「AIを使えば、ショート動画を自動で作れるらしい」

そう聞いて調べてみても、たいてい途中で、こんな疑問にぶつかります。

台本は、何で作るの？
画像生成と音声生成は、どうやってつなぐの？
字幕のタイミングは、誰が合わせるの？
完成した動画を、どうやってYouTubeへ送るの？
途中で失敗したら、最初から全部やり直すの？

ツールをひとつずつ紹介している情報は、たくさんあります。

でも、それらを何の順番で動かし、どんなファイルを受け渡し、どうやって1本の動画へつなげるのかは、なかなか見えてこないんですよね。

この記事では、わたしが実際にVPSで稼働させているmaru-botをもとに、ネタが1本のショート動画になり、YouTubeへ投稿されるまでの仕組みを公開します。

そして、この記事の案内役は、わたしのキャラクター「まぁる」です。濃紺と青い光に包まれた「まぁるのAI自動化ラボ」から、実際に動いている仕組みをひとつずつ開いていきます。

寝ている間もVPS上で動画生成パイプラインが動くイメージ

これが、この記事でお見せしていく「まぁるのAI自動化ラボ」のイメージです。実際のシステムも、JSONを入口にして、画像、音声、字幕、動画、投稿の順で処理が流れていきます。

わたしが毎日やっているのは、ネタを置くことだけです

夜までに、動画にしたいネタをJSONファイルにして、決められたフォルダへ置きます。

その日の作業は、そこで終わりです。

日中になると、VPSの中で画像生成が始まります。

深夜になると、音声、字幕、動画編集が順番に進みます。

完成した動画は投稿待ちのキューへ移され、朝と夜の決められた時間になると、YouTubeへのアップロードが始まります。

パソコンを開きっぱなしにする必要はありません。編集ソフトを起動して、素材をひとつずつ並べることもありません。

ただし、魔法のAIが一発で全部作っているわけではありません。

台本、画像、音声、字幕、動画編集、投稿。それぞれを担当する小さな処理が、前の工程の成果物を受け取りながら動いています。

AIを使っているのに、作業が減らない理由

複数のAIツールと編集画面を手作業で行き来する状態

以前は、まぁるもこんなふうに、複数の画面とファイルを行き来していました。AIを使っていても、工程のあいだを人がつないでいるかぎり、コピーや保存といった作業は残ります。

ChatGPTで台本を作る。

画像生成AIへプロンプトを入れる。

音声を作って保存する。

編集ソフトへ画像と音声を読み込む。

字幕を置いて、タイミングを直す。

最後にYouTube Studioを開いてアップロードする。

ひとつひとつは、AIのおかげで速くなっています。

それでも大変なのは、工程と工程のあいだに、人のコピー、保存、名前変更、確認、アップロードが残っているからです。

つまり、問題はAIの性能ではありません。

問題は、ツールがバラバラなことです。

自動化の正体は「専門ツールのリレー」です

JSONから画像・音声・字幕・動画・投稿までが一本につながった仕組み

そこで、まぁるのラボでは、ひとつの万能ツールに全部を任せるのをやめました。得意分野の違う処理を並べ、前の成果物を次へ渡せる一本の流れにしています。

実際に動いているmaru-botでは、役割を次のように分けています。

入力を受け取る　ネタJSONから、動画1本分の設計情報を読み込みます
シーン画像を作る　5シーンとサムネイルをまとめて生成します
ナレーションを作る　VOICEVOXでシーンごとの音声を作ります
字幕の時間を計算する　音声の発話データから、文字を出す時刻を決めます
縦動画へ組み立てる　画像、音声、字幕、動きをRemotionで合成します
仕上げをする　FFmpegでBGMと冒頭演出を加えます
投稿待ちへ渡す　完成動画を、YouTube投稿用のキューへ移します
YouTubeへ投稿する　認証済みの投稿処理が順番にアップロードします

