音声も字幕もない作業動画から、AIはどこまで手順書を作れるのか

精密測定機器を手がけるあるメーカーの方とお話ししていたとき、こんな問いをいただきました。「画像だけで、AIはどこまで頑張れるのでしょうか」。念頭にあったのは、たとえば溶接のような手元の作業を撮った映像です。声での説明もなく、字幕もテロップもない。ただ手が動き、部品や画面が切り替わっていくだけの素材から、AIが作業を読み取ってステップに分け、タイトルまで起こせるのか。製品の操作を映像で解説するコンテンツを数多く持つ現場ならではの、実感のこもった関心でした。

同じような問いは、現場の手順を映像で残している多くの方から寄せられます。製造や設備の現場では、ベテランの手の動きそのものが情報であって、言葉になっていない作業が少なくありません。そうした無音の作業動画から、AIはどこまで手順書の形に起こせるのでしょうか。この記事では、音声のない作業動画をAIがどう扱うのか、何が読み取れて何が読み取りにくいのか、そして人がどこを補えばよいのかを、できるだけ誠実に整理してご説明します。AIの力を大きく見せたいわけではなく、現実的にどこまで頼れて、どこからは人の出番なのかをお伝えしたいと考えています。

「文章だけでは伝わらない」という課題は、データでも裏づけられています。Flowbaseが2026年3月に実施した自社調査（作成者300名）では、課題として「文章だけでは伝わりにくい」を挙げた人が26.3%いた一方で、実際に動画を使う作成者は5.7%にとどまりました。出典は業務マニュアル作成実態調査2026です。

音声がない動画の何が難しいか

文章のマニュアルであれば、書き手が「ここが一区切り」「次はこの操作」と意図を言葉にして並べます。一方で、無音の作業動画には、その区切りを示す言葉がどこにもありません。映像はただ連続して流れていくだけで、「ここまでが一つの手順です」という合図が音としては存在しないのです。

ナレーションがあれば、AIは音声を文字に起こして、説明のまとまりから手順の切れ目を推測しやすくなります。字幕やテロップがあれば、画面上の文字をOCRで読み取って手がかりにできます。ところが音声も字幕もない場合、頼れるのは映像に映る動きそのものだけになります。

画像だけで、AIはどこまで頑張れるのか。そこが知りたかったところです。溶接のような、声も字幕もない作業の映像から、ちゃんと手順として起こせるのかどうか。

さらに、人にとっては当たり前の文脈も、映像には映りません。なぜその操作をするのか、どういう状態になったら次へ進んでよいのか、といった判断の根拠は、作業者の頭の中にあって画面には出てこないことがほとんどです。ここがAIにとって難しいところであり、後ほど触れる「人が補う」べき部分の中心にもなります。

映像からAIが読み取れること

それでも、無音の映像から読み取れることは少なくありません。Flowbaseでは、録画した動画や取り込んだ動画をもとに、AIが手順・スクリーンショット・説明文のそろった手順書を自動生成します。音声がない場合でも、映像の変化を手がかりに、ある程度まで形にしていくことができます。

まず取り組むのが、手順の区切りの見当をつけることです。画面が大きく切り替わった、操作の対象が移った、しばらく止まっていた手が再び動き始めた、といった映像上の変化を手がかりに、「ここで一つの操作が終わり、次が始まったのではないか」とステップの候補を立てていきます。

次に、各ステップを代表する場面を選び、スクリーンショットとして切り出します。操作の前後で見た目が変わった瞬間は、後から読む人にとって理解の助けになりやすいため、そうした場面が候補に上がりやすくなります。

そして、切り出した場面に対して、何が起きているのかを推測した説明文の下書きを添えます。画面上に文字が表示されていれば、その文字も手がかりの一つになります。なお、各ステップにあらかじめタイトルを入れておくと、その言葉が手がかりに加わり、AIの読み取りを助けることもあります。

ここで大切にしたいのは、AIが出すのはあくまで「下書き」だという受け止め方です。手順の区切りや説明文は、人が確認して整える前提のたたき台として用意されます。Flowbaseでは、手順ごとに説明文を編集したり、必要な場面を撮り直したりできますし、内容を更新したときのバージョン管理や、できあがった手順書のPPTX書き出し、チャットで内容を検索したり質問したりする機能も備えています。下書きを起点に磨いていける作りになっています。

AIが苦手なこと・人が補うこと

一方で、無音の映像からは読み取りにくいこと、AIが不得意とすることもはっきりあります。ここを正直にお伝えしておくことが、結果としてうまく使っていただくことにつながると考えています。

最も補っていただきたいのが、操作の意図や判断の理由です。なぜこの値を選ぶのか、どうなったら正常でどうなったら異常なのか、といった判断は映像に映りません。作業者の経験や知識に支えられた部分であり、AIが映像だけから言い当てるのは難しいところです。

次に、似た見た目の区別です。ほとんど同じに見える二つの状態を、別の意味として扱う必要がある場面では、AIが取り違える可能性があります。映像上の違いがわずかなとき、その差が重要なのかどうかを判断するには、その作業を分かっている人の目が要ります。

そしてもう一つ、生成AIを使う以上は気をつけたいのが、もっともらしいけれど事実と違う説明が混ざる可能性です。AIは映像の手がかりから説明文を組み立てますが、その推測が実際の操作と食い違うことがあります。この、事実に基づかない出力はハルシネーションと呼ばれ、無音の映像のように手がかりが限られるほど起こりやすくなる面があります。

AIが添えた説明文は、必ず作業を知っている人が読み合わせて確かめる。この一手間を運用に組み込んでいただくことを、私たちは強くおすすめしています。下書きが用意されている分、ゼロから書くよりは負担が軽くなりますが、確認の工程そのものを省いてよいという意味ではありません。

精度を上げる撮り方の工夫

同じAIでも、撮り方を少し工夫していただくだけで、読み取りやすさは変わってきます。特別な機材は必要なく、普段の作業を撮るときに意識していただける範囲のことです。

一つ目は、操作の区切りをはっきりさせることです。一つの操作を終えたら、少し間を置いてから次に移ると、映像の上で切れ目が分かりやすくなり、ステップの候補も立てやすくなります。慌てて続けて操作するよりも、ひと呼吸ずつ置くイメージです。

二つ目は、大事な場面をしっかり映すことです。画面や部品が切り替わる瞬間、状態が変わる瞬間は、後から読む人にとっての要になります。その瞬間に手で隠れてしまわないように、また早送りのように一瞬で過ぎてしまわないように、少しだけ丁寧に映していただけると助かります。

三つ目は、画面に文字が出るなら読み取れる状態にしておくことです。表示される文字は手がかりの一つになりますので、ぶれていない、隠れていない状態で映っていると、説明文の下地がより確かなものになりやすくなります。

最後にもう一度お伝えしたいのは、AIに全部を任せきるのではなく、下書きづくりを任せて仕上げを人が担う、という役割分担です。無音の作業動画からでも、手順の候補とスクリーンショットと説明文の下地まではAIが用意できます。そこに作業を知っている方の確認と補足が加わることで、はじめて安心して使える手順書になっていきます。撮るだけで土台ができる手軽さと、人の目で確かめる誠実さの、両方を大切にしていただけたらと考えています。

よくある質問