だけで復元できる。音声認識で「聞き取る」のではなく、音声合成エンジンが持っている「これから何秒間、何を発音するか」という設計図をそのまま読む、という方式だ（実装の詳細はVOICEVOXの/audio_queryのmoras[]から口パクを作るに書いた）。

この2つは似た結果（字幕やテロップが動画に同期する）を生むが、原理はまったく違う。音声認識ベースの自動字幕は「誰の声か」「何を言ったか」を推測するタスクなので、聞き取り誤りが原理的に発生しうる。音声合成のタイミング情報を使う方式は、そもそも「何を言わせるか」を自分で決めているので、テキスト自体を誤る余地はない（ただし読み仮名の誤りは別問題として残る)。

「動画編集AIは字幕を自動でつけられる」という一文は正しいが、その中身が音声認識なのか音声合成なのかで、信頼していい範囲が変わる。既存の動画に字幕を付けたい人は前者（要チェック前提）、これから自分でナレーションを作る人は後者を選べば精度面での不安は減る、という整理になる。

無音区間の自動カット──「デフォルトのままでは効かない」が実測結果

CapCutの機能一覧に「自動カット」という単独項目名は無かったが、Googleサジェストでは「動画編集 ai 自動カット」がまとまった検索ボリュームを持つ語として出てきていた。動画編集ソフトが持つ「不要な間を自動で詰める」系の機能全般を指していると考えられる。

この種の処理の基礎になっているのが、ffmpegのsilencedetectフィルタ（音声の無音区間を検出する機能・ffmpeg公式ドキュメントで仕様を確認）だ。実際に自分のパイプラインの音声素材で試したところ、公式のデフォルト設定（無音判定 -60dB・最低2秒継続）では無音区間が1件も検出されなかった。自然な話し言葉の間（ま）は2秒よりずっと短いためだ。閾値を調整すると検出できるようになる一方、今度は文中の小さな息継ぎまで拾ってしまう問題が出てくる。この検証は文字数の都合でここには書ききれないので、実測データ（検出された時刻・秒数まで）を別記事にまとめた。

ここで言いたいのは、「自動カットができる」という機能名の裏には、必ずパラメータ調整という人間の判断が挟まっているということだ。デフォルト設定をそのまま使って満足のいく結果が出るとは限らない。

音量調整──AIというより信号処理だが、事故りやすい

厳密には「AI」機能というより音声信号処理の分野だが、動画編集ソフトの「自動音量調整」も同じ発想で見ておく価値がある。自分の制作では、ナレーションとBGMをミックスする際にffmpegのloudnorm（ラウドネス正規化フィルタ）を使っているが、完成した音声全体に一括でかけると、ナレーションの無音区間でBGMだけが不自然に持ち上がる事故が起きる。声だけに正規化をかけ、BGMは固定音量にし、最後に合成する、という処理順序で防いでいる（手順はffmpegでナレーションとBGMをミックスする手順に書いた）。

「自動音量調整」を謳う機能があっても、声とBGMを別々に扱っているか、完成品に一括処理をかけているかで結果が変わる可能性がある、というのは実際に事故を踏んだ人間の実感として書いておく。

ノイズ軽減・画像系機能は自分の制作フローに出番がなく検証できていない

ノイズ軽減、音声認識ベースの自動字幕、画像系のAI機能（背景削除・Text Remover等）については、自分の制作フローの中に該当する場面がなく、今回CapCut公式ページの記述を超えて検証することができなかった。特にノイズ軽減は、TTS音声には環境ノイズがそもそも乗らないため、精度を語れる立場にない。CapCut側の「AI字幕生成ツール」FAQで確認できたのも、あくまで公式が案内している仕組み・対応言語・料金であり、実際に生成させた字幕の文字起こし精度そのものは、この記事では検証していない。これらは「公式にはそう書いてある」という情報として扱ってほしい。

機能一覧と処理の仕組み、それぞれの確認先

本文中のCapCut機能一覧はcapcut.com/ja-jp/featuresを2026年8月27日に開いて書き出したもの、silencedetectとloudnormの仕様はffmpeg公式ドキュメント（ffmpeg-filters.html）、/audio_queryのレスポンス構造はVOICEVOX ENGINE公式APIドキュメントで確認した。CapCut側の各機能が実際にどの程度の精度で動くかは、上に書いた通り自社での検証は行っておらず、公式が「この機能がある」と説明している範囲の情報として扱っている。