@Blog

AIで記事を学習して新たな記事を生み出すにはお金が必要だと思っていたがそうでも.

2025.06.22

Logging

おはようございます.AIで記事を学習して新たな記事を生み出すにはお金が必要だと思っていたがそうでもなくローカルPCでそこら辺に落ちているLlamaモデルを持ってきてチューニングすれば何とかなるじゃねぇという思いに至った.

実はあなたの手元にあるPCと、そこら中に「落ちている」オープンソースのAIモデル、特にLlama 3があれば、十分記事が生成できるんです。

ローカルAI記事生成は、もはや夢物語じゃない

「AIで記事生成」と聞くと、SFのような世界や、大企業だけが使える特権のように感じるかもしれません。しかし、今は違います。オープンソースの強力な言語モデル、特にMetaが公開したLlama 3の登場は、この常識を大きく覆しました。

Llama 3は、その性能の高さにもかかわらず、誰でも無料で利用できるという点が最大の魅力です。さらに、80億パラメータの8Bモデルであれば、最新のゲーミングPCとまではいかなくとも、ある程度の性能を持つPCであれば十分に動作します。これにより、高額なクラウドサービスを利用せずとも、自分のPCでAI記事生成の環境を構築することが現実的になりました。

なぜLlama 3があなたのPCと相性抜群なのか？

Llama 3がローカルPCでの記事生成に適している理由はいくつかあります。

• 完全無料のオープンソース: 利用に費用がかからないため、予算を気にせずAIを試したり、本格的に導入したりできます。
• 選べるモデルサイズ: Llama 3には様々なサイズのモデルがあり、PCのスペックに合わせて選べます。特に8Bモデルは、個人利用に最適なバランスを持っています。
• 活発な開発者コミュニティ: 世界中の開発者がLlama 3を使った新しいツールや効率的なチューニング方法を日々共有しています。困ったときには助けを借りられる心強い味方です。
• 「量子化」でさらに軽量に: モデルのサイズを大幅に小さくする「量子化」という技術を使えば、より少ないメモリでLlama 3を動かせるようになります。これにより、より多くのPCで利用の道が開けます。

あなたのPCを「記事生成マシン」に変える秘訣

もちろん、いきなりプロのライター並みの記事をAIに書かせるのは難しいかもしれません。しかし、ちょっとした工夫で「何とかなる」レベルの記事生成は十分に可能です。

1. 少量のデータでファインチューニング: 大量の記事データは不要です。あなたが書きたい記事のテーマやスタイルに合った、質の良い記事を数十〜数百程度集めてLlama 3を学習（ファインチューニング）させれば、その分野に特化した記事生成能力が格段に向上します。
2. プロンプト（指示文）の工夫: AIへの「指示の出し方」は非常に重要です。具体的で明確なプロンプトを与えることで、チューニングが完璧でなくても、驚くほど質の高い記事が生成できます。これはまるで、優秀なアシスタントに的確な指示を出すようなものです。
3. 効率的な学習方法の活用: 「LoRA（Low-Rank Adaptation）」のような効率的なファインチューニング手法を使えば、少ないGPUメモリでも短時間でモデルを特定のタスクに最適化できます。

あなたの創造性が、今、AIで加速する

かつては一部の専門家や企業にしか手の届かなかったAIによる記事生成が、今やあなたのPCで実現できる時代になりました。これはまさにAI技術の「民主化」です。

とまぁそういう訳なので何とかしてみますが、ファインチューニングにどれぐらい時間がかかるのかが未知数だったりする.

ファインチューニングPythonコード

以下のPythonコードは、Llama 3モデルをロードし、提供されたテキスト記事でファインチューニング（LoRA使用）を実行し、結果を保存します。 上記の入力値は、このコードに自動的に反映されます。 このコードをPythonファイル（例: `finetune_llama.py`）として保存し、実行してください。

import os
import torch
from datasets import load_dataset
from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig, TrainingArguments, Trainer
from peft import LoraConfig, get_peft_model, prepare_model_for_kbit_training, TaskType

# GPUの利用可能性を確認
print("GPUが利用可能か確認中...")
if not torch.cuda.is_available():
    print("GPUが見つかりません。Fine-tuningにはGPUが強く推奨されます。")
    # GPUがない場合は、ここでスクリプトを終了するか、CPUモードで続行するか選択できます。
    # exit("GPUがないため終了します。")
else:
    print(f"GPUが利用可能です: {torch.cuda.get_device_name(0)}")

