FFmpegとAPIで作る：動画への音声合成（add audio to video）とAIによるInstagram動画生成のパイプライン

Instagram Reels などの縦型短尺動画は、今や個人・企業の発信に不可欠だ。だが毎日素材をトリミングし、ナレーション作って、BGM 合成して、動画編集ソフトで書き出す作業は、人力では続かない。この記事はそれを自動化するパイプライン、つまり AI が画像・動画・音声を作り、FFmpeg が合成を担うシステムの構築法を示した。テキストから AI が 1本の動画を作り上げるまでを完全自動化する設計だ。動画製造の瓶首はどこか。それは「編集」ではなく「尺合わせ」と「アスペクト比」だ。生成 AI が 16:9 の横型動画を吐くのに、Instagram は 9:16 の縦型を要求する。長さも「ナレーションが 5.5 秒、でも生成動画は 4 秒」という不一致が起きる。このつなぎの部分を人手でやってたら、1日 10 本なんて無理だ。記事が提示した FFmpeg の使い方—映像は再エンコードしない（copy）、音声だけ合成する—は最小限の工夫だが、これで処理時間が 1/10 に縮む。要は「どこを AI に任せ、どこを工具に任せるか」の分岐点を正しく選んだシステム設計である。中小企業が毎日更新する SNS 動画を「ほぼ自動」で作りたいなら、このアプローチは月数千円で実装できる。ただし初期構築に 2〜3 週間はかかるし、API の制限やエラー処理（非同期キュー、べき等性）の細部は複雑だ。それでも「毎日 1 本のナレーション原稿と 1 枚のキービジュアルから、完成動画が自動生成される」というループが回り始めたら、手作業の 10 倍、20 倍のペースで発信できる。