ポイントは、前の工程が作ったファイルを、次の工程がそのまま読めることです。

人が途中でコピペしなくても、処理が次へ進む。これが「パイプライン」と呼んでいるものです。

現在のmaru-botは、2つの仕組みを組み合わせています

2026年7月18日時点の実稼働環境を確認すると、maru-botはひとつのフォルダだけで完結していませんでした。

現在は、次の2つを組み合わせています。

新しい生成パイプライン：画像生成、VOICEVOX、字幕、Remotion、FFmpegを担当
以前から安定している投稿キュー：YouTubeへのアップロード、再試行、投稿結果の保存を担当

新しい仕組みに全部入れ替えるのではなく、すでに安定している投稿部分を残し、生成部分だけを新しい方式へ置き換えています。

これ、実運用ではかなり大事なんですよね。

全部を一度に作り直すと、どこかひとつの変更で投稿まで止まることがあります。だから、動いている部分は残し、新しい処理とのあいだに橋渡しを置いています。

有料部分で公開するポイント

2つのシステムを、どのファイル名・どのフォルダ・どの完了条件でつないでいるのか。実際の橋渡し処理を分解して解説します。

画像は6枚を1回で作り、自動で切り分けています

3列2行のグリッド画像を6枚の縦長画像へ自動分割するイメージ

まぁるのラボで現在使っている標準構成も、この考え方です。5シーン分の画像とサムネイルを3×2のグリッドでまとめて生成し、プログラムで6枚の縦長画像へ分割します。

ショート動画では、シーンごとに画像が必要です。

でも、5枚を別々に生成すると、画風が変わったり、人物の雰囲気がずれたりしやすくなります。

そこで現在のmaru-botでは、5シーン分の画像とサムネイルを、3列×2行の1枚のグリッドとしてまとめて生成しています。

生成した画像はプログラムで6分割し、各シーン用の縦長画像へ整えます。

ここで、実物をお見せします。次の画像が、デモ用プロファイルでこのパイプラインが実際に生成したグリッド画像です（分割前の中間生成物そのまま）。

実際に生成された3列2行のグリッド画像（分割前の実物）

そしてこちらが、自動分割と縦長整形を終えた5場面です。左から順に、そのまま動画の場面1〜5になります。

自動分割後の5場面画像を横に並べた実物

指定と違う縦横比で返ってきた場合は、そのまま次へ進めません。サイズを検査して、条件を外れたときだけ作り直します。

それでも生成できなければ、別の画像生成経路へ切り替えます。

「画像を生成する」だけでは、自動化になりません。

生成後にサイズを検査すること、必要な6枚がそろっていることを確認すること、失敗したときの別ルートを持つことまで含めて、ひとつの工程です。

字幕は、音声の長さから自動で合わせます

VOICEVOXへ文章を渡すと、ナレーション音声だけでなく、発音ごとの長さを含むデータも取得できます。

maru-botは、その発話データと元のナレーションを突き合わせて、字幕を表示する時刻を計算しています。

動画を再生したときは、いま読んでいる言葉だけ色が変わります。

画像の切り替え、ナレーション、字幕の強調を、Remotionが同じ時間軸の上で描画します。

そのあとFFmpegが、BGMと冒頭のタイトル演出を加えます。

VOICEVOX：声と発話時間を作る
Remotion：シーン、画像の動き、音声、字幕を組み立てる
FFmpeg：BGMと冒頭演出を仕上げる

似たツールを無理にひとつへ統一するのではなく、それぞれが得意な仕事を分担させています。

この流れで実際にできた動画を、そのまま置いておきます

上のグリッド画像から分割された5場面に、VOICEVOXのナレーション、カラオケ方式の字幕、BGM、冒頭演出が付いた完成品です。ネタJSONを1件置いて、パイプラインを1周させただけで、途中に人の編集作業はありません。

