AI動画編集の答えは、生成AIじゃなかった — HTMLで動画を作ると文字が100%崩れない

こんにちは、Harryです。TikTok Shop向けのEC動画を、AI中心の制作フローでつくっています。

今日は、うちの制作パイプラインの心臓部の話です。結論から言うと——AI動画編集の答えは、生成AIではありませんでした。

生成AI動画の最大の壁は「日本語の文字」

動画生成AIはこの1年で本当にすごくなりました。ただ、EC動画の現場で使おうとすると、必ず同じ壁にぶつかります。

文字が崩れる。

商品パッケージのロゴ、成分表示、テロップ、価格。EC動画は「文字が正確であること」が生命線なのに、生成AIは文字を「絵」として描くので、日本語はほぼ確実に崩れます。1文字でも崩れたら商用では使えません。

うちも最初は「モデルが進化すれば解決するだろう」と思って、いろんなモデルで検証を重ねました。結論：待っていても解決しない。文字は「生成」するものではなく「描画」するものにすればいい。

発想の転換：動画をHTMLで組む

うちの動画の作り方はこうです。

1. 画面をHTML/CSSで組む（Webページを作るのと同じ技術）
2. テロップ・ロゴ・価格は、フォントデータとしてそのまま描画する
3. アニメーションもコードで制御する
4. それをフレームごとに撮影して動画に書き出す

つまり、文字が「絵」になる工程がどこにも存在しないんです。だから100%崩れない。1pxのズレもなく、指定したフォント・サイズ・座標で出ます。

Webの世界では当たり前の技術です。でも「動画編集」の文脈でこれを主軸にしている制作会社は、まだほとんど見ないですね。

この方式の副産物が、量産ではむしろ本体

文字が崩れない、は入口にすぎなくて、量産の現場ではこっちが効きます。

• 修正が一瞬：テロップの誤字修正は「テキストを書き換えて再書き出し」。編集ソフトを開き直す作業が存在しない。リビジョンの追加コストはほぼゼロ（API実費で1円程度）
• データ駆動で量産できる：画面の構造とデータ（台本・商品情報）が分離しているので、データを差し替えれば別商品の動画になる
• AIと相性が最高：HTMLはテキスト＝AIが読み書きできる形式。「このテロップをもっと強く」という指示でAIが直接編集データを触れる

前に書いたポータルの話と同じ構造です。**AIに読める形式にした瞬間、自動化の射程に入る。**動画も例外ではありませんでした。

じゃあ生成AIはいらないのか？

いらなくないです。役割分担です。

• 文字・レイアウト・アニメーション → HTML（100%制御）
• 実写素材 → 撮影（物理はAI化できない）
• 背景・質感・動きの素材 → 生成AI（得意分野に限定投入）

生成AIは「全部を任せる主役」ではなく「素材工場の一部門」。この配置にした途端、それぞれの弱点が消えて、コストも桁が変わりました。営業デモが1本約40円でつくれるのも、この構造のおかげです。

まとめ

• EC動画の生命線は文字。生成AIは文字を「絵」として描くから崩れる
• 解決はモデルの進化待ちではなく、文字を生成工程から外すこと
• HTMLで組む方式は、文字100%・修正ほぼゼロ円・データ駆動量産・AIが直接編集できる、の4点セット
• 生成AIは素材部門に限定配置するのが現時点の最適解

明日は、この方式の品質を守っている「AI採点」の話。AIに自分の作品を採点させたら人間と真逆の結果が出た、という検証の学びです。

—— Harry（@imharry_so）