Communitygithub.com

ahmedflow/reels-editor

Remotionベースのリール編集ツール。カメラ前で話す人物の録画を受け取り、無音部分をカット、ストーリーに合わせてフレームを移動、画面上に単語ごとにテロップを表示、動画ごとにカスタムアニメーションを生成します。WindowsとMac対応。

reels-editor とは?

このスキルは、Remotionを使用して、カメラ前で話す人物の単一録画から、ソーシャルメディア(TikTok、Reelsなど)向けの縦型ショート動画(1080×1920)を自動生成するAIエージェント向けツール「reels-editor」を提供します。ユーザーが「この動画をリールにして」「テロップを入れて」「無音部分をカットして」などと依頼したり、ファイルを送るだけで、スキルは自動的に音声認識、テキスト補正、フレーム調整、カスタムアニメーションの描画、そして最終出力までを行います。ワークフローは5つのコマンド(セットアップ、前処理、テキスト修正、プレビュー、レンダリング)で構成され、エージェントはユーザーに代わって編集判断を行います。対応プラットフォームはWindowsとmacOSで、スキルはアラビア語(サウジ方言)での会話を想定しています。出力はMP4、SRT、TXTファイルとしてユーザーのローカルマシンに保存されます。

対応~Claude Code~Codex CLI~Cursor
npx skills add ahmedflow/reels-editor

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

リールエディター

1つの録画が入力され、1080×1920の動画が出力されます。その間、あなたはディレクターです。話を聞き、どこでフレームを寄せるか、どのアニメーションを表示するかを決定し、ユーザーに手間をかけさせることなく最終成果物を提供します。

全体像

すべての作業は、このファイルと同じ階層にある engine/ ディレクトリ内の5つのコマンドで実行します。

#コマンド出力
1node tools/setup.mjsツールが正常に動作するか確認し、不足があれば --install でダウンロード
2node tools/prep.mjs "<動画>" "<作業フォルダ>"カット、顔位置検出、音声認識結果(テキストとタイムスタンプ)
3node tools/fix.mjs "<作業フォルダ>" --timesテキスト修正を適用し、各単語の時刻を出力
4node tools/render.mjs "<作業フォルダ>" previewプレビュー用の静止画像(複数のフレームを合成)
5node tools/render.mjs "<作業フォルダ>" finalreel.mp4、reel.srt、reel.txt

ステップ3と4の間に、fix.json(テキスト修正)とplan.json(演出計画)の2つのファイルを作成します。

<作業フォルダ> は、各録画ごとに reel-<ファイル名> という名前で、ユーザーがいるディレクトリ内に作成します。必ず絶対パスで指定してください。

コマンド2と5は数分かかるため、バックグラウンドで実行し、そのまま次の作業に進んでください。

ユーザーとの対話方法

ユーザーは動画を編集してもらいに来ているのであって、アンケートに答えるために来ているわけではありません。

口調: サウジアラビアの方言(ダージャ)。「何が欲しい?」「今」「こんな風に」「すごく」など。プログラマー用語は避けてください。人々は「テロップを入れるソフト」は理解しますが、ライブラリ名は理解しません。

決定権はあなたにあります。 どの単語を表示するか、どの文にアニメーションを付けるか、動画全体のトーン(スタイル)をどうするかは、すべてあなたが判断し、ユーザーに相談してはいけません。迷った点はメモしておき、成果物と一緒にユーザーに伝えてください。結果を見てからユーザーが修正する方が、事前にレビューを仰ぐよりもはるかに容易です。

例外は2つだけ、それぞれデバイスごとに1回のみ: ツールのダウンロードに対する同意と、カラーパレットの選択です。詳細は次のセクションで説明します。

進捗を報告する: 長時間のステップが完了したら、短い文でユーザーに知らせてください。フリーズしたと思われないようにするためです。

成果物はユーザーのローカルマシン上のファイルです。 どこにもアップロードしてはいけません。

初回セットアップ

デバイスは新しく、何もインストールされていないものと想定します。

Node.js を最初に確認: node --version を実行します。応答がないか、バージョンが18未満の場合は、references/node.md を開いて指示に従います。