この動画とサムネイルは、この記事のために新しく作ったデモ専用の設定で生成したものです。運用中チャンネルの動画は、特定を避けるため記事では使っていません。

サムネイルも、同じ1周の中で自動生成されたものがこちらです。

同じパイプラインが自動生成したサムネイルの実物

失敗した1本だけを止める仕組みがあります

失敗した動画だけを別レーンへ隔離し、ほかの動画処理を続ける仕組み

そして、まぁるが監視しているのは、成功した動画だけではありません。1本のエラーで全体を止めないように、失敗した案件だけを確認できる別の場所へ分けています。

自動化で怖いのは、エラーそのものではありません。

本当に怖いのは、1本のエラーで後ろの動画が全部止まることや、再実行したときに同じ動画を二重投稿することです。

現在のmaru-botでは、生成中、生成完了、投稿待ち、投稿中、投稿済み、失敗といった状態を、フォルダと状態ファイルで管理しています。

投稿に失敗した場合は、上限まで再試行します。

それでも成功しなければ、その案件だけを永久失敗の場所へ移します。

また、同じ投稿処理が重ならないようにロックを作り、処理済みの案件には目印を残しています。

有料部分で公開するポイント

再試行回数、状態ファイルの持ち方、投稿中フォルダへの移動、二重投稿を避ける判定、永久失敗への隔離まで、実際に稼働している順番で見ていきます。

実際のスケジュールは、工程ごとに時間を分けています

現在のVPSでは、画像生成、動画生成、YouTube投稿を同じ時間には実行していません。

日中：画像生成を複数回に分けて実行
深夜：音声と動画をまとめて生成
朝と夜：完成済みの動画をYouTubeへ投稿

画像生成はブラウザ認証を使います。

動画生成はVOICEVOX、Remotion、FFmpegを使います。

それぞれ負荷のかかり方が違うため、時間帯を分けています。

有料部分では、実際のcron設定をもとに、どの処理を何時に呼び、なぜその順番にしているのかまで公開します。

この仕組みで、いちばん価値があるもの

使っているツールの名前だけなら、検索すれば見つかります。

VOICEVOXの使い方も、FFmpegの使い方も、YouTube APIの設定方法も、それぞれの記事があります。

でも、個別の説明を読んでも、実際に動く1本のシステムにはなかなかなりません。

必要なのは、次の情報だからです。

前の工程は、何を出力するのか
次の工程は、何を入力として待っているのか
どのファイルがそろえば、成功と判断するのか
失敗したら、どこからやり直すのか
同じ処理を2回実行しても、事故にならないか
認証情報を、どこへ置いて守るのか
VPSの中で、何時にどの処理を動かすのか

わたしが有料部分で公開したいのは、ツールの一覧ではありません。

実際に動き続ける状態へ持っていくまでに決めた、接続方法と設計判断です。

有料部分では、実稼働システムを設計図まで分解します

実稼働中の動画自動化システムの設計図を開き、自分用の仕組みを組み立てるイメージ

有料部分でまぁるが開くのは、完成ツールの操作説明ではなく、実際に動いているシステムの設計図です。その設計を理解し、あなた自身の環境とジャンルに合わせて再構築できるところまで分解します。

ここから先では、実際にVPSから取得した現行スクリプトとcronをたどりながら、maru-botの中身を工程ごとに分解します。

有料部分で公開する内容

実稼働システムの全体構成　3つのディレクトリと、生成系・投稿系の役割分担
ネタJSONの設計　1本分の入力に何を持たせ、後工程が何を読むか
画像生成の接続方法　グリッドプロンプト、Codex認証、分割、寸法検査、別経路への切り替え
VOICEVOXとの接続　シーン別音声と発話データを保存する理由
字幕タイムライン　音声と原文をどう対応させるか
RemotionとFFmpegの分担　動画本体、BGM、冒頭演出の作られ方
投稿キューへの橋渡し　新しい生成系から、安定している投稿系へ何を渡すか
YouTube投稿処理　OAuth、タイトル、説明文、公開設定、結果保存
失敗・再試行・二重投稿防止　ロック、状態、隔離、処理済み判定
VPSの実行スケジュール　画像・動画・投稿を分けるcronの考え方
Codexへ渡す構築指示　環境診断から工程別の実装・検品まで
自分のジャンルへ置き換える場所　固定部分と変更する設定の切り分け

