個人メディアのAI制作パイプライン設計

個人メディア運営の一環として、YouTube向け動画コンテンツの制作を、複数のAIツールを役割分担させながら半自動化する仕組みを設計・運用した。

AIツールは単体では強力でも、創作（台本・情景）と実装（画像・音声・レンダリング）の境界で毎回人間が翻訳・調整を挟むと、制作が属人的かつ非効率になるという課題があった。

• 複数のAIツールをどう連携させ、受け渡しを安定させるかが不明瞭だった。
• 中断やモデル切替のたびに作業状態が失われ、再開コストが高かった。
• 画像・音声生成APIのコストが、制作ペースを上げると無視できない規模になっていた。
• これらを個別の工夫でなく、再現性のある仕組みとして成立させる必要があった。

• 創作と実装を明確に分離し、その境界にインターフェースを置くことで、AI間の受け渡しを毎回の翻訳作業なしで成立させる、という設計判断をした。

• 中間フォーマット（JSON形式の構成仕様）を定義し、「1動画＝1仕様、1シーン＝画像1枚＋ナレーション一息」を最小単位として契約化した。
• 音声の章境界のズレを、AIの推測タイムスタンプに頼らず、実際の無音位置を検出して分割する方式で解決した。
• 作業状態をファイルとして外部化し、中断・モデル切替後も安価に再開できる運用にした。

• 役割分担型のAIオーケストレーション体制を設計（創作担当／設計・構成担当／実装〈画像・音声・レンダリング〉担当のAIと、人間による全体監督・品質判断）。
• 創作と実装の境界に中間フォーマットを定義し、AI間の受け渡しを規格化。
• 音声合成の章境界ズレを、無音位置検出によるスナップ分割方式で解決。
• 作業ルール・現在状態をファイルで外部化し、再開可能な運用フローを構築。
• 画像生成APIをBatch処理化し、解像度を用途に応じて適正化。

• 画像生成コストを品質を維持したまま約50%削減（1本あたり約570円→約285円）。
• 約10分尺・画像56〜64枚を自動生成する規模で継続運用を実現。
• 創作と実装を中間フォーマットで分離したことで、AIの差し替えや工程改善を局所的に行える構造を確立。
• 制作プロセスを属人的な作業ではなく、設計・運用できるシステムとして確立。