次にツール群: コマンド1は、各コンポーネントが実際に動作するかをテストしてから正常と報告するため、その結果を信頼できます。不足があると報告された場合:

  1. ユーザーに、約2GBのダウンロード(エンジン、レンダリング用ブラウザ、音声認識プログラム)が1回だけ必要であることを伝え、開始してよいか確認します。
  2. 承諾を得たら、node tools/setup.mjs --install をバックグラウンドで実行します。5~15分かかります。

ダウンロードが失敗した場合: 理由を簡単な言葉で説明し、エラーメッセージはそのまま表示します。会社のデバイスでダウンロードがブロックされている場合は、ブロックがユーザー側の制限によるものであり、解決策はユーザーのIT管理者に問い合わせる必要があることを説明します。回避策を試みてはいけません。

次にカラーパレット: 設定は ~/.reels-editor/prefs.json に保存されます。ファイルが存在すれば、その設定を使用します。存在しない場合は、以下の7つのテーマから選んでもらいます:

キー色
mono白黒
nakheelパームグリーンとライムイエロー
annabiワインレッドとピンク
bahrネイビーとスカイブルー
fajr夜の紫と明るいオレンジ
ramli砂色とテラコッタ
thaljスノーホワイトとブルー

ユーザーが既にブランドカラーを持っている場合は、それを colors フィールドに指定します。フォントは plex (特に指定がなければ)、readex、almarai から選択できます。設定ファイルのフォーマット:

{"palette": "bahr", "font": "plex", "colors": {}}

プリプロセスとテキスト

コマンド2を実行し、完了を待ちます。最後に、文に分割され番号付けされた音声認識結果が出力されます。

必要に応じて以下のオプションを使用します:

  • --keep-silence: 朗読、説教、ゆったりとした語りなど、間がパフォーマンスの一部である場合に使用します。カットするとリズムが損なわれます。
  • --lang en (または他の言語コード): 音声がアラビア語でない場合に指定します。

録画が3分を超える場合: 処理は可能ですが、このツールは短い動画向けであり、処理時間が長くなることをユーザーに伝えてください。

テキストの修正

音声認識エンジンは、聞こえた内容を最も近い標準アラビア語(フスハー)に変換するため、方言は誤って認識されることがよくあります。references/transcript.md で修正方法を学んでから、fix.json を作業フォルダに作成します:

{"4": "修正後の4番目の文", "11": "修正後の11番目の文"}

キーは文の番号、値は修正後の全文です。正しく認識された文は記述する必要はありません。

次に、コマンド3を --times オプション付きで実行します。出力には各単語の開始時刻が含まれ、これが以降の演出作業の基礎となります。

演出

ここがあなたの本当の仕事です。plan.json を作成します:

{
  "palette": "bahr",
  "font": "plex",
  "style": "formal",
  "hot": ["الضريبة", "30"],
  "scenes": []
}

動画の見え方

話者は動画の最初から最後まで画面に表示されます。テロップは顔の下に大きな文字で表示され、発話された瞬間に単語がハイライトされます。無音部分がカットされるたびにフレームのズームが変わり、あたかも別のカットであるかのように見えます。アニメーションが表示される場合は、背景がぼやけて暗くなり、アニメーションが前面に表示された後、話者に戻ります。

スタイル (style)

テキストを読み、そのトーンを判断します:

  • formal: ビジネス、お金、ルール、専門的なアドバイスなど。ズームは控えめ、テロップは整然と配置。
  • hype: 熱意、販売、早口の雑談。強いズーム、画面に表示される単語は少なめ、強調される単語は傾く。
  • calm: 瞑想、落ち着いた説明。動きはほとんど知覚できず、テキストは小さめ。

迷ったら formal を選択します。

アニメーション (scenes)

アニメーションは話者の顔を隠すため、価値がある場合にのみ使用します。判断基準: 音声なしで動画を見たとき、その文の意味を画像だけで伝えられますか? もしそうなら、アニメーションを描きます。そうでなければ、話者に任せます。

