Communitygithub.com

Agent-Video-Driver

スクリプト化されたツールチェーンを使って、ゼロから納品可能なオーディオビデオ作品を駆動します。映像生成モデルは一切必要ありません。構造化プロンプトスキャフォールディング、コンテンツチェックとコピーライティング、ストーリーボード設計、ビートごとのタイミング調整、プログラムによるフレームレンダリング、プログラムによる楽曲合成、FFmpegエンコーディングとパッケージング、そして視覚能力なしでのキャラクターマップと客観的指標による検収をカバーします。教育解説動画、製品プロモーションビデオ、データアニメーション、オープニング/エンディングなど、自主生成ビデオが必要なタスクに適しています。

Agent-Video-Driver とは?

Agent-Video-Driverは、映像生成モデルや既存の素材ライブラリ、編集ソフトウェアを一切使わずに、スクリプト化されたツールチェーンだけで、納品可能なオーディオビデオ作品をゼロから生成するAIエージェントスキルです。Claude CodeやCursorなどのAIエージェントプラットフォーム向けに設計されており、ユーザーは「10秒の製品プロモーションビデオを作成して」といったタスクを与えるだけで、エージェントが自動的に構造化プロンプトの作成、コンテンツチェック、ストーリーボード設計、ビート同期、プログラムによるフレームレンダリング(Pillow)、楽曲合成(オーケストラまたは電子音色)、FFmpegエンコーディングまでを実行します。このスキルは、トークン消費量、中間フレーム画像数、レンダリング時間、マシン負荷などのコストをユーザーに事前に通知する「2つの確認ゲート」を備えており、大規模なレンダリングやエンコーディングの前にユーザーの明示的な同意を必要とします。これにより、高コストな処理を未承認で実行するリスクを防ぎます。さらに、事実確認、素材ライセンス、顔描画禁止、決定論的レンダリングという4つの譲れないコンテンツルールと、14の工学的鉄則(例:ビート単位でのアニメーション固定、単位座標とピクセル座標の分離、並列レンダリングでの独立プロセス使用など)を徹底することで、高品質で信頼性の高い映像出力を保証します。

対応~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/JularDepick/Agent-Video-Driver.SKILL/tree/HEAD/skills/agent-video-driver

お気に入りのAIに質問する

このエージェントスキルを事前に読み込んだ状態で新しいチャットを開きます。

ドキュメント

Agent-Video-Driver は何をしますか?

いかなる素材ライブラリや編集ソフトウェアにも依存せず、画面と音楽はすべてコードで計算され、FFmpegでパッケージングされます。 このスキルは方法と規律のみを規定し、スタイルは固定しません。スタイルライブラリは references/styles.md を参照してください。

一、2つの確認ゲート(どちらもスキップ不可)

ゲート1: 起動確認ゲート

ビデオタスクを受け取ったら、まずユーザーにコストを報告し、明確な同意を得てからレンダリングを開始します:

必須報告コスト典型的な規模
トークン消費30秒の1本で約5万~10万出力トークン、90秒以上の分割作品ではさらに高く、長いセッションでのキャッシュヒットは100万単位に達することもあります
中間フレーム画像30秒@30fpsで約900枚のPNG、1080pで約200MB、90秒以上で約3000枚
レンダリング時間1080p@30fpsで1フレームあたり約0.08~0.12秒、シングルプロセスで3000フレームなら約5分
マシン占有フルレンダリングと最終合成は長時間CPUを占有し、開発マシンでは顕著なカクつきが発生します。制限値内で実行すれば緩和できます
セッション占有1セッションで1つのビデオタスクのみ実行し、途中で別のタスクを割り込ませるとコンテキストが汚染され、すべてのステップが遅くなります

同時に4つのことを確認します: 尺と解像度、確認モード(段階的確認または一括確認)、作者クレジットの有無(デフォルトでは入れない)、納品ファイル名。 段階的確認は、事実関係や美的判断にユーザーの発言権が必要なテーマに適しており、一括確認は判断基準が客観的なテーマに適しています。どちらのモードでも「最初の10秒を先に出す」というノードは省略しません。 ユーザーが確認するまでは、環境調査とストーリーボード案のみを作成し、レンダリングは行いません。

ゲート2: 合成確認ゲート(重い処理を実行するたびに個別に確認)

ゲート1の同意はこのステップをカバーしません。フルレンダリングと最終合成は、CPUを長時間占有する唯一の2つのアクションであり、それぞれの前に再度確認が必要です:

