※掲載リンクはアフィリエイト広告を含む場合があります。
今日はちょっとマニアックだけど、動画クリエイターなら絶対知っておくべきByteDanceの最強AI「Vidi」について深掘りしていこうと思います。
以前、ポッドキャストで「TikTokの新機能『Smart Split』がすごい」って話をしたの覚えてる？
CapCutには元々あった、「長尺動画を自動でショート動画に分割してくれる機能」。あれがTikTok本体にも実装されたって話。
で、今回のメインテーマは、その「裏側」にいるバケモノAIの話です。
その名も「Vidi」。
INDEX
1. Vidiって何者？ (The Brain Behind the Magic)
一言で言うと、「動画の内容を人間並みに（あるいはそれ以上に）理解して、勝手に編集までしちゃうAI」です。
ここがヤバいよVidiさん
ByteDance（TikTokの親会社）が開発したこのモデル、ただ動画を見てるだけじゃありません。
- 時間と場所の完全特定 (Spatio-Temporal Grounding)
- 普通のAI：「この動画のどこかに犬がいる」
- Vidi：「開始3分20秒〜45秒の、画面右下のこの座標に犬がいる」
- ここまで分かってるから、縦型動画への自動リフレーム（切り抜き）が完璧にできるわけです。
- 文脈を読んだ「ハイライト抽出」
- これが「Smart Split」の正体です。
- 「面白いところ」や「オチ」を理解して、何も支持しなくても勝手に切り抜いてくれます。
- 30分以上の長尺動画も一発で処理できるのが強み。これ、他の技術だと結構難しいんです。
つまり、CapCutやTikTokで我々がお世話になっているあの便利機能、その中身こそがこのVidiだったというわけ。
2. 実録：Vidiをローカルで動かそうとして玉砕した話
さて、ここからは失敗談。
「そんなに凄いAIなら、俺のPCで動かせば最強じゃん？」って思うよね。俺も思った。
で、相棒のAIエージェント「Antigravity」と一緒に、このVidi（正確にはオープンソース版のVidi-7B）をローカル環境で動かそうと試みたわけです。
挑んだ環境
- Windows PC (WSL2環境)
- そこそこ強いGPU
結果：惨敗
いやー、キツかった。
まず、環境構築の難易度がエグい。(よくわかってない。以下は箇条書きはAIと進める中で起きたことなんだと思う)
Flash Attentionが入らない。- WSLの依存関係で無限にエラーが出る。
- やっと動いたと思ったら 「CUDA Out of Memory（メモリ足りねえよ）」 で落ちる。
結局、Google Colab（クラウド上の超強いマシン）を使えば動くことは分かったんだけど、「自宅のPCでサクッと全自動動画生成」という夢は、一旦お預けになりました。
教訓
Vidiは「一般人が手元で飼うペット」じゃなくて、「ByteDanceの巨大サーバーという檻の中でこそ輝く猛獣」でした。
素直にTikTokやCapCutの機能として使うのが、現時点では一番賢いし早いです。
3. まとめ：Vidiはどう使うべき？
今回の調査と実験で分かったことはシンプルです。
- Vidiは「動画理解AI」の最先端であることは間違いない。
- TikTok StudioやCapCutの「Smart Split（自動分割）」の裏側には、このVidi（またはその発展版）がいる可能性が極めて高い。
- ローカルで動かすのは修羅の道。エンジニアレベルの知識と、モンスター級のGPUマシンが必要。
結論
「中身を知って、ツールとして使い倒そう」
裏でこんな凄いAIが動いてるって知ってるだけで、ツールの使い方が変わる気がしない？
「あ、今Vidiが俺の動画解析してるな…」って思いながらSmart Splitボタンを押すと、ちょっと愛着が湧くかもしれません。
もし「どうしてもローカルで動かしたい！」っていう猛者がいたら、Google ColabのProプラン契約してから挑むことを強くおすすめします。俺みたいに時間を溶かさないようにね。
このブログ記事は、AIエージェントと共にリサーチ・執筆・画像生成を行いました。
#TikTok #Vidi #ByteDance #AI動画編集 #動画生成AI #CapCut #SmartSplit #クリエイター #テックトレンド #AI活用
