PythonとOpenAI APIを使い、ブログ記事からショート動画を自動生成するシステムを開発しています。
Ver.1では、記事の解析からテーマ抽出、ナレーション・音声生成、字幕・BGMの追加、動画出力まで自動化できました。
しかし、完成した映像を見て感じたのが「なんだかファミコンっぽい」ということです。
情報は伝わりますが、文字やUIが平面上で動くため、映像としての奥行きが不足していました。
そこでVer.1の基本機能を残しながら、映像表現を改善するVer.1.1の開発を進めました。
今回は、OPEN_BOOKという映像世界の導入と、実際のテスト結果を記録します。
この記事で分かること
- Ver.1からVer.1.1へ改良した理由
- OPEN_BOOKという映像表現の仕組み
- Script PlannerとVisual Directorを分離した目的
- 実記事から5本の動画を生成した結果
- 今後の映像世界の発展方針
Ver.1の課題は映像の見せ方だった
Ver.1では、記事から複数の動画テーマを抽出し、ナレーションの実際の長さに合わせて映像を生成するところまで実装できました。
つまり、動画を自動生成する基本機能は動いていました。
一方、完成した動画はUIカードや文字、ラインが同じ平面上で動く構成です。
情報を説明する機能はあっても、映像の中に明確な舞台がありませんでした。
そこで、エフェクトを増やすのではなく、情報を説明する「場所」を作る方向へ改良することにしました。
OPEN_BOOK|開いた本が説明する映像世界
Ver.1.1で導入したのが「OPEN_BOOK」です。
画面内に開いた一冊の本を配置し、そのページを情報表示の舞台として利用します。
例えば、左ページにはテーマを象徴するビジュアル、右ページには重要な日本語やキーワードを表示します。
従来は画面上に文字やカードを配置していましたが、OPEN_BOOKでは本のページ自体が説明の場所になります。
単に背景を本の画像へ変更したのではなく、情報と映像世界を一体化させることが目的です。
日本語を本のページへ射影する
実装で課題になったのが、日本語の配置です。
開いた本にはページの角度や奥行き、中央の綴じ部分があります。
通常の字幕のように文字を重ねるだけでは、本の上に文字が浮いているように見えてしまいます。
そこで、ページの形状に合わせて文字を変形させ、ページ上へ射影する仕組みを導入しました。
ただし、日本語には漢字・ひらがな・カタカナなどが混在します。
スマートフォンで読める文字サイズや角度も考慮する必要がありました。
今回の判断基準は、情報理解 > 世界観 > 演出です。
映像として見栄えがよくても、内容が読めなければ意味がありません。
Script PlannerとVisual Directorを分離
もう一つの変更が、動画の内容と映像表現を設計する役割の分離です。
Script Plannerは「何を伝えるか」を担当します。
記事からテーマを抽出し、初心者にも理解できるナレーションへ整理します。
一方、Visual Directorは「どう見せるか」を担当します。
本のどこへ情報を配置するか、何を強調するか、どの場面でビジュアルを切り替えるかを判断します。
例えば「CTRはクリック率を表す指標です」という説明なら、Script Plannerは意味や説明順序を考えます。
Visual Directorは「CTR」の文字や計算式、関連グラフの見せ方を考えます。
この2つを分離することで、今後映像表現を変更する際にも、ナレーションの設計へ与える影響を小さくできます。
実記事0064から5本の動画を生成
OPEN_BOOKを実装した後、実際のブログ記事0064を使ってテストしました。
記事をAIで解析し、独立した5つのテーマへ分割して動画を生成しました。
結果は次のとおりです。
| 確認項目 | 結果 |
|---|---|
| 使用記事 | 0064 |
| 抽出テーマ | 5テーマ |
| 動画生成 | 5本すべて完成 |
| 動画尺 | すべて30秒台 |
| システムテスト | 32テストすべて成功 |
| 旧0065 | 既存成果物を保護 |
動画尺については、ナレーション生成後に実際の音声時間を測定し、それに合わせて映像を調整しています。
今回は5テーマすべてで30秒台の動画を生成できました。
1本だけ動くのではなく、複数のテーマで一連の処理が完了したことが重要な確認結果です。
ただし、これは生成処理と既存テストの結果であり、視聴維持率などの改善を確認したものではありません。
既存のVer.1を壊さずに改良する
Ver.1.1では、旧0065の動画も保護しました。
Ver.1の映像には改善したい部分がありますが、正常に動作した成果物でもあります。
新しい映像表現を追加するたびに、過去の成果物まで変更されてしまう状態は避けたいと考えました。
そのため、記事解析、ナレーション生成、音声時間の測定、字幕・BGMの追加といった基本パイプラインは維持しています。
その上に、Visual DirectorとOPEN_BOOKを追加する構成です。
32テストすべてが成功したことで、今回確認した範囲では既存機能も維持できていることを確認しました。
次は「本がある」から「本が動く」へ
今回のVer.1.1を、自分の中では「スーパーファミコン」と呼んでいます。
Ver.1の平面的な映像から一歩進みましたが、完成形ではありません。
現在は、開いた本が情報を説明する段階です。
今後は、閉じた本が開く、ページがめくられる、本棚から一冊が取り出される、といった表現を考えています。
さらに本棚から図書館へ、図書館から未来都市へと世界を広げる構想もあります。
ただし、一度にすべてを実装するのではなく、既存の仕組みを維持しながら段階的に進める方針です。
まとめ|動画生成から映像世界の設計へ
Ver.1.1では、OPEN_BOOKの導入、日本語のページ射影、Script PlannerとVisual Directorの分離を行いました。
実記事0064から5本の動画を生成し、すべて30秒台に収めることができました。また、32テストの成功と旧0065の保護も確認しています。
今回の改良で分かったのは、動画の自動生成機能が完成しても、映像としての品質改善は別に必要だということです。
Ver.1では動画を自動生成する仕組みを作り、Ver.1.1では情報を説明する映像世界を作り始めました。
今後も、動いている仕組みを残しながら、一段ずつ映像表現を広げていきます。