  1. まずローカルリソースを調査し、制限推奨値とリスク通知を取得します
python scripts/resources.py --for render --frames <フレーム数>
python scripts/resources.py --for encode --frames <フレーム数>
  1. コア数、現在の負荷、使用可能メモリ、ターゲットディスクの空き容量、推奨スレッド数とエンコードプリセット、および処理を中断すべきかどうかの推奨をすべてユーザーに報告します
  2. ユーザーが明示的に同意してから実行します。同意がない場合は調査のみを行い、エンコードやフルレンダリングは一切行いません
  3. 実行時は、調査で与えられた制限値に従って実行し、フルコアでは実行しません

scripts/assemble.ps1 はこのゲートをスクリプト自体に組み込んでいます: -ConfirmAssembly を付けない場合、確認ゲートを表示して終了し、終了コード3は「ユーザーの二次確認待ち」を意味します。 -ProbeOnly は調査のみでエンコードは行いません。調査でディスク容量不足や負荷が高いと判断された場合、スクリプトは作業を拒否します。強制実行するには明示的に -Force を追加する必要があります。

二、8フェーズのワークフロー

0 環境調査 -> 1 ブリーフとプロンプト -> 2 コンテンツとコピー -> 3 スタイルとストーリーボード
  -> 4 楽曲先行 -> 5 分割レンダリング -> 6 エンコードとパッケージング -> 7 客観的検収

詳細と各フェーズの成果物は references/workflow.md を参照してください。 各フェーズの終了時には、チェック可能な成果物を1つ残す必要があります。一気に書き上げてから実行しないでください。 フェーズ1から3のプロンプトは、references/prompt-scaffolding.md の7モジュールに従って記入し、記入後は成果物と一緒にユーザーに提示します。 フェーズ5とフェーズ6の開始前には、それぞれ合成確認ゲート(第1節のゲート2を参照)を1回ずつ実行します。

三、ディレクトリとファイルの規約

<作業ディレクトリ>/
├── .skill/<スキル名>/        # スキル本体、1スキル1ディレクトリのバンドル
├── prompts/                # brief.md と各フェーズのプロンプト
├── script.md               # 画面コピー表、timing.py の入力
├── storyboard.md           # ストーリーボード表と起動確認ゲート
├── credits.md              # 外部素材のクレジットとライセンス
├── temp/                   # すべての中間成果物、フレームシーケンス、plan.json、テストレンダリング、検証画像
├── <成果物ディレクトリ>/   # 最終納品ファイルと直接再利用可能なソーススクリプトのみ
└── audio/                  # 楽曲WAV(成果物ディレクトリに統合可能)
  • 中間フレームは temp/ の下に配置し、納品前にクリーンアップします。3000枚のPNGをルートディレクトリに残さないでください
  • 相対パスを優先し、スクリプト内に絶対パスをハードコードしないでください
  • 1つのビデオに1つの命名プレフィックスを使用し、フレームディレクトリと完成品名を対応させ、複数タスク間の上書きを防ぎます
  • その他の規則については references/conventions.md を参照してください

四、スタイルは固定しないが、楽曲はデフォルトで管弦楽

このスキルはエンジンを提供するものであり、テンプレートではありません。作業開始前にまずスタイルを選び、次に配色と音色を選び、最後にストーリーボードを書きます。 references/styles.md には、直接適用可能な8つのスタイルが用意されており、16進数の配色、フォント、モーション文法、楽曲音色、適したテーマが含まれています:

ディープスペースネオン / クールなドキュメンタリー / 温かみのあるペーパー調 / ミニマルなホワイト / レトロなターミナル / アカデミックなチャート / 手描きの落書き / フィルム

楽曲はデフォルトで scripts/orchestra.py の管弦楽音色ライブラリを使用します。その理由は、2つの厳しい要件を同時に満たすからです:

  • 耳障りでない: 音色は高調波の積み重ねによるものであり、広帯域ノイズではない。実測では耳障りな帯域(2~6kHz)の割合は1.2%、スペクトル重心は418Hz
  • 単調でない: 10セクションのオーケストレーションテーブル、モチーフのバリエーション、強弱の弧を備え、実測では10秒ごとのRMS変動が2.80倍

より軽くモダンなサウンドが必要な場合のみ、scripts/music.py のキーボードと電子音色に切り替えます。 どちらのセットを使用する場合でも、次の3つの状況は許されません: 全編同じ設定で通す、高周波数帯域が半分以上を占める、持続音部がビートポイントを覆い隠す。

