VOICEVOXとFFmpegでYouTube動画を自動生成する方法

VOICEVOXとFFmpegでYouTube動画を自動生成する方法 アイキャッチ画像 AI自動化

YouTubeに動画を出したいけど、撮影も編集もハードルが高い…。
そんな方に試してほしいのが、VOICEVOXとFFmpegを使った動画自動生成です。

この記事では「台本テキスト → 音声合成 → 動画化」の流れを、すべてコマンドラインで完結させる方法を解説します。

結論、VOICEVOXで音声を作り、FFmpegで画像と合成すれば、顔出し不要・編集ソフト不要でYouTube動画が作れます。
どちらも無料です。

初めての方は基本編から順番にどうぞ。
すでにVOICEVOXを入れている方は応用編まで飛ばしてOKです。

「台本→音声→動画」を全自動にする仕組み

全体の流れはこうです。

  1. 台本を書く：テキストファイルに読み上げ原稿を用意
  2. 音声合成：VOICEVOXで台本をずんだもん等のキャラクター音声に変換
  3. 動画合成：FFmpegで音声＋背景画像を結合してMP4を生成
  4. アップロード：完成した動画をYouTubeに投稿

撮影も動画編集ソフトも不要。
テキストさえ用意すれば、あとはコマンドで動画ができます。

必要なツール一覧とインストール手順

VOICEVOX（音声合成エンジン）

公式サイト（voicevox.hiroshiba.jp）からMac版をダウンロードしてインストールします。

  • 無料・商用利用OK（キャラクターごとのガイドラインに従う）
  • 20以上のキャラクターボイスが使える
  • Mac版ではGPUモードは非対応（CPUモードで動作）

初回起動時にRosettaのインストールを求められることがあります。
案内に従ってインストールしてください。

FFmpeg（動画処理ツール）

Homebrewでインストールします。

brew install ffmpeg

FFmpegは音声と画像を結合したり、動画のフォーマットを変換したりできる万能ツールです。

curl（API通信用）

Macに標準で入っているので追加インストールは不要です。
VOICEVOXのAPIを叩くために使います。

【基本編】VOICEVOXで台本を音声ファイルに変換する

ステップ1：VOICEVOXを起動する

VOICEVOXアプリを起動してください。
バックグラウンドでAPIサーバーが http://localhost:50021 で立ち上がります。

ステップ2：音声合成クエリを作成する

ターミナルから以下のコマンドで、テキストを音声合成用のクエリに変換します。

curl -s -X POST "http://localhost:50021/audio_query?text=こんにちは、ずんだもんなのだ&speaker=3" -o query.json

speaker=3 はずんだもん（ノーマル）のIDです。
キャラクターを変えるにはspeaker IDを変更します。

ステップ3：音声ファイルを生成する

curl -s -X POST "http://localhost:50021/synthesis?speaker=3" -H "Content-Type: application/json" -d @query.json -o output.wav

これで output.wav に音声ファイルが生成されます。

ステップ4：複数行の台本を一括処理する

台本が複数行ある場合は、シェルスクリプトでループ処理します。

#!/bin/bash
i=0
while IFS= read -r line; do
  curl -s -X POST "http://localhost:50021/audio_query?text=${line}&speaker=3" -o q.json
  curl -s -X POST "http://localhost:50021/synthesis?speaker=3" -H "Content-Type: application/json" -d @q.json -o "part_${i}.wav"
  i=$((i+1))
done < script.txt

script.txt に台本を1行ずつ書いておけば、行ごとに音声ファイルが生成されます。

【基本編】FFmpegで音声＋画像を動画にまとめる

音声ファイルを結合する

複数の音声ファイルを1つにまとめます。

ffmpeg -i "concat:part_0.wav|part_1.wav|part_2.wav" -c copy combined.wav

ファイルが多い場合は、ファイルリストを使う方法もあります。

背景画像＋音声で動画を生成する

背景画像（1920x1080のPNG）と音声を組み合わせてMP4を生成します。

ffmpeg -loop 1 -i background.png -i combined.wav -c:v libx264 -tune stillimage -c:a aac -b:a 192k -shortest output.mp4

これだけで、背景画像に音声が載った動画ファイルが完成します。
YouTube Shortsなら、背景を縦長（1080x1920）にしてください。

ここまでが基本編です。台本→音声→動画の流れはこれで完成。
ここからは、n8nとの連携や音声品質の調整テクニックを紹介します。

【応用編】n8nで台本生成から動画出力までを一気通貫にする

n8nを使えば、台本の生成から動画出力までを完全自動化できます。

ワークフローの構成

  1. Schedule Trigger：毎日決まった時間に起動
  2. HTTP Request（AI API）：OllamaやClaudeで台本を自動生成
  3. Execute Command（VOICEVOX）：台本を音声に変換
  4. Execute Command（FFmpeg）：音声＋画像を動画に合成
  5. Slack通知：「動画が完成しました」と通知

台本生成のプロンプト例：

YouTube Shortsの台本を作ってください。
テーマ：「Macで無料AIを使う方法」
長さ：60秒以内で読めるように
口調：ずんだもん風（～なのだ）
💡 実際にやってみた

MacBook AirでVOICEVOX 0.25を使い、YouTube Shorts向けの動画自動生成パイプラインを構築しました。

台本作成（AI）→ VOICEVOX音声合成 → FFmpeg動画生成の一連の流れで、1本あたり5〜10分で動画が完成します。

MacのCPUモードだと音声合成に少し時間がかかりますが、60秒の台本なら1分以内で音声生成が終わります。
YouTube Shortsの尺なら問題ありません。

かかった時間：パイプライン構築2時間、1本の動画生成5〜10分
つまずいたポイント：FFmpegのオプション指定（-tune stillimageが重要）
結果：顔出し不要・編集不要でYouTube動画を量産できる体制が完成

音声が不自然になるときの調整テクニック

読点（、）と句点（。）で間を作る

VOICEVOXは句読点で自然な間を入れてくれます。
台本を書くときは、読点を多めに入れると聞き取りやすくなります。

速度とピッチの調整

音声合成クエリ（query.json）の中で、速度やピッチを調整できます。

  • speedScale：1.0がデフォルト。0.9〜1.1の範囲で調整
  • pitchScale：声の高さ。0.0がデフォルト
  • intonationScale：抑揚の強さ。1.0がデフォルト

キャラクター選びのコツ

ずんだもん（speaker=3）が人気ですが、用途に応じて選びましょう。
解説動画なら四国めたん（speaker=2）のような落ち着いた声も適しています。

まとめと次のステップ

  • VOICEVOXとFFmpegで、テキストから動画を自動生成できる
  • 顔出し不要、動画編集ソフト不要。コマンドだけで完結
  • n8nと組み合わせれば、台本生成から動画出力まで全自動化可能
  • VOICEVOX・FFmpegともに無料。コストゼロで始められる
  • YouTube Shortsの量産に適した仕組み

n8nの基本操作を確認したい方はこちら。
→ n8nの始め方｜初心者が最初に作る自動化3選

AIを活用した副業に興味がある方はこちらもどうぞ。
→ 非エンジニアのAI副業｜月5万を目指すロードマップ

コメント

タイトルとURLをコピーしました