プレゼンター音声ナレーション

プレゼンター音声ナレーション は何をしますか？

ツール: $VIDEO_ROOT/voice/（video-generations より）（speak.py, speak_cast.py, polish_vo.py, mix_narration.py, el_cache.py）; モデルは $VIDEO_ROOT/models（python studio/get_models.py）。

1. プレゼンターのように書く（声よりもスクリプトが重要）

• 画面をそのまま読まない。 画面上のテキストは事実を述べ、音声はその背後にある意味、感情、ストーリーを加える。行が画面のテキストを一字一句繰り返している場合は、書き直すか削除する。例外：製品名と最後のタグライン。

• 一行一アイデア。 短い文、6～12語。話し言葉の英語、短縮形は許可。

• ヒーロースレッド。 一人の人物（例：Aroon、Anita、Dr Rao）を追い、その人物に言及する。人は機能ではなくストーリーを覚える。

• エンドフォーカス。 重要な単語をフレーズの最後に配置する（「…すべてのチームが ただ一つ を保持する」）。声は自然にそこに着地する。コンテキストは前置き：「…午前2時14分、早朝に // Aroon // 倒れる。」

• ルール・オブ・スリー：利益やリストには均等なビートで。

• 対比と転換： 問題 → 「さあ、想像してみてください…」 → 解決策。

• 開始： 各セクションをアンカーで始める（「まず、家族のために。」「では、病院の中に入ってみましょう。」）。

• 終了： 文は終止符で終わり、下降して完了したトーンにする。約束またはタグラインで締めくくり、明確な招待状、そして「ありがとうございました。」

• ペース（ハウススタイル）： ゆっくりでポーズが多いとロボット的に聞こえる（「ポーズが多すぎ、単語が少なすぎ」）。デフォルトは流暢なプレゼンターペース：

  • ほとんどの行は速度 1.00、長いリストや説明は 1.02、タグラインやクロージングは 0.95～0.97、感情的なフックにのみ 0.93。
  • 一行あたりの保持ビート...は最大一つで、感情の転換点のみ（「午前2時14分、早朝に ... Aroon倒れる」、「もし ... たった一回のタップでできたら？」）。/は控えめに使う；代わりに普通のコンマを推奨。
  • このスタイルでの測定レート：約 2.6～2.8 語/秒（af_kore）。予算 = 語数 / 2.7 + 0.35秒（ポリッシュテール）。行は次のビジュアルビートの前に収まらなければならない。
  • 問題の構築後、および解決策の感情的なペイオフ後（「あの最初の夜よりも落ち着いている。」）に、意図的な無音（1～1.5秒、行なし）を残す。
  • 密度：2.5分のフィルムで約230～250ナレーション語；すべてのシーンに少なくとも一行あるため、計画された無音以外で3秒以上無音のシーンは発生しない。

• 誠実さ： 創作された結果は含めない；架空の名前や数値はデモデータ。

• 高速パス（時間節約のため）： すべての行を書く → 上記の予算で所要時間を見積もる → テキスト内でオーバーランを修正してから生成 → 一度生成する。ラップトップでの再生成は一行あたり約25～40秒かかるため、ほとんどの時間は書き直されるテキストに費やされる。

2. マークアップ（ナレーションファイル）

LINES = [(start_s, speed, text), ...]、VOICE = '...'、さらに配信ノートを含むdocstring。例：voice/examples/narration_demo.py。

• / = ブレスポーズ（0.25秒）、// = 劇的なポーズ（0.55秒）、... = 保持ビート（0.8秒）。
• エンジンが間違える名前は voice/lexicon.py で綴りを直す（例：Arun → "Aroon"、Dr → "Doctor"）。最初に一行テストする。
• 複数声のダイアログ：speak_cast.py 用に LINES = [(key, voice, speed, text), ...]（voice/examples/dialogue_demo.py）。

3. 音声

• エンジン：kokoro-onnx経由のKokoro、オフライン、50以上の声。良いプレゼンターの選択：af_kore / af_heart（落ち着いた、自信のある女性）、hm_omega / hm_psi（インド人男性）、am_onyx（深い男性）、bm_george（イギリス人男性）、hf_alpha / hf_beta（インド人女性）。ブレンドも可能：hm_omega:0.6,am_onyx:0.4。
• 新しい声の選択には、候補ごとに代表的な3行（フック、解決策、タグライン）をレンダリングし、本番実行前にユーザーに選んでもらう。
• 単語レベルの強調は強制できない；フレージング、句読点、ポーズ、速度で作り出す。正確な強調には人間の録音が必要。
• プレミアムクラウド音声：voice/el_cache.py（ElevenLabs；各行は一度課金され、その後キャッシュされる）。

4. 生成 → ポリッシュ → ミックス

1. python voice/speak.py <narration>.py work/vo [voice] — 再開可能；各フレーズは個別に発声され、マークされた無音で結合される。
2. python voice/polish_vo.py work/vo work/vo_polished — トリミング、温かみ/クリアなEQ、ソフトなコンプレッション、さりげない残響、フェードアウトテール。
3. python voice/mix_narration.py <silent.mp4> <music.wav> <narration>.py work/vo_polished <out.mp4> — 行を配置、長い行を最大1.08倍に速度調整、必要に応じて後続の行をずらし、音楽をダッキング、−16 LUFS、SRTを書き出す。
4. ドリフトレポートを確認する。 すべての行がビジュアルから約0.5秒以内にあるべき。ドリフトが蓄積した場合は、行を短くするか削除し（画面を繰り返す行が優先）、開始時間をビジュアルビートに合わせる。触っていない行を再生成せずに再ミックスする。 一部の行をやり直すには、古いクリップを移動し、speak.pyを再実行する；欠落したクリップのみが補充される。クリップ番号とLINESの同期を保つ。
5. MP4とSRTを納品する。