五、スクリプト一覧

スクリプト役割
scripts/check_env.pyffmpeg、Pythonライブラリ、フォント、ディスク、サンドボックス制限、レンダリングルートの可用性を調査
scripts/resources.py重い処理前のリソース調査と制限推奨: コア数、負荷、メモリ、ディスク、推奨スレッド数とエンコードプリセット
scripts/check_text.pyグリフチェック: ビットマップ比較で豆腐文字になる文字を検出
scripts/beats.pyオーディオからBPM、ビートポイント、小節線、小節ごとのラウドネス変化を逆算
scripts/timing.py画面コピー表をビートグリッドに配置し、plan.jsonとストーリーボード用のタイムテーブルを生成
scripts/canvas.py画面エンジン: スーパーサンプリングキャンバス、イージング、グロー、テキスト、汎用UIコンポーネント、レンダリングドライバー
scripts/dsp.py共有DSPプリミティブ: フィルタリング、リバーブ、バス圧縮、暖かみのあるマスタリング、WAV書き出し
scripts/orchestra.py管弦楽楽曲エンジン(デフォルト推奨)
scripts/music.pyキーボードと電子楽曲エンジン(代替)
scripts/sfx.py効果音トラックミキシング: キューテーブルに従ってユーザー用意の効果音を1トラックにミックス
scripts/check_audio.py楽曲の客観的チェック: ビート同期、周波数帯域、パルス、単調性を一度に実行
scripts/preview.py視覚能力なしでの画面検収: フレームをダウンサンプリングしてカラー文字図に変換、前後フレームの比較をサポート
scripts/qa.pyplan.jsonに従って画面ごとにフレームを抽出、アンカーポイント前後のフレームを比較、概要図を作成
scripts/tokens.py現在のセッションのトークンとコストを統計し、エンドクレジットで使用
scripts/assemble.ps1エンコード、ミキシング、ラウドネスノーマライゼーション、品質検査
templates/scene_module.pyシーンモジュールスケルトン: ビートごとのトリガー、分割スケジューリング、区間レンダリングCLI
templates/storyboard.mdストーリーボード表と確認ゲートテンプレート
templates/brief.mdブリーフテンプレート、全編唯一の背景情報
templates/stage-prompt.mdフェーズプロンプトテンプレート、7モジュール
templates/screen-script.md画面コピー表テンプレート、timing.py の入力

画面はデフォルトでPython + Pillowによるフレームごとのレンダリングを使用します。ブラウザレンダリングルートは制限されたサンドボックスでは利用できません。その理由と回避策については references/pitfalls.md を参照してください。

六、コンテンツの基本ルール(Must hold、4つの不可譲歩)

  1. 事実には出典がある: すべての年号、人名、数字、引用は信頼できるソースに遡れる必要があり、作業ディレクトリにリンクを記録します。遡れないものは直接削除し、推定値は注釈を付け、二次的な情報は誰の情報かを明記します
  2. 素材は使用可能: 外部の画像、フォント、効果音、既成の楽曲を導入する際は、一つ一つライセンスを確認し、クレジットは credits.md に記述します。採用しなかった候補素材もリストアップし、理由を明記します
  3. 実在の顔は描かない: AIで実在の人物の顔を生成しません。AI生成の画像を使用した場合は、プラットフォームの要件に従って「AI生成コンテンツ」の注釈を付けます
  4. 画面は時間のみに依存する: すべてのランダム性は乱数シードを固定し、同じフレームは毎回同じようにレンダリングされなければなりません

判定ルール、報告フォーマット、公開前チェックリストについては references/content-and-rights.md を参照してください。

七、14の工学的鉄則(すべて過去の失敗に基づく)

  1. まず楽曲を作成し、次に画面を作成します。画面のカットポイントは楽曲のカットポイントと等しくなければならず、画面に合わせて調整してはいけません
  2. すべての登場アニメーションはビート単位でハードコードし、秒数での近似は禁止します。タイミングが1フレームずれるだけで視聴者にわかります
  3. 単位座標とピクセル座標は明示的に分離しなければなりません。混在させるとシーン全体が左上に崩れます
  4. セクションのスケジューリングには区間マッピングを使用し、記述後は必ず各セクションの開始フレームと終了フレームを印刷して確認します。1セクションずれると全体がズレます
  5. フレームシーケンスはルートディレクトリに書き込まず、ディスク上に一晩放置せず、納品前に削除します
  6. 複数区間の並列レンダリングでは、独立したプロセスを起動してそれぞれ書き込みます。共有キューは使用しません。サンドボックスが名前付きパイプをブロックするためです
  7. ミキシングはまず周波数帯域の割合を確認します。高周波数帯域が半分以上を占めると耳障りになり、低周波数帯域が半分以上を占めると濁ります
  8. バス圧縮の時定数は0.3秒より短くしてはいけません。そうしないとコンプレッサーがビートポイント自体を平坦化します
  9. 小節以上の長さで、すべての小節に出現する声部は、サウンドウォールとなり、ビートポイントを覆い隠します
  10. テキストは3層のエンコーディングチェックを通過しなければなりません。画面エンジンは文字ごとにグリフフォールバックを行いますが、フォールバックチェーンでもカバーできない文字は静かに豆腐文字として描画されます。そのため、各レンダリング後にはグリフ監査レポートを確認し、欠けているグリフがあれば表記を変更するかフォントを交換します
  11. エンコード後は必ずPSNRを測定します。45dB未満の場合はビットレートが不足しています
  12. 視覚能力がない場合、想像で納品してはいけません。キャラクターマップでフレームごとに構図を確認し、客観的指標で補います
  13. セッションでは1本の作品のみを作成します。2本目は別のセッションを開きます。そうしないとキャッシュとコンテキストが制御不能になります
  14. フルレンダリングと最終合成の前にはリソースを調査し、制限値に従って実行します。フルコアでは実行せず、これらの2つのステップはそれぞれユーザーの再確認を必要とします

