ポッドキャスト音声を録るだけでYouTube進出｜図解動画はAIが全自動生成

「ポッドキャストは続けているけれど、YouTubeまでは手が回らない」。そう感じている配信者は多いはずです。

でも実は、動画を作る必要はありません。収録した音源さえあれば、図解動画はAIが全自動で生成してくれます。

弊社の番組でも、この仕組みを使っています。同じ収録のままYouTubeにも配信すれば、届く人が約5人に1人から5人に4人へ広がる計算です。

この記事では、AIによる動画生成の3ステップと所要時間、その仕組みを「投げるだけ」で使えるスキルにする方法を解説します。

動画で見たい方はこちら。

同じ収録で、届く人は約5人に1人から5人に4人に増える

まず、日本でポッドキャストがどれだけ聞かれているかを見てみましょう。

朝日新聞社とオトナルの共同調査（2025年12月、15〜69歳の男女1万人対象）では、ポッドキャストを月1回以上聞く人は18.2%でした。

一方、総務省の令和6年度の調査（2024年12月、13〜79歳の1,800人対象）では、YouTubeの利用率は全年代で80.8%、10〜40代では90%超です。

つまり、音声だけの配信で届くのは約5人に1人。YouTubeにも配信すれば、5人に4人まで対象が広がる計算です。

ポッドキャストを聞くサービスも、日米ともYouTubeが最多

YouTubeで広がるのは、動画の視聴者だけではありません。ポッドキャストを聞く場所としても、YouTubeが選ばれています。

Edison Researchの調査（2025年第1四半期）によると、米国で週1回以上ポッドキャストを聞く13歳以上が最もよく使うサービストップ3は以下のとおり。

• YouTube：32%
• Spotify：25%
• Apple Podcasts：15%

日本でも同じ傾向で、先ほどの朝日新聞社の調査では、ポッドキャストを聴くのに使うサービスの最多はYouTubeで37.3%でした。

同調査では、国内ポッドキャストユーザーの76.2%が、映像つきのビデオポッドキャストを月1回以上視聴しています。

声だけで聞くより、画面で図解を見ながら聞ける方が、内容は伝わりやすいとぼくは感じています。だからこそ、自社番組のポッドキャストは全て図解動画にしています。

動画生成は3ステップ。人がやるのは環境音カットと文字起こしまで

弊社の動画生成は、次の3ステップです。

1. Adobe PodcastのEnhance Speechで、音源から環境音をカットする
2. Whisperで、文字起こしのテキストファイルを作る
3. 音声と文字起こしをAIに渡して、あとは任せる

環境音とは、空調や扇風機など、収録の周りで鳴っている無駄なノイズのことです。Enhance Speechは音声ファイルをアップロードするだけでこれを除去してくれます。

無料プランは1日1時間（1ファイル30分・500MBまで）です。具体的な操作はスマホ録音ポッドキャストの環境音・無音・雑音をAIカットする記事で解説しています。

WhisperはOpenAIがMITライセンスで無料公開している音声認識ツールで、音声から文字起こしを作れます。

音声と文字起こしがそろったら、あとはAIに任せればOK。ここから先の作業は、すべてAIがこなします。

• 文字起こしからスライドの構成を考える
• 図解画像を生成する
• 字幕を音声に同期する
• 動画を合成する
• ついでにYouTube動画の目次も作る

下の画像は、この仕組みで実際に生成された動画の1フレームです。スライドの図解も字幕も、AIの出力をそのまま使っています。

4分の音源が約30分で動画に。人の作業は倍速チェックのみ

4分ほどのポッドキャストなら、動画化にかかる時間は約30分です。

ぼくの作業は、30分後にできた動画を倍速再生して、おかしなところがないかチェックすること。直しはほぼゼロか、あってもスライド1枚のデザインを少し直させる程度です。

この動画作成はエージェントスキル（AIがいつでも呼び出せる作業手順のまとまり）にしています。そのため毎回の指示は、音声と文字起こしを渡して「これを動画化して」だけです。

スキルの仕組みと作り方の基本は、繰り返し作業をAIで高品質に自動化するエージェントスキル入門で解説しています。

モデルは図解の分かりやすさでClaude Fable 5を選んだ

動画作成に使うAIモデルは、Claude Fable 5です。

GPT-5.6 Solも試しましたが、完成するスライドの図解の分かりやすさはFable 5が上でした。だからFable 5を使い続けています。

※Fable 5はClaudeのMAX（月100ドル）プランで利用可能

スキルの作り方は指示2つ。ほとんど手直しなしで完成

この動画作成スキル自体も、Fable 5に作らせました。1つ目の指示は、音声ファイルと文字起こしを渡してこう伝えるだけです。

この音声と文字起こしをもとに、字幕付きの図解スライド動画を作成して。図解はCodexでGPT Image 2による画像生成で作成して

図解の生成には、OpenAIのAIエージェントであるCodexと、画像生成モデルのGPT Image 2を指定しています。

※CodexはChatGPTのPlusプラン（月3,000円）で利用可能

できあがった動画の字幕の大きさやスライドのデザインを微調整したら、仕上げの指示は1つ。

この音声と文字起こしによる動画生成をスキル化して

これでスキルは完成。実際にはほとんど手直しがなく、スムーズにスキル化までできました。

まとめの前に、お知らせを。

無料メルマガで実務で使えるAI活用を毎日配信中。1分で登録できます。

超実践AI論Substacktaichiaiworker.substack.com

ながら聞きで、AIを仕事に活かす方法がわかるポッドキャストをSpotifyでも配信しています。

超実践AI論Spotifyopen.spotify.com

まとめ：音源からYouTube動画作成をAIで自動化

この記事の要点は次の3つです。

• 同じ収録でも、YouTubeにも配信すれば届く人は約5人に1人から5人に4人に増える
• 手順は、環境音カット、文字起こし、AI任せの3ステップ
• Fable 5でスキル化すれば、毎回の指示は「これを動画化して」だけ

ポッドキャストを配信しているなら、ぜひ動画化にもチャレンジしてみてください。動画化でコンテンツはよりわかりやすくなり、届くユーザーも増えます。

ぼくはFable 5を使いましたが、GPT-5.6 Solなどでもできるかもしれません。