Communitygithub.com

カット: タイトな音声編集

生のトーキングヘッド映像を、タイトな音声編集に仕上げます。すべてのラインの最適な完全テイクを見つけ、デッドエアをフレーム単位で除去し、単語の末尾をクリップしたりブレスを半分に切ったりせず、すべての接合部でピクチャージャンプ、マイクドロップアウト、音声レベルをチェックします。最初に生の録音に対して使用します。

カット: タイトな音声編集 とは?

このスキルは、トーキングヘッド形式の生録画映像を、隙のない厳密に編集された音声編集に変換します。その目的は、グラフィック、キャプション、音響のすべてがこのカットに同期されるようにすることです。このスキルは、各ラインの最良の完全テイクを特定し、フレーム単位でデッドスペースを除去しながらも、単語やブレスのクリッピングなどのアーティファクトが発生しないようにします。ffmpegとローカル転写ツール(faster-whisper)を必要とし、録音を外部サービスにアップロードしません。このスキルは、ソースビデオのインベントリ作成、単語タイミング付きの書き起こし、切断前のマイクドロップアウトのスキャンと修復、録音全体からのテイク選択(キューイングシステムを使用)、タイトな編集(フレーム精度のマニフェスト使用)、動きのジャンプのチェック、一貫した音声レベルの使用、出力の独立した書き起こしによる監査を含む包括的なワークフローを提供します。これは従来の編集ルールに従い、動画の速度を上げたり、声を合成したり、映像をアップロードしたりすることを禁止し、フレーム精度のマニフェストに基づいて下流のすべての作業を再マッピングします。

対応✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Liamrjohnston/ai-video-editor/tree/main/.claude/skills/cut

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

カット: タイトな音声編集 は何をしますか?

カットは基礎です。グラフィック、キャプション、音響はすべてこれに同期されるため、他の何かを始める前に正しく行わなければなりません。基準: 最初のバージョンは、どこにもデッドスペースがなく、重なりもない、超タイトにカットされていること。 タイトであることは、クリップされていることを意味しません。最後の子音を失った単語や、半分に切れたブレスは、間よりも悪く聞こえます。

必要なもの

  • カメラオリジナルビデオ。一部のカメラがその隣に書き込む低解像度プロキシファイル(例:DJIの.LRF)は使用しないこと。フル品質のMP4からカットします。
  • 台本(ある場合)。
  • ffmpeg、およびローカルの転写ツール(faster-whisper)。ローカルで転写すること。誰かの映像を外部サービスにアップロードしないでください。

ステップ1: インベントリ

ソースを調査します。解像度、正確なフレームレート(29.97は30ではなく30000/1001)、再生時間、オーディオチャンネルを記録します。このスキル内のすべてのフレーム番号は、ソースのネイティブフレームです。別の動画のフレームレートを採用しないでください。

ステップ2: 単語タイミング付きで転写する

.venv/bin/python .claude/skills/cut/scripts/transcribe.py raw.mp4 --out words.json

音声認識は単語を見つけます。配信を判断したり、聞き取りにくい声を聞いたり、明確な子音を保証したりすることはできません。

ステップ3: カット前にマイクドロップアウトをスキャンする

ワイヤレスマイクは時々20〜50ミリ秒を失い、それを滑らかな偽の減衰で埋めることがあります。単語のグリッチのように聞こえ、人々は編集のせいにします。

.venv/bin/python .claude/skills/cut/scripts/find_dropouts.py raw.mp4 --json dropouts.json

ソースオーディオに対して実行します。音楽がそれを隠す完成したミックスに対しては決して実行しないでください。実際のドロップアウトをそれぞれ修復してから、修復されたオーディオからカットします。

.venv/bin/python .claude/skills/cut/scripts/repair_dropout.py raw.mp4 --start 32.722 --end 32.762 --out audio_repaired.wav --json repair.json

修復では、隠蔽部分を削除し、2つの実際の半分をクロスフェードし、最も近いポーズからのルームトーンで時間を補うため、リップシンクが保持されます。合成、フィルタリング、またはゲイン調整は行いません。誰かが「グリッチがある」と言った場合は、音と画像を別々に確認してください。