完全な失敗例の表と再現条件は references/pitfalls.md、テキストエンコーディングについては references/text-and-encoding.md を参照してください。

八、検収基準(納品前にすべてグリーンでなければならない)

項目判断基準
尺フレーム単位で正確、30秒の作品は正確に30.000秒
ビート同期フレームごとの差分ピークが小節線の±1フレーム以内にあり、アンカー画面の前後フレームの差分ピークがカットポイントフレームにある
ラウドネス統合ラウドネス -16 ~ -14 LUFS、真のピークは -1.0 dBFS 以下
画質エンコード後とソースフレームのPSNRが45dB以上
構図各セクションから少なくとも2フレームを抽出してキャラクターマップで確認、各画面から少なくとも1フレームを概要図に含める
サイズ1080pで30秒あたり15MB以内(CRF 18~20)
グリフレンダリング期間中の監査レポートに「フォールバックチェーンでもグリフが見つからない」という項目がない
コンテンツ画面に表示されるすべてのテキスト行が、確認済みのコンテンツ内で出典を見つけられる

方法については references/verification.md を参照してください。

九、クレジットポリシー

  • ビデオ成果物にはデフォルトで作者情報を追加しません。ワークフローが起動確認ゲートで一度ユーザーに尋ね、ユーザーが要求した場合のみ追加します
  • ユーザーがクレジットを要求した場合、エンドクレジットカードにのみ表示し、同時に置き換え可能な定数位置を提供します
  • 本スキルの作者は JularDepick、バージョンは frontmatter のメタデータを参照してください

十、参考ドキュメント索引(推奨読書順)

順番ドキュメント内容いつ読むか
1references/workflow.md8フェーズのワークフロー、各フェーズの成果物、セグメントごとの経験値タスクを受け取った最初に
2references/prompt-scaffolding.mdブリーフとフェーズプロンプトの7モジュール、ロール分担、サブエージェントの引き継ぎ作業開始時にプロンプトを書くとき
3references/narrative.mdオープニング文法、1画面あたりの文字数と読む速度、ナラティブの糸とリズムコピーを書くとき
4references/content-and-rights.md事実ソースの判定、素材ライセンス、クレジット、公開前チェックリスト資料調査と画像配置時
5references/styles.md8つのスタイルと楽曲の対応、スタイル選択の4つの判断基準スタイルを決めるとき
6references/beat-sync.md3層のアライメント、セクション内のイベント記述、ビート同期の検証ストーリーボードを書く前に
7references/audio-engine.md2つの楽曲エンジン、音色ライブラリ、アレンジメントスケルトン、客観的判断基準楽曲を作るとき
8references/visual-engine.md画面エンジンAPI、汎用コンポーネント、グラフィックレシピ、パフォーマンスシーンを書くとき
9references/text-and-encoding.md3層のエンコーディングチェックとグリフチェック画面上のテキストを書く前に
10references/verification.md各種検収手段と納品前セルフチェックリスト納品前
11references/pitfalls.md失敗例の現象、原因、回避策問題が発生したときや振り返り時
12references/conventions.mdディレクトリ、命名、コード、ドキュメント、コラボレーション規約プロジェクト構造を作成するとき

順序はこの表のみが担い、ファイル名には番号を付けません。 新しい参考ドキュメントを追加する場合は、表に行を挿入するだけで、既存のファイルの名前を変更する必要はありません。 新しいスクリプトは scripts/ に、新しいスケルトンは templates/ に配置し、この表とスクリプト一覧にもそれぞれ行を追加します。

関連スキル