コース生成器:手書き解説ビデオ は何をしますか?
出力:1つ以上の1920x1080 30fps H.264+AAC MP4(埋め込み字幕付き)と.srtファイル。スタイルは、黒いiPadでネオンマーカーを使って教えているような感じ(Caleb Eomスタイル)。各講義はコンパクトな spec.js(ナレーションとビジュアルを一緒に記述)として書かれます。エンジンがレイアウトし、すべての描画を話し言葉に同期させてレンダリングします。
research → spec.js per lecture → build.sh (extract → TTS → scenes.js) → qa.sh (stills) → fix → render_lecture.sh → zip + deliver
スタイルルール(譲れない)
- ペースは約1.2倍速、それ以上は不可。 API音声:無音をトリミング後、
ATEMPO=1.05(表現力豊かな声)から1.12(ゆっくりした声)まで。ビート間のギャップは0.2秒。1.25倍以上は慌ただしく聞こえる。 - 手作り感。 Reenie Beanieフォント、文字ごとのジッターあり。rough.jsの線(roughness ≥1.4)とSVG乱流のゆらぎ。きれいなサンセリフフォントは「印刷された」証拠カード(表、実際の数値)だけ。
- 黒背景、ネオンカラーの役割:
wメイン、g良い/動作、p問題/警告、v概念、oアクション/アナロジー、yハイライト/数値、bセカンダリ、gr引用/余談。
教育構造(すべての講義)
- フック(20~40秒): 共感できる状況 → 驚くべき事実 → 質問。その後、フレームワークをプレビューするタイトルビート。
- フレームワーク(
LAYERS、3~7項目): 背骨。各セクションは右上にそのレイヤーをブラケットで囲んだミニコピーを表示。 - セクション: 各1~3ビート。1ビートにつき1つのアイデアと1つのビジュアル。出典は声に出して読み上げ、画面上ではグレーで表示。
- 直感: 抽象的なものには各セクションに少なくとも1つの
analogy(「消防署ではなく煙探知機」)。専門用語はすぐに平易な言葉で言い換える。 - まとめと次回予告: フレームワークを表示、線でチェック、次の講義のタイトルを表示。これでコースが連鎖する。
声:同僚がコーヒーを飲みながら説明する感じ。短い文。「つまり」「ここがポイントです」「Xを覚えていますか?」。数字は話し言葉に合わせて書く(「2026年」「1.7秒」)。say 内で記号は避ける。
初心者向けモード(初心者にもわかりやすくするよう求められた場合):ソースを自身のウェブ調査で補完し、概念ごとにアナロジーを追加し、アイデア密度を下げる(1講義3~4分あたり約500~650語)。
正確性
すべての数値、日付、名前はウェブ検索で確認する。一次資料を優先。同じ実験の数値はまとめて保持する。ベンダーの主張にはラベルを付ける(「ベンダーの数値:要確認」)。書籍にない例を決して作らない。書籍の例をそのまま引用する。ソースリストを同梱する。
セットアップ
~/course で作業する。これはこのスキルの engine/ フォルダのコピー。これにより、オーディオとビデオがスキルフォルダの外に保存される。~/course が既に存在する場合はコピーをスキップする。
cp -r <このスキルのフォルダ>/engine ~/course && cd ~/course # 例: ~/.claude/skills/course-generator-handwritten/engine
npm i && npm run browsers # Playwright + Chromium(Node 20+が必要)
pip install --break-system-packages soundfile numpy
cp .env.example .env # .env に TTS_* を記入(絶対にコミットしない)
ffmpegがインストールされている必要があります。講義フォルダ(~/course/L02_Architecture/spec.js)はスクリプトと同じ階層に配置されます。スクリプトは任意のディレクトリから呼び出せます。
TTSはプラグイン可能(tts.py): response_format: "pcm"(24 kHz s16le)を返すOpenAI互換の POST /audio/speech エンドポイント。環境変数または .env で TTS_URL、TTS_API_KEY、TTS_MODEL、TTS_VOICE を設定。声は、1つのビートで2~3の声をテストし、最も表現力豊かなもの(ピッチのばらつきが最大)を選ぶ。音声はビートごとにテキストサイドカー付きでキャッシュされるため、編集されたビートのみ再音声化される。キーやモデル名をコミットされたファイルにハードコードしないこと。
講義の書き方: <Dir>/spec.js
const LECT = { label: 'Lecture 2 · behind the scenes', title: 'The Seven-Layer Architecture' };
