リールの伸びない原因を、
AIが3秒で言い当てる

①

公開前の最終チェック

撮影した動画をアップ → AIが冒頭3秒の引き強度・テロップ抜け・尺の冗長 を採点。

例: 冒頭スキップ率 予測42% → 冒頭1秒のフックを「結論→疑問→結論」型に組み替え案を提示

②

伸びなかった動画の事後分析

再生数300回で止まったリールを AIに見せて「なぜ伸びなかったか」を診断。

例: テロップ密度0.3/秒 → 推奨0.8-1.2/秒 → 再編集テロップ指示書が一発で出る

③

量産フェーズの台本生成

伸びた1本の構造をAIが抽出 → 同テーマで台本3案を生成 → 連投で再現性を取りに行く。

例: 「保存率4.5% のリール」の構造をテンプレ化 → 来週3本分の台本が30分で揃う

冒頭3秒スキップ率予測

Vision API + Whisper で動画前半の情報密度・テロップ出現・カット数を解析。スキップ率を機械学習で推定。

テロップ密度 (字幕/秒)

推奨0.8-1.2字幕/秒。少なすぎれば情報不足、多すぎれば視線分散。AI が最適レンジに調整指示。

カット切替テンポ

ジャンル別の推奨カット間隔と比較。教育系=3-5秒 / Vlog系=5-8秒 / 商品紹介=2-4秒 など。

シズル感 (視覚的フック)

動き・色相変化・テキストアニメ・人物表情 を画像認識で採点。低い場合は具体改善案を提示。

BGM・効果音 適合度

映像内容と BGM テンポ・効果音の合致度を診断。離脱を抑える音設計まで言及。

改善台本 3案 同時生成

同じテーマで「フックの型を変えた台本」を3案出力。撮り直しの方向性を瞬時に選べる。