3時間のインタビュー映像から必要なクリップを探す方法

3時間のインタビュー。4つのカメラアングル。納品するのは90秒。

編集より、見つけることが難しい。

多くの編集者は、メモを取りながら全部を1.5倍速で見て、最初のカットをする前に半日かけてセレクトを作ります。機能する方法ですが、トーキングヘッドの仕事で最も料金にしづらく感じる時間です。映像が増えるほど比例して時間も増えます。望ましい方向ではありません。

その時間を短縮する方法を紹介します。特定のエディタを前提にはしませんが、最後にAVEでの実践方法も説明します。

スクラブを標準にすべきでない理由

順番に映像を見る方法は、網羅性を重視しています。すべてを見るので、見落としはありません。

しかし、本当に必要なのはそれではありません。必要なのは使える場面を8つほど見つけることで、順に見直すコストは、それらが均等に分布していてもいなくても発生します。実際、均等なことはありません。多くのインタビューでは、使えない長い部分の間に、作品を支える2分間が埋まっています。

2つ目の問題は、作業が長引くほど人の記憶が曖昧になることです。2時間もすると、候補同士ではなく、最後に見た映像と比較するようになります。「あのセリフはどのテイクが一番良かったか」は、質よりも記憶の新しさで決まりがちです。

検索でセンスが良くなるわけではありません。3時間分の映像を一度に覚えておけない、という問題を解決します。

まず素材を索引化する

これから説明することは、索引なしでは機能しません。この工程を飛ばして、AI検索は期待外れだと判断してしまいがちです。

必要なのは4種類の手掛かりで、それぞれ役割が異なります。

正確なタイムコード付きの文字起こし。動画の横に置いたテキストファイルではなく、時間範囲に結び付いたテキストです。表現を見つけることが、その場面を見つけることになります。発話のある映像にとって最も価値の高い索引で、今では低コストで作れます。Apple Silicon上でローカル動作するWhisperクラスのモデルなら、M4クラスのMacで1時間のインタビューを数分で処理できます。

映像の説明。被写体、動作、場所、構図、誰かが話しているか、商品が映っているかなど、ショットの内容です。会話で検索できないBロールを見つけるには、この情報が役立ちます。

メタデータ。カメラ、タイムコード、作成日、解像度、長さ、カードの構成。地味ですが、特にマルチカムでは役立ちます。「2つ目のセットアップのワイド」は、意味よりメタデータに基づく検索です。

プロジェクトの文脈。タイムラインに何があるか、各ビンに何が入っているか、以前何を選択したか。多くのツールが見落としている情報ですが、検索順位の改善に大きく役立ちます。これまでの選択から、あなたが何を良いと考えるかがわかるためです。

読み込み時に一度解析を実行し、その間に別の作業をします。新しいMacならバックグラウンドで進み、フォルダーの名前付けが終わる前に完了します。

進め方

素材の索引ができると、検索そのものには、毎回ほぼ共通した流れが生まれます。

1. 検索の前に構成の柱を書く

映像に手を付ける前に、作品で伝えたいことを3〜6個、順番に短い文で書きましょう。

以前は手作業でした。思い付く解決策を試しても、うまくいきませんでした。そこで作ったのがこれです。お客様には、こんな変化がありました。

4分ほどですが、最も効果の大きい工程です。その後の検索が、漠然と良い場面を探すのではなく、特定の主張を裏付ける検索になります。漫然と探すと、きれいでも1本にならない場面集ができてしまいます。

2. キーワードだけでなく、意味で探す

構成の各行について、完全に同じ言葉ではなく、話された内容を探します。インタビュー相手がこちらと同じ表現を使うとは限りません。

「オンボーディングのつまずき」と検索したら、「実際にログインできるようになるまで3週間かかった」という発言が見つかるべきです。それが文字起こしを意味で検索する価値であり、文字列の完全一致しかできないツールでは、良い素材の多くを見逃します。

発話のある映像に役立つ検索の例：

• 以前の方法がうまくいかなかった理由を説明する場面。
• 製品が何をするかを最も明確に示す1文、
• 具体的な数字や成果に言及する場面。
• 長い沈黙の後に出てくる、多くの場合に本音の答え。
• 話し手が言い直す場面。2回目のほうが良いテイクであることが多いためです。

