AIタグは「何が写っているか」ではなく「編集でどう使うか」で分ける — 写真・動画4,341件に12軸

家族の写真や動画で成長記録のムービーを作っていたら、時間の大半が編集ではなく素材選びに消えた。ファイルは4,341件（写真3,989・動画352、2017〜2026年）。

既存のタグはすべて「何が写っているか」だった。子ども、食べ物、海。ところが編集中に本当に必要だった問いは別物だった。オープニングに敷く広い風景カットはあるか。字幕を載せられる空きスペースがあるカットはどれか。ブレたカットを先に弾けるか。

そこでタグを「編集でどこに使うか」で組み直した。この記事を読めば、写真や動画にAIでタグを付けるときにどんな軸で分ければ素材選びが速くなるか、AIが付けたタグをなぜ必ず目で見るべきかが分かる。

「何が」から「どこに」へ

写真アプリの標準の分類（人物・場所・物）は探すためのものだ。「海で撮った写真」を探すには向いている。編集では「字幕を載せられるワイドカット」のように使い道で探すことになる。両者は重ならない。標準の分類はそのまま残し、編集用の軸をもう一層重ねた。

タグはすべて 軸:値 形式のmacOS Finderタグだ。軸は12個。実際のタグは韓国語で付けているが、ここでは日本語に訳して書く。

軸	タグ例	編集で使う場面	判定方法
構図	構図:クローズアップ 構図:ワイド	カットサイズのリズム	顔・体の枠の高さの比率
配置	配置:左/中央/右	トランジションの向き、前後のカットのつなぎ	顔の中心・注目領域
余白	余白:上/下	字幕の置き場所	注目領域の外の空きの割合
視線	視線:正面/左/右	視線を合わせる	顔の左右の向き（yaw）
品質	品質:鮮明/ブレ/暗い	先に弾く	エッジの強さ、明るさの分布
色・光	色:暖色 光:夜	グレーディングのトーン合わせ	平均色、主要色、撮影時刻
時間	季節:春 時間帯:夕方	一日・季節の流れ	EXIFの時刻
形式	形式:縦	ショート・リール	縦横比
動画	撮影:スロー 長さ:長回し	スローの区間	fps、長さ
音	音:笑い声/話し声/音楽	元の音を生かすカット	macOS SoundAnalysis
用途	用途:オープニング/エンディング/字幕背景	すぐ取り出せる候補	上の軸の組み合わせ
基本	場所:海 年:2022	何が写っているか	Visionのシーン分類

用途タグは他の軸を組み合わせて作る。用途:オープニング = 状況説明ショット（場所を見せる広いカット）＋鮮明＋横。用途:字幕背景 = ワイド＋上か下の余白。

すべてローカルで処理した。Vision（顔・体・水平線・注目領域・シーン分類）、CoreImage、SoundAnalysis、ffprobe。外部APIは一度も呼んでいない。家族写真なので最初から決めていた条件だ。結果はファイルあたり平均9.6個、タグの種類は88。

半分は目で直した

タグごとに14枚ずつサンプルを取り、自分の目で見た。最初のルールのまま使えるものは多くなかった。

タグ	最初のルール	問題	直したあと
アングル:ダッチ	水平線が8°以上	屋内の誤検出、横向きのまま保存された写真がほとんど	廃止
用途:エンディング	午後＋暖色＋風景	暖かい室内照明を夕焼けと誤認（料理写真がエンディング候補に）	基準を変えて10/14
品質:ブレ	機種ごとの下位12%	大きな顔は肌がなめらかでボケと誤判定	大きな顔を除外
表情:笑顔	顔がひとつでも笑っていれば	背景の小さな顔、彫像の顔	最大の顔の50%以上の大きさだけ → 15/18
用途:オープニング	風景ラベル	料理・動物が混ざる	料理・動物を除外
視線:左/右	yaw ≠ 0	少しだけ向きを変えた顔まで	yawの絶対値0.6以上のみ

アングル:ダッチ はまるごと捨てた。傾いた構図を拾うつもりだったが、引っかかったのはほとんどがEXIFの向き情報なしで横倒しのまま保存された写真だった。こういう写真を自動で見分ける処理はまだできていない。

余白・色 系はまだサンプル検証をしていない。だから精度の数字は書かない。

既存のタグを消さない

Finderで元から色タグが付いているファイルもあった。タグはファイルの拡張属性（xattr）に入っているので、まるごと上書きすると既存のタグが消える。元はそのまま残し、後ろに追記した。適用後に4,341件を全件再検証し、新しいタグの付け漏れ0、既存タグの消失0を確認した。

カメラの動き（パン・トラッキング・手持ち）はまだ軸にない。動画解析を入れたら、それは次の記事で扱う。

写真・動画のアーカイブにAI分類を付けたい、社内の資料をこういう形で整理したいという場合は、negabaroに相談してほしい（お問い合わせ）。