const LAYERS = ['Channels + triggers', 'Gateway', 'Durable orchestrator', 'Agent loop'];
say({ hook: "…", title: "…", recap: "…", outro: "Next, …" }); // イントロ/まとめビートのレジストリ
intro('S01_Intro', 'hook', 'title', [ items… ]);
section('S02_Gateway', 1 /*layer idx*/, 'v' /*colour*/, [
{ b: 'ga1', t: 'The front door', cite: 'Source, 2026', say: "Narration…", v: [ items… ] },
]);
recap('S06_Recap', 'recap', 'outro', ['line', 'line'], 'Next lecture title');
各ビートは独自のパネルを持ち、カメラはパネル間をパンする。レイアウトは自動的にスケーリングされる。
アイテム [type, ...args, opts?]:
| type | args |
|---|---|
big / text | str, colour, size |
note | str, colour (矢印付きの余談) |
analogy | null, str, 'o' (「こんな風に考えて…」と枠で囲む) |
list | [lines], colour, {num|tick} |
col | title, colour, [lines] (row 内で使用) |
row | [[item],[item]…], {vs, gap} (横並び) |
flow | [labels], [colours] (矢印付きのボックス) |
stack | [labels], {rh,size,w,cols,step} |
tokens | [words], colour, {step, cols} (折り返し) |
bars / hbars | [[label, value, colour, valueLabel]…], {h | lw} |
eq | str, colour (下線付きの見出し数字) |
card | title, rows[][], {w, hi:[rowIdx], hit:[time]} (印刷された表。行0はヘッダー) |
chart | [[[x,y]…], colour, label]…], {h, xl, yl} |
timeline / grid / gpus / people / down | dsl.js を参照 |
タイミングオプション(最後のオブジェクト):at: 'word' はその単語が話されたときにアイテムを開始(occ: 2 で2回目の出現);times: [[beat, frac, 'f'], …] でパーツごとのタイミングをビートの分数で設定;step でパーツをずらす。開始は、描画がビート終了の2.6秒以上前に終了するようにクランプされる。許可されるオプションキーは dsl.js(OPTK)でホワイトリスト化されている。未知のキーはデータとして扱われるので、新しいキーはそこに追加すること。
ビルド、QA、レンダリング
./build.sh L02_Architecture # beats.json, TTS, scenes.js;音声分数を表示
./qa.sh L02_Architecture # 各ビートの最終静止画をタイル状に並べて L02_Architecture/qa/sheet*.jpg に出力
./render_lecture.sh L02_Architecture "02 - The Seven-Layer Architecture" # 2並列レーン → out/*.mp4 + .srt
すべての講義でレンダリング前にQAを実行し、すべてのシートを確認すること。修正点:
- ラベルがボックスからはみ出している(エンジンはフォントサイズを縮小するが、長いラベルは短縮が必要);
- カードのハイライトが間違った行にある(ヘッダーを行0とカウント);
- コンテンツがフレームからはみ出している;
atワードが存在しない(ログにWORDMISSと出力)。
多数の講義がある場合は、キューを使用:ディレクトリごとに READY フラグ、一度に1つのレンダリング、scenes.js がMP4より新しい場合は再レンダリング。クラウドでは、完成した講義は各3~4分でレンダリングされる。バックグラウンドジョブはハーネスで追跡すること(スリープする可能性のあるVMで nohup を使用しない)。
配信
out/*.mp4 + *.srt を番号付き、ラベル付きファイル名("00 - Title.mp4")でZIP圧縮。返信には実行時間テーブル、アプローチに関する1行、ソースリストを含める。
例
examples/agents-L00-spec.js(概念講義)と examples/inference-B4-spec.js(エビデンス豊富な講義)は、コピー元として完成したレンダリング済みのspecファイルです。