ユキトリド氏がGitHubで公開した『short-video-generator-AI』が、公開からわずか4日で717スターを突破した。LLMによるハイライト検出、Whisperによる字幕生成、縦型ショートへの自動編集までを一気通貫でこなすPython製OSSだ。数字の裏にある技術構成と、内製化を狙う経営判断のポイントをエンジニア視点で読み解く。

何が起きたか

GitHubに公開された『yukitorido/short-video-generator-AI』が、4日で717スターという急伸を見せている。機能はシンプルで強力だ。長尺動画を入力すると、LLMがトランスクリプトから「見どころ」候補区間を検出し、Whisperで多言語字幕を焼き込み、9:16縦型に自動リフレームしてショート動画として出力する。パイプライン自体はPythonで組まれ、音声抽出、文字起こし、ハイライトスコアリング、クリップ切り出し、字幕合成という定番の工程を疎結合に並べた構造と推定される。既存の「Opus Clip」や「Vizard」などSaaS型切り抜きサービスと同等機能をOSSで代替できる点が、開発者コミュニティの関心を一気に引き寄せた。数字インパクトとしては、SaaS版が月額20〜100ドル前後で提供されているため、OSSへの移行動機は明確だ。

なぜこのllmニュースが重要か

このプロジェクトが刺さっている理由は「LLMがついに動画編集の意思決定レイヤーに座った」という構造変化にある。従来、動画編集はタイムラインとキーフレームという時系列データの操作であり、機械学習は顔検出やシーンチェンジ検出といった「知覚」の役割に留まっていた。しかし本ツールでは、Whisperが生成したテキストをLLMに読み込ませ、「どこが視聴者にとって面白いか」というセマンティックな判断を任せている。つまり、編集者の脳内にあった「ここは切り抜きたい」という感覚が、LLMのプロンプトエンジニアリングで再現可能になったことを意味する。これはコードエディタにおけるCopilotの登場と同じ質の転換だ。編集という職能の一部が、汎用LLMのAPI呼び出しに吸収される。717スターという速度は、この構造変化に開発者が敏感に反応した結果と読むべきだろう。SaaS切り抜きツール市場は数百億円規模と推定されるが、OSS化の波はその価格帯を確実に押し下げる。

技術的な深掘り

コードと仕様書から本質を読むという視点で見ると、このパイプラインの肝は「ハイライト検出のプロンプト設計」に集約される。Whisperのlarge-v3を回せば日本語でもWER10%前後の精度が出るため、文字起こし部分はほぼコモディティだ。差別化点はその後、LLMに何をどう問うかにある。単純に「面白い部分を抜き出せ」では冗長な回答しか返らない。実運用では、タイムスタンプ付きトランスクリプトをチャンク分割し、各チャンクに対して「フック度」「情報密度」「感情強度」などのスコアをJSONで出力させ、閾値でフィルタする構成が定石だ。本OSSも同様の構造と推定する。もう一つ注目すべきはコスト構造で、1時間の動画を処理する場合、Whisper API利用で0.36ドル、GPT-4o相当のLLM推論で0.5〜1ドル程度に収まる。SaaSの月額数千円と比較すれば、1本あたり200円未満で内製化できる計算だ。ffmpegによる縦型リフレームとASS字幕焼き込みは軽量なので、GPUなしのVPSでも回せる点も普及を後押しする。

経営者として次に取るべき動き

第一に、既存の外注編集契約の棚卸しを行うこと。切り抜き1本あたり3000〜8000円で発注している場合、月30本で年間100万円超の削減余地がある。本OSSをPoCで回し、品質差分を定量評価すべきだ。第二に、社内の「眠っている長尺コンテンツ」の資産化計画を立てること。ウェビナー、社内勉強会、経営会議の議事録動画など、これまで一度きりで捨てていた映像を、LLMハイライト検出で再利用可能な形に変換する。1年分の蓄積を回せば、マーケ用ショートが数百本単位で生まれる計算だ。第三に、ハイライト検出プロンプトを自社ブランドに合わせてチューニングする専任担当を1名アサインすること。汎用プロンプトのままではどの企業も同じ切り口になる。「自社の顧客が反応する言葉」を学習させたプロンプト資産こそが、OSS時代の競争優位になる。