# --- 1. モデルとトークナイザーのロード ---
# Llama 3モデルのパスを指定します。Hugging Faceのモデル名（例: "meta-llama/Llama-3-8B"）
# またはローカルにダウンロードしたモデルのパスを指定してください。
MODEL_NAME = "meta-llama/Llama-3-8B" # ユーザーが入力したパスがここに挿入されます

print(f"モデルとトークナイザーをロード中: {MODEL_NAME}")

# 4bit量子化設定 (GPUメモリの節約に役立ちます)
# bnb_4bit_compute_dtypeは、Ampere以降のNVIDIA GPUに推奨されるbfloat16を使用しています。
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_use_double_quant=True,
    bnb_4bit_quant_type="nf4", # NF4 (NormalFloat4) 量子化タイプ
    bnb_4bit_compute_dtype=torch.bfloat16 
)

# トークナイザーをロード
tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME, trust_remote_code=True)
# Llama 3はデフォルトでbos_tokenを付与しないことがあるため、明示的に追加。
# また、padding_side='right'はLlamaモデルに推奨される設定です。
tokenizer.pad_token = tokenizer.eos_token
tokenizer.padding_side = "right"

# モデルをロードし、量子化設定を適用し、自動的にGPUにマッピングします。
model = AutoModelForCausalLM.from_pretrained(
    MODEL_NAME,
    quantization_config=bnb_config,
    device_map="auto", # 利用可能なデバイス（GPU）に自動的にモデルを分散
    trust_remote_code=True # リモートコードの実行を許可
)
print("モデルロード完了。")

# k-bit学習用にモデルを準備 (PEFTライブラリのため)
# gradient_checkpointingを有効にすることで、メモリ使用量をさらに削減できます。
model.gradient_checkpointing_enable()
model = prepare_model_for_kbit_training(model)
print("k-bit学習用にモデルを準備しました。")

# --- 2. データセットの準備 ---
# あなたのテキスト記事ファイルが格納されているディレクトリを指定します。
# 例: 'your_article_data/' の中に 'article1.txt', 'article2.txt', ... と置かれている場合
DATA_DIR = "./your_article_data/" # ユーザーが入力したパスがここに挿入されます

print(f"データセットをロード中: {DATA_DIR}")

# 'text'形式でデータセットをロードします。指定されたディレクトリ内のすべての.txtファイルを読み込みます。
# 各ファイルが1つのエントリとして扱われます。
try:
    dataset = load_dataset('text', data_files={'train': os.path.join(DATA_DIR, '*.txt')})
    print(f"データセットのサンプル数: {len(dataset['train'])}")
except Exception as e:
    print(f"データセットのロード中にエラーが発生しました。ディレクトリとファイル形式を確認してください: {e}")
    exit("データセットロード失敗。")

# データセットをトークン化する関数
# 長い記事をモデルの最大入力長に分割します。
def tokenize_function(examples):
    # Llama 3の最大入力長は通常8192ですが、お使いのGPUのVRAMに合わせて調整してください。
    # ここでは一般的な値として2048を設定しています。
    max_length = 2048 
    # truncate=Trueで最大長を超えるテキストを切り捨てます。
    return tokenizer(examples["text"], truncation=True, max_length=max_length)

# データセットをトークン化します。
# num_procはCPUコア数に応じて並列処理を行い、処理を高速化します。
tokenized_dataset = dataset.map(
    tokenize_function,
    batched=True,
    num_proc=os.cpu_count(),
    remove_columns=["text"] # 元のテキスト列は学習に不要になるため削除します。
)
print("データセットのトークン化が完了しました。")

