ShortGPT 解説｜ショート動画をAIで丸ごと自動生成するOSSフレームワーク

YouTube ShortsやTikTokで「毎日投稿」を掲げてみたものの、台本を書き、素材を探し、ナレーションを録り、編集し、字幕を付け…… という工程を1本ごとに繰り返すうちに、量産の壁にぶつかった——そんな経験を持つ人は少なくないはずです。ショート動画は“数”が効くフォーマットでありながら、その数を作るための手作業が、最大のボトルネックになります。

その工程をまるごと自動化しにきたのが、ShortGPT（RayVentura/ShortGPT） です。GitHubで7,000を超えるスターを集める、ショート動画自動化の代表的なOSSフレームワーク。掲げるのは「台本から最終出力までを、AIで一気通貫に自動化する」ことです。本記事では、このShortGPTが何をどう自動化し、どう動かし、何に注意すべきかを整理します。

本サイトはAI関連OSSの解説に特化しているため、本稿では「このフレームワークで結局、何ができる／何の手間が解ける／何の代わりになるのか」という視点で読み解きます。記述は公式READMEの記載に基づき、確定情報と一般的な解釈を区別します。ShortGPTは「完成アプリ」というより「組み立てる土台（フレームワーク）」である点を念頭に置くと、その柔軟さと、相応の学習コストの両面が見えてきます。

1. ShortGPTとは — ショート動画自動生成フレームワーク

ShortGPTは、コンテンツ制作を自動化するための 強力なフレームワーク です。READMEの紹介によれば、動画制作・フッテージ調達・ナレーション合成・編集といったタスクをまとめて簡素化し、とくに YouTube Shortsの自動化やTikTokのクリエイティビティ・プログラム向け量産 を主用途としています。

ShortGPTの核心を一言でいえば、「LLM指向の動画編集言語（Editing Markup Language, EML）」 です。動画編集という、本来は人間がGUIで手作業する工程を、大規模言語モデルが理解し操作できるブロックに分解 する——この発想がShortGPT全体を貫いています。台本の生成も、素材の選択も、字幕のタイミングも、すべて「LLMが扱えるテキスト／構造」に落とし込むことで、生成AIによる自動編集を可能にしているのです。

ここで読者が探している「①結局何ができる／②何を解決する／③何を代替する」に当てはめると——① 台本生成から素材調達・ナレーション・編集・字幕・メタデータ付与までを自動で実行できる。② ショート動画量産の最大ボトルネックである“1本ごとの手作業”を解消する。③ 動画編集ソフト＋素材サイト＋ナレーション収録＋翻訳作業という、複数の道具と手順を1フレームワークで代替できる——という整理になります。

主要機能としてREADMEが挙げるのは、自動編集フレームワーク（LLM指向の編集言語で動画制作を効率化）、スクリプトとプロンプト（各種LLM自動編集向けの既製スクリプト）、ナレーション／コンテンツ生成（30以上の言語に対応）、キャプション生成（字幕の自動生成）、アセット調達（PexelsやBingからの素材取得）、メモリと永続性（TinyDBによる編集変数の長期保持）です。これらが組み合わさることで、「指示を与えれば動画が出てくる」体験を実現しています。

ShortGPTが登場した背景には、ショート動画という「アルゴリズムが量を評価する」フォーマットの台頭があります。YouTube ShortsやTikTokは、投稿頻度と本数がリーチに直結する傾向があり、クリエイターは「いかに多く、いかに継続的に出すか」という量産圧力に晒されます。しかし1本の制作に台本・素材・編集・字幕と多くの手間がかかるため、個人やスモールチームでは量産が続かない——この構造的なミスマッチを、生成AIで埋めにきたのがShortGPTです。「量が価値になるフォーマットなのに、量を作る手段が手作業しかなかった」という空白を突いたプロジェクト、と捉えると、その人気（7,000超のスター）の理由も腑に落ちます。

2. 4つのエンジン — Short / Video / Translation / Editing

ShortGPTのフレームワークは、用途別に 4つのエンジン で構成されます。それぞれの役割を押さえると、自分のユースケースにどう当てはめればよいかが見えてきます。

① ContentShortEngine（ショート生成）。その名の通り、ショート動画の制作に特化したエンジンです。台本生成から最終レンダリングまで を担当し、さらに YouTubeメタデータの付与 まで面倒を見ます。「縦型の短い動画を、投稿可能な状態まで仕上げる」のがこのエンジンの仕事です。