3. 会話のない素材は、映像で検索する

構成の柱にはカットアウェイも必要ですが、それは文字起こしにはありません。

映像検索では、違う言葉の使い方をします。背景がシンプルな製品のアップ、ホワイトボード前の2人、タイピングする手、外観の導入ショット、笑っている人、といった画面の内容を説明します。

ここで、大量のBロールを入れたフォルダが負担ではなくなります。素材はずっとありました。ただ、撮影した人にしか探せなかったのです。

4. 順位をうのみにせず、根拠を確認する

各結果は、元の場面で前後に少し余裕を持ち、文脈を含めてプレビューできるべきです。

実際のクリップを見てください。順位付けは、ある程度の割合で自信ありげに間違います。問題は無関係な結果より、言葉は合っていても話し方が平板だったり、良い発言に電話の音が重なっていたりすることです。

検索結果は候補であり、決定ではありません。

5. 候補を絞り、あえて比較する

構成の各ポイントに、候補を2つ残します。比較できない1つでも、決められなくなる6つでもなく、2つです。

5つの要点に候補を2つずつ選べば、10クリップです。数分でラフカットを組み、率直に判断できます。

6. 構成の順に並べ、一度通して見る

順番につなぐだけにして、仕上げ、トランジション、音楽は加えません。途中で止めずに、最初から最後まで見ます。

セレクト一覧を読むだけでは気づかなかった不足が、すぐに見えてきます。構成の柱となる1点に使える素材がなく、削るか撮り直す必要がある、といった発見です。すべてのカラー調整を終えた後より、初日にわかる方が良いでしょう。

優れたツールがもたらすもの

どのツールを使う場合でも、この方法が快適か、ストレスになるかを左右するのは、いくつかの基本的な特性です。

• 発話と映像を、別々の機能でなく1か所で検索。
• 言い換えも見つける意味ベースの照合。
• ファイル全体ではなく、正確な時間範囲を示す検索結果。
• キー1つで、ソースのその場面をプレビュー。
• 元メディアとのつながりを保ち、検索結果からタイムラインへ直接進めます。
• 一度解析すれば、次のセッションでも結果を利用できます。

最後の点は、見た目以上に重要です。プロジェクトを閉じると索引が消えるなら、毎回時間のかかる処理をやり直すことになり、やがて使わなくなります。

この分野の現状

もはや珍しい能力ではありません。それは誰にとっても良い知らせです。

AdobeはPremiereにMedia Intelligenceを導入し、内容や発言で映像を検索できるようにしました。AppleはFinal Cut Pro 12に自然言語の画像検索を追加し、「階段」と入力すれば階段の映るショットを探せます。BlackmagicもResolveにAIによる整理機能を追加してきました。

これらのツールの違いは、検索できるかどうかよりも、解析がどこで行われるか、ライブラリのどこまでを索引化するか、得られた結果を何に使えるかにあります。

最後が本当の分かれ目です。場面を見つけるのは仕事の半分。見つけた後でビンから手動で探し直す必要があるなら、簡単な部分しか自動化していません。

AVEでの仕組み

AVEは、あとから検索欄を追加したのではなく、この方法を中心に設計されています。

映像の読み込み時に、内蔵のLocal AIエンジンがMac上で解析し、タイムコード付きの文字起こしと映像メモを作成します。検索は文字起こし、映像の根拠、検出結果、メタデータ、タイムラインの文脈をまとめて順位付けするため、発言内容、画面に映っているもの、またはその両方から答えを見つけられます。結果は元映像の正確な範囲に対応しており、編集を確定する前にプレビューできます。

映像メモリは、検索ではできないことを担います。気になる人、場所、製品を元映像の正確な範囲で確認して教え、ローカルのプロジェクトを横断して呼び出せます。似た映像も、確認なしで記憶として確定しません。記憶の誤認は、記憶がないことより問題だからです。

AVEは検索だけのツールではなく、本格的なタイムラインエディタなので、検索結果をそのままシーケンスに使えます。手順6でラフカットを確認可能なプランとして依頼し、承認すれば、タイムコードの一覧を手入力する代わりに、編集可能な構成が得られます。

映像インテリジェンスの仕組み、手元にある映像から始める考え方、YouTube、ポッドキャスト、インタビュー向けのAI動画編集ワークフローをご覧ください。SNS向けクリップが主な納品物なら、タイムライン全体を編集する方法をMac向けOpus Clip代替アプリと比較するか、長い映像から短尺クリップを作成できます。

3時間の映像そのものが短くなるわけではありません。そのすべてを見なければならない時間が短くなります。