# --- 3. PEFT (LoRA) の設定 ---
# LoRA (Low-Rank Adaptation) は、元のモデルの重みをフリーズし、
# 小さなアダプター層を追加して学習させることで、効率的にファインチューニングを行います。
# これにより、GPUメモリの使用量を抑えつつ、高い性能を実現できます。
lora_config = LoraConfig(
    r=16, # LoRAのランク。値を大きくすると表現力が増すが、メモリ消費も増える。
    lora_alpha=32, # LoRAのスケーリング係数。rの2倍程度が推奨されることが多いです。
    target_modules=["q_proj", "k_proj", "v_proj", "o_proj", "gate_proj", "up_proj", "down_proj"], # LoRAを適用する層。Llamaモデルで一般的な層。
    bias="none", # バイアスを学習しない設定。
    lora_dropout=0.05, # ドロップアウト率。過学習を防ぐために設定します。
    task_type=TaskType.CAUSAL_LM, # タスクタイプを因果言語モデルに設定。
)

# モデルにLoRAアダプターを追加します。
model = get_peft_model(model, lora_config)
print("モデルにLoRAアダプターを適用しました。")
model.print_trainable_parameters() # 学習可能なパラメータ数を確認します。

# --- 4. 学習の実行 ---
# 学習済みモデルを保存するディレクトリ
OUTPUT_DIR = "./llama3_finetuned_model/" # ユーザーが入力したパスがここに挿入されます

# 学習の設定
training_args = TrainingArguments(
    output_dir=OUTPUT_DIR,
    num_train_epochs=3, # エポック数。データセットのサイズと希望する精度に応じて調整してください。
    per_device_train_batch_size=1, # GPUあたりのバッチサイズ。VRAMが少ない場合は1に設定。
    gradient_accumulation_steps=4, # 勾配を蓄積するステップ数。実質的なバッチサイズは per_device_train_batch_size * gradient_accumulation_steps になります。
    optim="paged_adamw_8bit", # 8bit AdamWオプティマイザを使用し、メモリ効率を向上させます。
    save_steps=500, # 500ステップごとにモデルを保存します。
    logging_steps=100, # 100ステップごとにログを出力します。
    learning_rate=2e-4, # 学習率。
    fp16=True, # 混合精度学習を有効化 (GPUが対応している場合)。VRAM削減と高速化に寄与します。
    max_steps=-1, # num_train_epochsに基づいて学習します。
    group_by_length=True, # 同じ長さのシーケンスをグループ化し、パディングを削減します。
    lr_scheduler_type="cosine", # 学習率スケジューラーのタイプ。
    warmup_ratio=0.03, # ウォームアップ比率。
    report_to="none", # レポート先を指定しない (wandbなどを使用しない場合)。
)

# トレーナーの初期化
# data_collatorは、モデルの入力形式に合わせてデータを整形します。
trainer = Trainer(
    model=model,
    train_dataset=tokenized_dataset["train"],
    args=training_args,
    data_collator=lambda data: {
        'input_ids': torch.stack([f['input_ids'] for f in data]),
        'attention_mask': torch.stack([f['attention_mask'] for f in data]),
        'labels': torch.stack([f['input_ids'] for f in data]), # 因果言語モデルでは、入力自体がラベルとなります。
    },
)

# 学習の開始
print("Fine-tuningを開始します...")
trainer.train()
print("Fine-tuningが完了しました。")

# --- 5. 学習済みモデルの保存 ---
# LoRAアダプターのみを保存します。これにより、ファイルサイズが小さく、効率的に管理できます。
trainer.save_model(OUTPUT_DIR)
print(f"学習済みLoRAアダプターが '{OUTPUT_DIR}' に保存されました。")

# 保存したアダプターを使って推論を行う方法の例 (コメントアウトされています):
# このコードは、ファインチューニング後にモデルをロードして推論を行うための参考例です。
# from peft import PeftModel
#
# # 元のモデルをロード (学習時と同じ量子化設定を使用します)
# base_model = AutoModelForCausalLM.from_pretrained(
#     MODEL_NAME,
#     quantization_config=bnb_config,
#     device_map="auto",
#     trust_remote_code=True
# )
#
# # 保存したLoRAアダプターを元のモデルに結合します。
# peft_model = PeftModel.from_pretrained(base_model, OUTPUT_DIR)
#
# # 推論モードに設定します。
# peft_model.eval()
#
# # テキスト生成の例
# prompt = "ローカルPCでのLlama 3ファインチューニングの利点とは"
# inputs = tokenizer(prompt, return_tensors="pt").to("cuda") # 入力をGPUに移動
#
# with torch.no_grad(): # 勾配計算を無効化し、メモリ使用量を削減
#     outputs = peft_model.generate(
#         **inputs,
#         max_new_tokens=200, # 生成する新しいトークンの最大数
#         do_sample=True, # サンプリングによる生成を有効化
#         top_p=0.9, # Nucleusサンプリングの閾値
#         temperature=0.7, # 生成の多様性を制御する温度
#         eos_token_id=tokenizer.eos_token_id # 終了トークンID
#     )
# print("\n--- 生成されたテキスト ---")
# print(tokenizer.decode(outputs[0], skip_special_tokens=True))