② ContentVideoEngine（長尺生成）。より長い動画に向いたエンジンで、音声の生成・背景フッテージの自動調達・字幕のタイミング合わせ・背景素材の準備 を行います。ショートだけでなく、ある程度尺のある解説動画やまとめ動画にも対応できます。

③ ContentTranslationEngine（吹き替え・翻訳）。これがShortGPTのユニークな強みです。動画ファイルやYouTubeリンクを受け取り、音声を文字起こし→翻訳→目的言語で吹き替え→字幕付与 し、まったく別の言語の動画として返す エンジンです。メジャー言語からよりニッチな言語まで、1本の動画を多言語展開できます。

④ EditingEngine（編集）。編集マークアップ言語（EML）とJSON を使い、編集プロセスを 管理しやすくカスタマイズ可能なブロック に分解します。これがLLMにとって理解しやすい形であり、自動編集の土台になります。

4エンジンの役割を一覧で整理すると、使い分けが明確になります。

これら4エンジンは、それぞれ単独でも使えますが、組み合わせることで「台本を書き、素材を集め、ナレーションを乗せ、編集し、別言語にも展開する」という制作フロー全体をカバーします。READMEは「ShortGPTはフレームワークとして適応性と柔軟性があり、効率的でクリエイティブなコンテンツ制作の可能性を提供する」と述べており、用途に応じてエンジンを選び・組み合わせる設計思想が見て取れます。

とりわけ実務で価値が高いのは、ショート用と翻訳用を組み合わせる使い方です。ContentShortEngineで母国語のショート動画を量産し、ContentTranslationEngineでそれを各言語に展開すれば、「1つの企画を、複数言語のチャンネルへ同時供給する」というスケールが見えてきます。これは1人のクリエイターやスモールチームが、グローバル市場に向けてコンテンツを出し続けるための、現実的な武器になり得ます。

3. LLM指向の編集言語(EML) — 自動編集の心臓部

ShortGPTを“ただの自動化スクリプト”と分けるのが、編集言語（EML）の存在 です。ここがフレームワークの心臓部なので、もう少し掘り下げます。

なぜ「編集言語」が必要なのか。動画編集は、本来きわめて視覚的・操作的な作業です。「このクリップを3秒で切って、ここにBGMを乗せて、テロップをこの位置に」——こうした指示を、LLMが直接GUIを操作して行うのは困難です。そこでShortGPTは、編集の各工程を、LLMが読み書きできるテキスト／JSON構造（EML）に翻訳 します。LLMはEMLを生成・編集することで、間接的に動画編集を制御できるようになるわけです。

この設計の流れを、生成の段取りで追ってみましょう。(1) スクリプト生成：LLM（OpenAI等）が台本を作る。(2) EMLへの変換：編集工程をEML/JSONとして記述する。(3) 素材・音声の紐付け：Pexels等から素材を、TTSからナレーションを取得して各ブロックに割り当てる。(4) レンダリング：MoviePyが最終的な動画ファイルへ書き出す。この一連を、人間が手で繋ぐ代わりに、フレームワークが自動でつなぎます。

図にすると、各工程がどう連なるかが一目で分かります。

ポイントは、EMLが すべての工程をつなぐハブ になっていることです。台本も、素材も、音声も、字幕も、いったんEMLという共通の構造に集約され、そこからレンダリングへ流れます。各部品が独立して動きながらEMLで統合される——この構造ゆえに、「素材調達だけ差し替える」「音声だけEdgeTTSに切り替える」といった部分的なカスタマイズが容易になります。

EMLの利点は 再現性とカスタマイズ性 にもあります。編集がテキスト構造として表現されるため、「同じフォーマットで毎回作る」「一部だけ差し替える」といった操作がしやすく、量産に向きます。さらにREADMEによれば、ShortGPTは TinyDBによる状態の永続化 を備え、編集変数を長期的に保持します。これにより、生成プロセスの途中状態を管理し、複数の動画を一貫したスタイルで作り続けることが可能になります。「編集をデータとして扱う」というEMLの思想は、動画制作を“職人芸”から“再現可能なパイプライン”へと変える試みだといえます。

