2026年になり、Claude Codeや各種AI Agentのおかげで、コーディングの速度は劇的に上がりました。しかし、**「書いたコードを他人に説明するコスト」**は、依然として高いままだと感じていませんか？

Qiitaのトレンドでも「設計の甘さによるAIの手戻り」や「エンジニアの燃え尽き」が話題になっていますが、私たちが最も時間を奪われているのは、実は**「コンテキストの共有」**です。

テキストで長々とPR（Pull Request）の説明を書くのは辛い。でも、Zoomで画面共有して説明するのも時間が合わない。

そこで今回は、**「PRの概要欄（Markdown）から、解説動画を全自動で生成してコメントするWorkflow」**を構築してみました。

これを使えば、ドキュメント作成の時間を節約し、よりクリエイティブな設計業務に集中できるようになります。
アーキテクチャ

今回は以下の構成で実装します。

Trigger: GitHubでPRが作成/更新される。

Action: GitHub ActionsがPRの body（説明文）を取得。

Generate: 外部API (Textideo API) を叩き、テキスト/コードを解説動画に変換。

Feedback: 生成された動画URLをbotがPRにコメントする。

動画生成エンジンには、API経由でMarkdownやコード片をレンダリングできる Textideo を採用しました。FFmpegを自前で組むより圧倒的に早く、かつ保守性が高いからです。
実装（Pythonスクリプト）

まずは、APIを叩くためのスクリプト generate_video.py を作成します。
モダンなPython開発に合わせ、pydantic による型定義と aiohttp による非同期処理を取り入れています。

依存ライブラリ
code Txt:requirements.txt

aiohttp==3.9.5
pydantic==2.8.0

コアロジック
code Python:scripts/generate_video.py

import os
import asyncio
import aiohttp
from pydantic import BaseModel, Field
from typing import Optional

APIのエンドポイント設定（Textideoを使用）

API_BASE_URL = "https://textideo.com/"

class VideoRequest(BaseModel):
"""リクエストボディの定義"""
script_text: str = Field(..., description="動画化したいテキストまたはMarkdown")
style: str = Field("tech-dark", description="エンジニア向けのダークモードスタイル")
voice_id: str = "en_dev_v2" # 技術用語に強い音声モデルを指定

class TextideoClient:
def init(self, api_key: str):
self.api_key = api_key
self.headers = {
"Authorization": f"Bearer {api_key}",
"Content-Type": "application/json"
}

async def generate(self, text: str) -> str:
    """
    テキストを送信し、生成完了までポーリングして動画URLを返す
    """
    payload = VideoRequest(script_text=text)
    
    async with aiohttp.ClientSession() as session:
        # 1. 生成タスクの登録
        print(f"🚀 Sending request to Textideo API...")
        async with session.post(
            f"{API_BASE_URL}/videos/generate", 
            json=payload.model_dump(), 
            headers=self.headers
        ) as resp:
            if resp.status != 200:
                error_text = await resp.text()
                raise Exception(f"API Error: {error_text}")
            
            data = await resp.json()
            task_id = data.get('task_id')
            print(f"⏳ Task started ID: {task_id}")

        # 2. 生成完了まで待機 (ポーリング)
        # 実際の実装ではWebhook推奨ですが、簡易化のためポーリングしています
        for _ in range(20): # 最大約2分待機
            await asyncio.sleep(5)
            async with session.get(
                f"{API_BASE_URL}/tasks/{task_id}",
                headers=self.headers
            ) as status_resp:
                status_data = await status_resp.json()
                status = status_data.get('status')
                
                if status == 'completed':
                    return status_data.get('video_url')
                elif status == 'failed':
                    raise Exception("Video generation failed on server side.")
        
        raise TimeoutError("Video generation timed out.")

async def main():
# GitHub Actionsの環境変数から情報を取得
pr_body = os.getenv("PR_BODY", "No description provided.")
api_key = os.getenv("TEXTIDEO_API_KEY")

if not api_key:
    print("❌ Error: TEXTIDEO_API_KEY is missing.")
    return

# コードブロックなどを含んだ長いテキストを整形
prompt = f"以下のPull Requestの変更点について、技術的な要約動画を作成してください:\n\n{pr_body}"

client = TextideoClient(api_key)
try:
    video_url = await client.generate(prompt)
    print(f"✅ Video Generated: {video_url}")
    
    # GitHub ActionsのOutputに値をセット
    with open(os.environ['GITHUB_OUTPUT'], 'a') as fh:
        print(f"video_url={video_url}", file=fh)
        
except Exception as e:
    print(f"❌ Error: {e}")
    exit(1)

if name == "main":
asyncio.run(main())

GitHub Actionsの設定

次に、PRが作られたときにこのスクリプトを動かすWorkflow定義です。
code Yaml:.github/workflows/pr-video-explainer.yml

name: PR Video Explainer

on:
pull_request:
types: [opened, edited]

jobs:
generate-video:
runs-on: ubuntu-latest
permissions:
contents: read
pull-requests: write # コメント投稿のために必要

steps:
  - name: Checkout code
    uses: actions/checkout@v4

  - name: Set up Python
    uses: actions/setup-python@v5
    with:
      python-version: '3.12'

  - name: Install dependencies
    run: |
      pip install aiohttp pydantic

  - name: Generate Video from PR Body
    id: video_gen
    env:
      TEXTIDEO_API_KEY: ${{ secrets.TEXTIDEO_API_KEY }}
      PR_BODY: ${{ github.event.pull_request.body }}
    run: python scripts/generate_video.py

  - name: Comment on PR
    uses: actions/github-script@v7
    with:
      script: |
        const videoUrl = "${{ steps.video_gen.outputs.video_url }}";
        const msg = `🤖 **AI解説動画が生成されました**\n\nこのPRの変更内容を要約した動画です。レビューの参考にしてください。\n\n[![Video](${videoUrl})](${videoUrl})`;
        
        github.rest.issues.createComment({
          issue_number: context.issue.number,
          owner: context.repo.owner,
          repo: context.repo.repo,
          body: msg
        })

実際の効果

このWorkflowを導入してから、以下のような変化がありました。

レビュワーの負担減: コードを読む前に1分の動画を見ることで、全体像（Context）が一瞬で掴めるようになった。

非エンジニアへの共有: PMやデザイナーに仕様変更を伝える際、動画URLを投げるだけで済むようになった。

ドキュメント作成の時短: 以前はScreenshotsを貼って説明文を書いていましたが、今は「とりあえずコードをpushすれば動画ができる」という安心感があります。

まとめ

AI時代において、コードを書く速度は上がりましたが、それを「伝える」速度も同じように上げる必要があります。
もし、ドキュメント作成やPRの説明文記述に疲弊している方がいれば、このような**「説明の自動化」**アプローチを試してみてください。

今回使用したAPIは ai video generator
で取得できます。開発者向けのドキュメントも充実しており、今回のようなCI連携もスムーズに実装できました。

ぜひ、皆さんの「開発DX」向上の参考に慣れば幸いです。