明日へ続く

タグ

```, ;;）, )。, アウト, アシスタント, アダプター, あたり, アップ, あなた, いくつ, ウォーム, エポック, エラー, エントリ, オープン, オプティマイザ, お金, クラウドサービス, グループ, クン, ゲーミング, コード, コア, ここ, こと, コミュニティ, コメント, これ, サイズ, サンプリング, サンプル, シーケンス, スクリプト, スケーリング, スケジューラー, スタイル, ステップ, スペック, すべて, ソース, そこら, タイプ, ダウンロード, タスク, ため, チューニング, ツール, データ, データセット, テーマ, ディレクトリ, テキスト, デバイス, デフォルト, トー, トークナイザー, とき, どれ, トレーナー, ドロップ, バイアス, パス, バッチ, パディング, パラメータ, バランス, ファイル, ファイルサイズ, ファインチューニング, ファインチューニングコード, フリーズ, プロ, プロンプト, マシン, マッピング, メモリ, モード, モデル, もの, ユーザー, よう, ライター, ライブラリ, ラベル, ランク, リモート, レベル, レポート, ローカル, ロード, ログ, 一般, 一部, 上記, 不要, 世界, 世界中, 並み, 並列, 予算, 付与, 以下, 以降, 企業, 使い, 使用, 係数, 保存, 個人, 優秀, 入力, 公開, 共有, 具体, 処理, 出力, 分割, 分散, 分野, 初期, 利点, 利用, 制御, 削減, 削除, 創造, 加速, 助け, 効率, 動作, 勾配, 十分, 参考, 反映, 可能, 向上, 味方, 因果, 場合, 多様, 夢物語, 大幅, 大量, 失敗, 学習, 完了, 完全, 完璧, 実現, 実行, 実質, 寄与, 対応, 専門, 導入, 少量, 工夫, 希望, 常識, 強力, 形式, 必要, 思い, 性能, 手元, 手法, 技術, 抜群, 指定, 指示, 挿入, 推奨, 推論, 提供, 整形, 新た, 方法, 日々, 明日, 明確, 明示, 時代, 時間, 最大, 最新, 最適, 有効, 未知数, 本格, 格段, 格納, 構築, 様々, 比率, 民主, 活用, 活発, 消費, 混合, 済み, 温度, 準備, 無効, 無料, 特定, 特権, 現実, 理由, 環境, 生成, 発生, 登場, 的確, 相性, 短時間, 確認, 秘訣, 移動, 程度, 管理, 節約, 精度, 終了, 結合, 結果, 続行, 能力, 自体, 自分, 自動的, 蓄積, 表現, 言語, 計算, 記事, 設定, 許可, 調整, 費用, 軽量, 追加, 通常, 適用, 選択, 重み, 重要, 量子, 開始, 開発, 関数, 閾値, 非常, 高速, 高額, 魅力,

メルカリ、メルカリ。売れたけど。

2023.11.18

Logging

おはようございます、メルカリ、メルカリ。売れたけど完売まで遠いなぁ・・・。売れないので、SNSの自動宣伝を早朝にコードを書き換えてました。具体的に商品名も記述するようにコードを書き換え。

そして発送方法を郵便とクロネコヤマトに本の重さとかで振り分けたりしていました。そして値段も再調整しています。これで様子見を行います、今年中にあと３冊ぐらい売れてほしいもの。

ちなみに14商品を出品して今のところ3商品売れた感じです。

あと、カテゴリーもなんだか人工知能で仕分けすると健康のカテゴリに振り分けられていた商品があったので、ITカテゴリーに再振り分けを行いました。

値段の調整ですが、値引きした商品もあれば適正価格にした商品もあります、値引きすれば売れるとは限らないですからねぇ。あまりにも安くすると裏があるじゃないかと思う人もいると思うので、値引きもなかなか難しいですね。

明日へ続く。

タグ

３冊, ITカテゴリー, SNS, カテゴリ, カテゴリー, クロネコヤマト, コード, メルカリ, 人工知能, 値段, 完売, 早朝, 本, 様子見, 発送方法, 自動宣伝, 裏, 調整, 適正価格, 郵便,

あのサイトをリニューアルしました。👏、やっとのことで。 #renew #site #よさこい祭り

2022.09.25

Logging

おはようございます、昼間は暑い日もありますが夜は涼しくなりましたね😄。