4. 裏側の技術 — TTS・素材調達・字幕

ShortGPTが「丸ごと自動化」を実現できるのは、各工程に適した 外部技術を束ねている からです。READMEが挙げる主要技術を見ておきましょう。

・MoviePy：動画編集とレンダリングを担うPythonライブラリ。EMLの指示を実際の動画出力に変換する
・OpenAI：台本やプロンプトの生成など、LLM自動編集プロセス全体の自動化に使う
・ElevenLabs：高品質な音声合成。複数言語のナレーション生成に対応（有償）
・EdgeTTS：マイクロソフトの無料TTS。ElevenLabsより多くの言語に対応し、コストを抑えられる
・Pexels：背景フッテージの調達。Web経由で幅広い画像・動画にアクセスする
・Bing Image：画像素材の調達。関連ビジュアルを取得するためのデータベースとして利用

注目したいのは、有償と無償を使い分けられる点です。音声合成は、品質重視ならElevenLabs、コスト重視かつ多言語ならEdgeTTSという二択を持ちます。とくにEdgeTTSは無料でありながら 30以上の言語 に対応し、日本語ナレーションも生成できます。これにより、「APIコストをかけずにまず試す」「品質が必要な本番だけ有償に切り替える」といった柔軟な運用が可能です。

素材調達をPexelsやBingから自動で行える点も、量産には効きます。動画制作では「テーマに合う映像素材を探す」工程が地味に重いのですが、ShortGPTはこれをAPI経由で自動化します。台本のキーワードに応じて関連素材を引いてくることで、“素材探し”という人手作業を省略 できるわけです。これら技術の組み合わせによって、ShortGPTは「台本を考えてから動画が出てくるまで」を、ほぼ人手を介さずに走らせます。

ここで設計思想として見逃せないのは、ShortGPTが 「自前で全部作る」のではなく「優れた外部サービスを束ねる」 方針を採っていることです。音声合成は音声合成の専門サービスに、素材調達は素材プラットフォームに、台本生成はLLMに任せ、ShortGPT自身は それらをEMLでオーケストレーションする“指揮者” に徹します。これは、AI時代のツール設計でしばしば見られる賢いアプローチです。各分野で最良のサービスは日々進化するため、それらを差し替え可能な部品として扱い、つなぎ方（オーケストレーション）に価値を集中させる——この構造が、ShortGPTの柔軟性と拡張性を支えています。利用者から見れば、「音声品質が物足りなければElevenLabsに、コストを抑えたければEdgeTTSに」と、部品単位で最適化できる自由度につながります。

5. セットアップと使い方 — Colab と Docker

実際に動かす方法を確認しましょう。ShortGPTは 2つの起動経路 を用意しています。

経路①：Google Colab（推奨）。ローカルに何もインストールしたくない場合は、公式のColabノートブックが最も手軽です。リンクを開き、セルを上から順に実行するだけで動きます。READMEも「無料で、インストール設定が不要」とこの方法を強く推奨しています。まず試すなら、Colabが圧倒的に簡単です。

経路②：Docker（ローカル実行）。ローカルで動かすにはDockerが必要です。Dockerfileをビルドして起動すると、31415番ポートで Gradioのウェブインターフェース が開きます。

docker build -t short_gpt_docker:latest .
docker run -p 31415:31415 --env-file .env short_gpt_docker:latest

起動後、ブラウザで http://localhost:31415 を開けば、GradioのUIから操作できます。.env には、台本生成のOpenAIや音声のElevenLabsなど、利用するサービスのAPIキーを設定します。詳細な前提条件は、リポジトリの installation-notes.md にまとめられています。

使い方の実感としては、「フレームワーク」であることを意識すると理解しやすくなります。ShortGPTは“ボタン一発で完成品が出る完成アプリ”というより、台本・素材・音声・編集をプログラマブルに組み合わせる土台です。Gradio UIから手軽に試せる一方、本格的に使うなら、4つのエンジンやEMLを理解して、自分のチャンネルのフォーマットに合わせてカスタマイズしていくことになります。READMEに「より詳しいドキュメントは順次追加予定」とあるように、現状は手を動かしながら把握する部分も残りますが、公式ドキュメントサイト（docs.shortgpt.ai）も用意されています。

