MP3・音声ファイルから字幕付き縦型ショート動画を作る方法

音声ファイル（MP3・WAV・M4A）をアップロードするだけで、AIが文字起こし→見どころ抽出→ビジュアル生成→字幕付与→縦型書き出しの5ステップを自動化し、映像素材ゼロで1080×1920・9:16のH.264/AAC MP4ショート動画が完成します。

要点（TL;DR）

• 映像素材不要。音声だけからAI生成ビジュアル＋字幕付き縦型動画を作れる
• 全5ステップ：アップロード→分析→ビジュアル生成→字幕設定→書き出し
• ビジュアルは4スタイル（スケッチノート/シネマティック/フラットグラフィック/マンガ）から選択可
• HQモード（3フレーム・ストーリーボード・15cr）がデフォルト、スタンダード（1フレーム・5cr）も選択可
• 直接アップロードは200MB・90分上限。RSSインポートも90分超のエピソードが自動スキップ
• 書き出し仕様：1080×1920 H.264/AAC MP4、ASS字幕焼き込み、字幕位置Top/Bottom選択可
• 無料プランで月50クレジットから試せる

なぜ映像なしでも動画ができるのか

faceless.fmは音声をテキストに変換したあと、そのテキスト内容をAIが解析してビジュアル画像を自動生成します。カメラも照明も不要で、「顔出しなし（ファセレス）」のまま縦型動画が完成する仕組みです。ビジュアルはスケッチノート・シネマティック・フラットグラフィック・マンガの4スタイルから選択でき、デザインスキルや映像編集の知識がなくても見映えのある動画を作れます。

ファセレス動画とは何かを詳しく知りたい方はこちら

対応フォーマットと事前準備

ファイルサイズ上限（直接アップロード）：200MB、再生時間は90分まで。それを超える場合はDAWや音声編集ソフトで分割してください。

RSSインポートをご利用の方へ： RSSフィード経由でも、90分を超えるエピソードは自動的にスキップされます。長尺エピソードはDAW等で分割してください。

音質チェックリスト（アップロード前）：

• 背景ノイズが著しく大きくないか（文字起こし精度に影響）
• 音量が適切か（極端に小さいと認識精度が下がる）
• ステレオ・モノラルは問わない

ステップ1：プロジェクトを作成して音声をアップロードする

faceless.fmにログイン後、ダッシュボードから「新しいプロジェクト」を作成します（例：番組名）。プロジェクト内で「エピソードを追加」をクリックし、音声ファイルをドラッグ＆ドロップまたはファイル選択でアップロードします。

アップロード完了後、自動的に文字起こし（STT）処理が始まります。

所要時間の目安： ファイルのアップロード自体は数秒〜1分。文字起こしは音声10分あたり約1〜2分。

よくある失敗：プロジェクトを作成せずにエピソードを登録しようとするケース。エピソードは必ずプロジェクトの下に紐付く形で登録します。プロジェクトが先に必要です。

ステップ2：AIに見どころを分析させる

文字起こしが完了したら「分析する」を実行します（5cr）。AIがトランスクリプト全体を読み取り、SNS映えしやすい見どころ候補を最大5件提案します。各候補には次の情報が付きます。

• 開始・終了の時刻
• 選定理由（例：「視聴者の驚きを引き出す数字が含まれている」「強いフックで始まる」）
• バイラルスコアと推奨ビジュアルスタイル
• フックテキスト（SNS投稿の冒頭文として使える）

候補の中から1件を選択するか、自分でトランスクリプトを見ながら時刻を指定することも可能です。

所要時間の目安： 分析完了まで約1〜2分。

実際の候補出力イメージ：

候補1（バイラルスコア: 87）
区間: 03:21 – 05:44
理由: 「月100万円の仕組み化」という具体的な数字と行動変容のフックが
      冒頭に来ており、SNSで拡散されやすい構造を持っています。
推奨スタイル: フラットグラフィック
フックテキスト: 「毎月100万円を自動で稼ぐ仕組みを3ステップで作った話」

どの箇所を選ぶかで再生数が大きく変わります。選定のコツについてはポッドキャストの「切り抜き箇所」の選び方を参照してください。

ステップ3：ビジュアルスタイルとモードを選んでAI画像を生成する

見どころ区間を確定したら「ビジュアル生成」を実行します。以下の4スタイルから内容に合うものを選びましょう。

生成モードとクレジット： 生成時間： 1フレームあたり30〜60秒（レート制限回避のため画像間に5秒の間隔を設けています）。HQモードの3フレームは合計3〜4分が目安。

気に入らない画像は個別に再生成できます。また、過去に生成した別エピソードの画像を流用することも可能です。

よくある失敗：スタイルを選ばずに生成するとデフォルトのスタイルが適用され、内容と雰囲気が合わないことがあります。コンテンツのトーンに合わせてスタイルを選んでから生成してください。

ステップ4：字幕の位置とスタイルを設定する

ビジュアルが揃ったら動画生成ページへ進みます。字幕は音声の文字起こし結果から自動生成されるため、追加入力は不要です。設定できる主な項目：

字幕位置：Top（上部） / Bottom（下部）

字幕の詳細な調整（フォントサイズ・色・表示タイミング）については字幕自動生成の完全ガイドを参照してください。

ステップ5：動画を書き出してダウンロードする

「動画生成」をクリックするとFFmpegが音声・画像・字幕（ASS形式）を合成し、9:16・1080×1920のH.264/AAC MP4ファイルが完成します。生成完了後にダウンロードリンクが表示されるので、端末に保存し各SNSからアップロードします。

書き出し仕様：

• 解像度：1080×1920（縦型9:16）
• コーデック：H.264映像 / AAC音声
• 字幕フォーマット：ASS（Advanced SubStation Alpha）焼き込み
• 字幕位置：Top / Bottom（前ステップで設定）

書き出し所要時間： 30秒クリップで30〜60秒が目安。

実際の生成ログ例：

[generate-video] 動画生成開始 jobId=a3f9c...
[ffmpeg] 音声スライス: 03:21 – 05:44 (143秒)
[ffmpeg] 字幕ASSファイル生成: 47ライン
[ffmpeg] 画像合成: 3フレーム × 1080×1920
[ffmpeg] エンコード完了: output.mp4 (18.2MB, H.264/AAC)
[generate-video] 完了 所要時間: 52秒

投稿前チェックリスト

1. 縦型（9:16）になっているかプレビューで確認
2. 字幕がSNSのUIと重なっていないか縦型プレビューで確認
3. SNSキャプション（faceless.fmがAI生成したX/note/LinkedIn用テキスト）をコピー
4. タイトルとハッシュタグを設定して投稿

よくある失敗と対処法

この手順が向かないケース

リアルタイム配信のクリップ化 — バッチ処理のため、生成に数分かかります

著作権音楽が含まれる音声 — BGMが含まれる場合、SNS投稿時に著作権フラグが立つ可能性があります

非常に専門的な固有名詞が多いコンテンツ — 文字起こしの誤認識が増えることがあります（トランスクリプト編集で修正可能）

90分を超える長尺エピソード — RSS・直接アップロードとも処理上限を超えるため、事前に分割してください

---

ポッドキャストからショート動画を作る完全ガイドでは、RSSフィードからの一括取り込みや、複数エピソードを連続で処理するワークフローも解説しています。番組全体のコンテンツを効率よく短尺動画へ変換したい方はあわせてご覧ください。

faceless.fmなら音声ファイルを用意するだけで、ビジュアル生成・字幕付け・縦型書き出しまで一気通貫で完了します。無料プランで月50クレジットから始められます。今すぐ無料で試す