今日は昨日、一日かけて【よさこい祭り動画検索】サイトをリニューアルしました。ソースコード（プログラム）も１からやり直しています。表示するのに結構時間がかかっていた部分は瞬時に表示されるように調整しました。

以前は検索結果が全て表示されるような仕様でしたが、ページに分割して表示されるように変更しました。また、検索ワードを入力すると検索結果（チーム名）が表示される様に変更しました。チーム名を押すとページへ遷移するようになっています。以前より直感的に操作出来る形になったかと思います。

尚、このサイトを作るにあってYOUTUBEのAPIを使用しているのですが、リアルタイムに動画を検索している訳では無くデータで押さえています。そのデータに関しては数ヶ月置きに更新するように致します。何故、データで押さえている理由はAPIの問い合わせに上限があり、その上限数を超える検索結果が返って来なくなる為です。この上限は申請を行えばある程度増やしてくれるそうですが、それでも上限数量を超えると表示されなくなるというデメリットがあるので、データで押さえています😌。

トイウコトデ、よさこい祭り動画検索サイトよろしくお願いします。

タグ

１, API, com, https, renew, site, yosakoi-video, youtube, コード, サイト, ソース, チーム, データ, プログラム, ページ, よさこい祭り, リアルタイム, リニューアル, ワード, 一, 今日, 仕様, 以前, 使用, 入力, 全て, 分割, 動画, 変更, 夜, 形, 操作, 数, 日, 昨日, 昼間, 時間, 検索, 瞬時, 結果, 表示, 訳, 調整, 遷移, 部分,

FF14を自動起動させてパスワード入力を

2021.03.23

Logging

Power Automate Desktop使用してFF14を自動起動させてパスワード入力する事を試みる。パスワード入力の動作を録画して再現して実行してみると動かないので自分で直しました。当初はUI Pathを活用して試してみたけど結局、うまく行かないので凄く単純な方法で動作をさせました。因みにこの方法はFF14が開いている最中に他のアプリを開いたりすると上手く動作することが出来ないので悪しからず。

上記のような設定をします。ウェイト(待ち時間)はご自身のPCによって調整が必要です。キーの送信部分は下記のように設定ください。

これで超長いパスワードを入力することもなくワンパスワードを入力すれば良いようになりました。ワンパスを設定していない方やフリープレイの方は送信するテキストを入力して保存するだけで後は、Power Automate Desktopを起動してフローを再生（実行）することで自動的にFF14が起動してパスワードを入力してくれます。

※前手順としてID保存状態にした状態で上記を実行ください！！！

https://flow.microsoft.com/ja-jp/desktop/

タグ

14, Automate, Desktop, FF, path, PC, Power, UI, アプリ, ウェイト, キー, こと, これ, ご自身, テキスト, パス, パスワ, パスワード, フリー, プレイ, フロー, ワン, 上記, 下記, 事, 他, 使用, 保存, 入力, 再現, 再生, 動作, 単純, 実行, 当初, 待ち時間, 後, 必要, 方, 方法, 最中, 活用, 自分, 自動, 設定, 調整, 起動, 送信, 部分, 録画,

FLEXISPOTのスタンディングデスク 電動式 昇降デスク ブラック E3B

2021.01.22

Logging

FLEXISPOTのスタンディングデスク 電動式 昇降デスク ブラック E3を購入しました。前々から欲しかった机を購入。机の高さを上下に設定できる机です。自分の購入した商品は高さ60cmの低さにまで調整できるものです、なぜ、これを購入したか？

その理由はじぶんの身長にあります、男性としてはあまり身長の高い部類にはいらないので、これぐらいの高さまで調整できる商品を購入したわけです。ちなみに、身長が高い人、このE3ではない商品でも全然大丈夫かと思いますし、そちらの商品が1万円ほど安く購入できてしまうのですね。