6. 使いどころと注意点 — 実験的フレームワークとの付き合い方

最後に、ShortGPTをどう使い、何に気をつけるべきかを整理します。

向くケース：YouTube ShortsやTikTokの量産検証、多言語チャンネルの展開、動画編集自動化の試作、素材調達を含む一括生成——こうした「大量×多言語×反復」の制作は、ShortGPTの自動化が最も効く領域です。とくに翻訳エンジンを使った多言語展開は、人手では現実的でないスケールを可能にします。たとえば、既存の人気動画を10言語に吹き替えて各言語圏のチャンネルに展開する、といった運用は、手作業なら1本ごとに翻訳者・声優・編集者を手配する必要がありますが、ShortGPTなら同じパイプラインを言語を変えて回すだけで済みます。コンテンツの“横展開”を低コストで試せることは、グローバル展開を狙うクリエイターにとって大きな意味を持ちます。

注意すべき点 は4つあります。第一に、実験的フレームワークであること。README自身が “experimental framework” と位置づけており、本番運用には出力の品質チェックと調整が前提です。第二に、APIコスト。OpenAIやElevenLabsを使う構成では生成本数に応じて費用が積み上がるため、無料のEdgeTTSやColab無料枠でコストを抑える設計も検討します。第三に、プラットフォーム規約。YouTubeやTikTokは自動生成・量産コンテンツに関するポリシーを持つため、規約に反しない使い方が必要です。第四に、素材の権利。Pexels等から調達する素材のライセンスや、生成物の公開・収益化の可否は、利用者側で確認する責任があります。

判断の軸を1つ持つなら、「質より量・スピードが価値になる制作か」を問うとよいでしょう。1本を丁寧に作り込む作品志向の制作には、まだ人間の手が要ります。一方、決まったフォーマットの動画を、多言語で、大量に回したい——という運用には、ShortGPTのような自動化フレームワークが圧倒的に効きます。「手作業ではスケールしなかった制作を、現実的なコストに引き下げる道具」として捉えると、ShortGPTの立ち位置が鮮明になります。生成AIで動画を量産する時代の、ひとつの実装解として、まずはColabで触れてみる価値があります。

なお、ShortGPTのようなコード・フレームワークを学ぶ価値は、単に「動画が作れる」ことにとどまりません。台本生成（LLM）・素材調達（API）・音声合成（TTS）・編集（MoviePy）・状態管理（TinyDB）という、生成AIアプリの典型的な構成要素を、EMLというハブでオーケストレーションする設計は、動画以外のマルチステップ自動化にも応用できる普遍的なパターンです。「外部サービスを部品として束ね、つなぎ方に価値を集中させる」というShortGPTの構造は、自分でAIアプリを設計するときの参考にもなります。動画量産の道具としてだけでなく、AI自動化の設計事例としても、一読の価値があるプロジェクトです。

まとめ

本記事では、ショート動画自動化フレームワーク ShortGPT を、量産のボトルネックを解く道具として読み解きました。

要点は3つです。第一に、ShortGPTは台本から最終出力までを一気通貫で自動化し、その心臓部にLLM指向の編集言語(EML)を据えていること。第二に、ContentShort/Video/Translation/Editingという4エンジンで、短尺・長尺・翻訳・編集を役割分担し、とくに翻訳エンジンによる多言語展開が強みであること。第三に、ElevenLabs/EdgeTTSやPexels/Bingといった技術を束ねて「指示すれば動画が出る」体験を作る一方、実験的フレームワークゆえに品質・コスト・規約・権利の管理は利用者に委ねられること。

動画制作を“職人芸”から“再現可能なパイプライン”へ——ShortGPTが示すのは、ショート動画量産という現実的なニーズに、生成AIで応える一つの実装解です。質より量とスピードが効く制作なら、その自動化の威力を、まずColabで確かめてみてください。そして、もし自分でAI自動化の仕組みを設計するなら、ShortGPTの「外部サービスを部品として束ね、つなぎ方（EML）に価値を集中させる」という構造は、動画以外の領域でも応用できる設計の手本になるはずです。

参照ソース

・RayVentura/ShortGPT（公式リポジトリ） — 本記事が解説した一次情報（README・4エンジン・技術スタック）
・ShortGPT Documentation（公式ドキュメント） — セットアップ・APIの詳細
・ShortGPT Showcase（YouTube・公式デモ） — 実際の生成結果のデモ