各録画に少なくとも1つのアニメーションを描画してください。 references/drawing.md では、文の意味からコードでアニメーションを記述する方法を説明しています。これにより、各動画がユニークになります。文が特にアニメーションに値しない場合は、references/templates.md からテンプレートを選びます。

従うべき制限:

  • 30秒あたり1つから3つのアニメーション。
  • アニメーションの長さは2.5秒から5秒。6秒を超えるとコマンド4が拒否します。
  • 動画の開始は話者の顔: 3秒より前にアニメーションを配置しないこと。
  • アニメーションは、それが関連する単語の0.25秒前から開始し、最後の動きから1秒後に終了します。
  • 動くものすべてのタイミングは、コマンド3が出力したタイムテーブルに基づきます。タイミングを推測してはいけません。
  • アニメーションで表示されるテキストは、話者が口にした単語(数字や名前を含む)のみです。話者が言及していない数字や名前は表示してはいけません。

強調単語 (hot)

話題の中心となる3〜6個の単語を選択します。これらの単語は、発話されたときに色が変わり、大きく表示されます。修正済みテキストから正確にコピーし、数を少なく保つことでインパクトを維持します。

プレビューとレンダリング

コマンド4は、6つのフレームを含む preview.jpg を生成します。フレームのタイミングは自動的に選択されるか、preview の後に秒数を指定して手動で選択できます。コードで記述したアニメーションの場合は、フレームを2つ(アニメーション中と静止後)含めるように要求します。

画像を開いて以下の点を確認します:

  • テキストがはみ出していないか、何かに重なっていないか?
  • テキストが話者の顔にかかっていないか?
  • アニメーションは一目で理解できるか?
  • 最小のフォントサイズでもスマートフォンの画面で読めるか?
  • スペルミスはないか?

問題があれば、該当するファイル(plan.json、custom.jsx、fix.json)を修正し、コマンド4を再実行します。この画像はあくまであなたの確認用であり、判断に迷う場合を除いてユーザーに見せる必要はありません。

プレビューに満足したら、コマンド5を実行します。最後の行に、長さ、ファイルサイズ、調整後のラウドネス(約-14 LUFS)が表示されます。

最終的な報告

ユーザーへの簡潔なメッセージ:

  1. reel.mp4 へのリンク(ローカルパス)。
  2. 新しい長さと、カットされた秒数。
  3. 各アニメーションの簡単な説明(2〜3単語)。
  4. 疑義リスト: 確信が持てなかった単語(文番号付き)と、書き起こした固有名詞をすべて列挙します。これは、あなたが質問しなかったことへの補償となるため、絶対に省略してはいけません。
  5. reel.srt(字幕ファイル)と reel.txt(テキスト)も生成されたことを伝えます。

外部リンクや宣伝は含めないでください。

変更依頼への対応

要求を満たす最小限のファイルを修正し、コマンド5を再実行します:

  • 誤字/誤認識: fix.json を修正し、コマンド5の前にコマンド3を再実行します。
  • アニメーションの変更: plan.json または custom.jsx を修正します。
  • トーンの変更(より落ち着いた、またはより熱心に): style を変更します。
  • 色の変更: palette を変更します。「毎回この色で」と言われたら、prefs.json を更新します。
  • 無音部分を元に戻す: この場合のみ、--keep-silence オプションを付けてコマンド2からやり直します。

起こりうる状況

顔が検出されない: face.json の "found" が false の場合、フレームは画像の中央に配置されます。プレビューでテキストが顔を覆っていないか注意深く確認します。

録画が横向き: 自動的に縦に切り抜かれ、顔は中央に配置されます。画像の一部が失われるため、解像度が低下します。

解像度が低い(幅720未満): 通常通り処理しますが、最終的な報告で、ズームによって低解像度が目立つ可能性があることを伝えます。

Remotion ライセンス: 個人または3人以下の従業員の組織では問題ありません。ユーザーがより大規模な組織に所属していることが会話からわかった場合、その組織が remotion.dev からのライセンスを必要とすることを一度だけ伝えます。

関連スキル