注意しないといけないのは天板は別売りだということと、デスク昇降機は、かなり重いということです、組み立てるときに女性、一人では少々きついと思います。重さはおそらく50kgはあるじゃないかなと・・・。机の上に100kgの重さの荷物をおいても昇降するのだとか、そんぐらいの力があるのでやはり鉄もぶ厚いので重さも凄まじい。

タグ

１, 100, ３, 50, 60, CM, FLEXISPOT, kg, かなり, こと, これ, これぐらい, じぶん, スタンディング, そちら, そん, デスク, とき, ブラック, もの, わけ, 一人, 万, 上, 上下, 人, 別売り, 前々, 力, 商品, 天板, 女性, 昇降, 昇降機, 机, 注意, 理由, 男性, 自分, 荷物, 設定, 調整, 購入, 身長, 部類, 電動,

ECHOでキンドル（Kindle）の朗読速度を上げる方法は？

2020.07.03

Logging

答えから言えば、先日ツイートしたのが答えです。こんな感じに言うとキンドルで朗読速度を上げることが出来ます。『アレクサ、読み上げ速度を早くして』『アレクサ、読み上げ速度を2倍にして』などです。

これで読み上げ速度が上がります。少し前までは読み上げ速度はECHO：エコー（Alexa）では読み上げ速度の調整はできなかったらしいが、今は読み上げ速度の調整が可能になっています。これで自分はホモ・デウス読み上げてもらっています、分厚い本は電子書籍で購入しこの方法で読み上げてもらうことが一番効率的だと思います。

因みに本を読んでもほとんどのことを普通の一般人は覚えていないらしい。なのでAI（人工知能）で読み上げてもらった方が得策です。

タグ

2, AI, Alexa, echo, Kindle, アレクサ, エコー, キンドル, こと, これ, ツイート, デウス, ほとんど, ホモ, 一般人, 人工, 今, 先日, 前, 可能, 少し, 得策, 感じ, 方, 方法, 普通, 書籍, 朗読, 本, 知能, 答え, 自分, 調整, 購入, 速度, 電子,

欲しい物リスト。

2020.06.22

Logging

マックブックプロ（MacBook Pro）です、アプリ開発するときにios用のアプリをリリースさせる方法の最短なルートはアップル製品を手元に持つことだと思います。そういう事もあってこれが欲しい。SSD1Tバイトすると20万円します。これにWINDOWSのOSも入れる事が可能なのでこれで良い感じです。

次に曲面ディスプレイです、これともうひとつ、ディスプレイを添えれば自宅で作業するときは十分かと思います。この利点は動画編集するときに良さが出るらしい（タイムライン？が見やすくなる）

これも欲しい昇降デスクです、この頃長時間、デスクの前に座るとお腰が痛くなり始めたのでやはりデスクの高さが自動で調整できるデスクは良いなと思います。これがあれば立った状態でも作業ができるみたいなのでその日の気分によって調整できるのは良いですねということです。

そしてこれもデスクトップ周りだけど、これも欲しいものです。デスクトップをスッキリさせるにはこれが必要ですね。

あと自分は新しいマックブックプロを購入したら自宅で作業するときはWINDOWS10と切り替えて作業することがあるのでこれが必要ですね。これが2個（ディスプレイが2つの場合）必要になるけどね。

上記のものを全て揃えたいというのが目標だったりします。これがあればかなり快適な作業ができると思います。全て揃えたら30万円超になります。まぁ揃えるつもりですけど・・・。

タグ

１, 20, iOS, MacBook, OS, Pro, SSD, Windows, アップル, アプリ, こと, これ, タイムライン, ディスプレイ, デスク, デスクトップ, とき, バイド, プロ, マックブック, もうひとつ, もの, リスト, リリース, ルート, 万, 事, 作業, 利点, 前, 動画, 可能, 周り, 感じ, 手元, 方法, 日, 昇降, 曲面, 最短, 気分, 物, 状態, 用, 編集, 腰, 自動, 自宅, 製品, 調整, 長時間, 開発, 頃,

Bandicamで画面録画（キャプチャー）じゃなくてコレで録画している。

2020.02.05

Logging

いま、自分がYOUTUBE録画で使っているのはこちらのソフトを使っています。YOUTUBEを撮ろうかなぁと思っているときに、たまたま、そのソフトを開発している企業がキャンペーンしていて無料でそのソフトを購入したので経費0円です。実際買うと4000円弱します。ちょっと不安なのは中国製品だということ、まぁ仕方がない。