先にお伝えしておきます。

これは、完成済みの動画生成ツールを受け取って、そのまま起動する商品ではありません。実際に動いているシステムの構成、ツールの連携、データの流れ、失敗対策を見ながら、あなた自身がCodexなどのAIコーディングエージェントと一緒に再構築するための教材です。
また、記事中のディレクトリ名・スクリプト名・チャンネル名は、運用中チャンネルの特定を避けるため一部変えています。構成、数値、処理の流れは実物のとおりです。
有料部分にはコードやプロンプトが数多く登場しますが、コードを自分で書く必要はありません。

実装はCodexやClaude Codeに任せる前提で、「読み飛ばしてよい参考コード」と「そのままAIへコピペする指示文」を分けて示しています。

だからこそ、特定のジャンルや1つのチャンネルだけに縛られません。

仕組みを理解できれば、画像の作り方を変えることも、音声を変えることも、投稿先を増やすこともできます。

この教材が向いている人

AIショート動画を自動化したいけれど、全体構成が分からない
ツールは知っているけれど、つなぎ方が分からない
完成ツールを買うより、自分で変更できる仕組みを作りたい
CodexやClaude Codeへ、何をどの順番で依頼すればよいか知りたい
実際に動いている構成を参考に、試行錯誤の時間を短くしたい
将来、別ジャンルや別チャンネルへ横展開したい

この教材が向いていない人

購入後すぐに動く完成ツールだけが欲しい
コマンドや設定画面を一切触りたくない
スマートフォンだけで構築を完結させたい
動画を自動化すれば、収益も自動的に保証されると思っている
実装や調整を自分の環境で行いたくない

よくある質問

Q. プログラミングができなくても読めますか？
はい。コードの文法を覚える教材ではなく、どの処理を何につなぐかを理解する教材です。ただし、実際の構築ではCodexなどへ指示を出し、表示されたエラーを確認する作業は必要です。

Q. 完成したコードは配布されますか？
完成した本番システムを、そのまま配布する商品ではありません。実稼働構成、処理の役割、入出力、構築指示を公開し、それをもとに自分の環境で組み立ててもらう形です。

Q. CodexとClaude Codeのどちらで作れますか？
構築やスクリプト修正は、どちらにも依頼できます。ただし、現在の標準構成にあるChatGPTログインを使った画像生成はCodex認証を利用しています。Claude Codeを使う場合も、画像生成工程は別の接続方法として考える必要があります。

Q. VPSは必要ですか？
実稼働構成と同じように、パソコンを閉じても決められた時間に動かしたい場合は必要です。最初はローカルで一部の工程を試し、動いてからVPSへ移すこともできます。

Q. 収益化できますか？
収益を保証する教材ではありません。公開するのは、動画を継続的に生成・投稿する仕組みです。企画、ジャンル選び、動画の品質、運用方針は別に考える必要があります。

価格について

この教材は、先行モニター30部限定で ¥4,980、30部に達したあとは定価 ¥8,980 です。

価格はこの2段階だけで、内容の差はありません。

完成ツールの配布ではなく、実稼働システムの設計図と構築指示を公開する教材なので、この価格にしています。先に読み始めてくれた方の価格が、あとから上がることはありません。エラー事例やYouTube側の仕様変更への対処は、今後も同じ記事へ追記していきます。

公開するのは、成功談ではなく「動いている中身」です

収益額を見せて、同じ未来を約束する記事にはしません。

代わりに、VPSで実際に呼ばれている処理、動画が通るフォルダ、生成されるファイル、止まったときの分岐を見せます。

どのツールを使うか。

なぜ、そのツールにしたのか。

前後の工程を、何でつないでいるのか。

どこまで自動にして、どこを人が確認するのか。

それが分かれば、あなたはゼロから構成を調べるところを飛ばして、自分用の仕組み作りから始められます。

ここから先の有料部分では、実稼働maru-botの設計図を開きます。

ネタJSONが置かれてからYouTubeへ投稿されるまで、どのスクリプトが、どのファイルを受け取り、何を出力して次へ渡すのか。工程ごとに、実際の構成をたどっていきます。

まずは「AIで動画を作る」ではなく、AIとツールが止まらず流れる道を作るところから始めてみてください。