ソフト名はVideoProcです。良い所はPCの画面録画と当時にウェブカメラも接続できるのでこれで録画しています。良くあるこういう画面が撮影可能。これで価格も安いです。

YOUTUBE動画の画面操作はこれで撮っています。そして撮ったものをAdobeのPremiere Proで編集をしてUPしています。いまの所、顔出しする意味はあまり無いかなと思っています。Facebookみれば自分の顔写真上げているのでそれで良いかなと・・・。自分の声を編集している理由は聞き取りにくいから調整しています。

ちなみにVideoProcはこういう機能があります。

いまはVersion3.5ですが自分が使用しているのは3.4です、アップデートすると費用がかかるので上げてません。画面録画するぐらいで必要だから不自由ないですね。編集はAdobeの方で対応すれば良いので何も不自由しないです。

タグ

0, 4000, Adobe, Bandicam, Facebook, PC, Premiere, Pro, UP, VideoProc, youtube, いま, ウェブ, カメラ, キャプチャー, キャンペーン, こちら, こと, これ, コレ, ソフト, とき, もの, 不安, 中国, 企業, 価格, 動画, 可能, 声, 実際, 当時, 意味, 所, 接続, 撮影, 操作, 無料, 理由, 画面, 経費, 編集, 自分, 製品, 調整, 購入, 録画, 開発, 顔写真, 顔出し,

明けましておめでとうございます。

2017.01.01

Logging

明けましておめでとうございます。
新年、そうそうちょっと暗めの年賀状が届いている方、
申し訳ございません。うまく色合いを調整することが出来ませんでした。
ちなみに年賀状を送ったのは
数人、片手で数えることが可能な人数でございます。
あとはデジタル送信でLINEやらに送信されていると思います。
この記事は自動投稿機能によりカウントダウン後、
日付が変わって数秒で投稿されているはずです。
ちなみにこの記事はクリスマス・イブの日に書き上げています。
正月用の記事はこの三連休に予約しときます。
（それ以外にも記事は投稿するとは思いますが未定。）
ということで
今年もよろしくお願いします。
皆様にとって良い年になるように祈ってますので、
祈り返してください:D
 

タグ

line, nbsp, あと, イブ, お願い, カウントダウン, クリスマス, こと, それ, デジタル, パス, 三連, 予約, 人数, 今年, 休, 可能, 年, 年賀状, 投稿, 数人, 数秒, 新年, 方, 日, 日付, 未定, 機能, 正月, 片手, 申し訳, 皆様, 自動, 色合い, 記事, 調整, 送信,

BOT辞めました｛BOTやめるとアクセス減ることは無い？。｝

2015.06.22

Logging

BOT辞めました｛BOTやめるとアクセス減ることは無い？。｝。BOT辞めるとアクセス数は多少減りますが、今後のSEO対策のためにも辞めることにしました。検索会社（googleやyahooなどなど）は、人工知能を検索へ投入する段階へ進んでいます。明らかにボットはSEOからはじかれる存在になります。来年辺りには確実に投入しているじゃないのかな・・・なので辞めます。地道に記事を毎日更新してグーグルに記事を拾われるのを待つことにしました。確かにSNSで発信してボットをつくり、過去記事を再度、SNSへ配信すると人に目にとまる機会は増えますが、やはり何度も同じ記事を目にするということは飽きもきますし、それを見てストレスを感じる人も中に入ると思います。
理由は結構ありますが、ニュース記事でもないので、ボット配信は辞めることに。
追記、撤回、BOTの出現率を調整する事にします(￣^￣)ゞ。 

タグ

BOT, Google, nbsp, SEO, SNS, Yahoo, アクセス, グーグル, こと, ストレス, それ, ため, ニュース, ボット, 中, 事, 人, 人工, 今後, 何度, 再度, 出現, 地道, 存在, 対策, 投入, 撤回, 更新, 来年, 検索, 機会, 段階, 毎日, 理由, 発信, 目, 知能, 記事, 調整, 追記, 過去, 配信,