ステップ4: テイクを選ぶ

  • 音声キューを聞く。 話し手は良いテイクの後によく「それを使って」、「それが本番だ」、または「これを使って」と言います。キューは、その直前の完了したテイクを示します。キューがない場合は、話し手が次に進む前の最後のクリーンな完全テイク。後で発せられた音声による上書きが優先されます。
  • デフォルトで最後のテイクを選ばない。 多くの場合、それは疲れたテイクです。
  • 却下するもの: 聞き取りにくい声、 false start、未完の思考、中断された単語、静かなリハーサル、読み間違い。静かなテイクをゲインで救済しないでください。
  • 疑わしいラインについては、録音全体を検索して、最も近いものだけでなく、そのラインのすべての完全テイクを見つけてください。短いテーブルで比較します: テイク、ソース時間、キュー、判定、理由。
  • どのテイクが最も良く聞こえるか明らかでない場合は、尋ねてください。 ユーザーにそのラインのすべての完全テイクを再生してもらい、キューされたテイクがあればそれを事前選択し、ユーザーの選択からカットします。配信について推測しないでください。
  • ラインのクリーンな完全テイクが存在しない場合は、そのことを率直に言ってください。代わりのものをでっち上げたり、単語の断片から橋渡ししたりしないでください。
  • 台本と実際に話された単語を一行ずつ比較してください。グラフィックとキャプションは、書かれた内容ではなく、話された内容に従います。
  • 複数のフック: 複数のオープニングフックが録音された場合は、本体を1回カットし、各フックを個別にカットしてから、各フックから本体への接合部を個別に確認します。

ステップ5: タイトにカットする

.venv/bin/python .claude/skills/cut/scripts/find_gaps.py audio_repaired.wav --words words.json --json gaps.json

これは候補を提案します。カットはしません。次に、境界を一つずつ確認します。

  • すべての裁量的なデッドスペースを削除します: テイク間、文間、単語間、テールホールド。次の意味のある発話に直接接合します。
  • 音が実際に必要とするフレームだけを保持します: 弱い摩擦音(s, f, th)、息音(h)、子音の閉鎖と開放(t, k, p)、および単語末尾の完全な減衰。すべてのKEEPについて、保護された音を明記してください。「自然なペース」は理由になりません。
  • ブレステール。 レベルがルームトーンに向かって下がり、単語なしで再び上がる場合、その上昇はブレスです。ピースは、単語の最後の音の20ミリ秒後に終了します。ブレスに切り込むと、奇妙な半分のノイズが残ります。減衰する単語末尾はそのまま残します。
  • 削除されたポーズの後に始まる単語の前に、少なくとも2フレームを保持します。
  • 声の速度を上げたり、2つの音声を重ねたり、2つの声をクロスフェードしたりしないでください。実際の音声を削除して再生時間に合わせないでください。
  • 無音検出器は候補を提案します。何も認定しません。検出器の最小値以下の小さなギャップも確認します。

フレーム精度のマニフェスト(cut.json)を書き込みます。各ピースについて、それが属するライン、ソースのイン/アウトフレーム、出力の開始フレーム、および各境界の理由を含めます。下流のすべて(キャプション、グラフィック、音響)は、変更のたびにこれから再マッピングされます。

ステップ6: 接合部のピクチャージャンプ

手や頭が動いている間に短いポーズをカットすると、フレーム落ちのように見えます。タイトパスの後、カットをレンダリングし、文中のすべての接合部を測定します。

.venv/bin/python .claude/skills/cut/scripts/join_jumps.py cut.mp4 --cut cut.json --modes modes.json --json jumps.json

ジャンプは、接合部を挟んだフレーム差を、その周辺の通常の動きで割ったものです。3倍以上の場合は、それを2倍以下にするために、最小限の実際のポーズフレームを戻し、両側が一致するようにドロップするフレームを選択します。ディゾルブは使用しません。文の切れ目でのテイク間のカットは、通常のジャンプカットです。全画面グラフィックの下に隠れた接合部は表示されません。手が速く動くラインでは、その内部のフレームをまったくカットしません。

ステップ7: 均一な声

何かを表示する前に、すべてのテイクとピックアップを文ごとにレベル調整し、1つの録音のように聞こえるようにします。電話のようなカーブでトーンを確認し、ピッチも確認します: 1.5半音離れたテイクは、接合部でまだ違和感があります。 再録音はピッチシフトよりも優れています。数秒間隔で録音された1つのフックの2つの半分でも異なる場合があります。最も良く一致するペアを選択し、その接合部でピクチャージャンプが発生する場合は、パンチインでカバーします。

ステップ8: 誰かに見せる前に監査する

エクスポートされたカットを独立して書き起こし、意図されたラインと単語の順序を比較します。すべての接合部の周りで短い重なりウィンドウを使用して、重複した開始(「今、あなたはレビューできます、今、あなたはレビューできます」)を確認します。ファイル全体の音声認識は繰り返しを平滑化するためです。誰かが繰り返しを報告した場合、それが証明されるまで実際のものです。

すべてのバージョンでレシートを保存します:

  • カバレッジ: 確認されたピース、ヘッド、テール、接合部、ギャップの数。予想数と確認数が一致している必要があります。
  • テイクリッジ: 意図された単語、疑わしいラインのすべての候補テイク、選択とその理由。
  • カットリッジ: 各境界のフレーム、削除または保持されたフレームと保護された特定の音。
  • 残存ギャップ: エンコードされたカットで再実行し、残っているものとその理由をリストします。
  • リスニング: 自動チェックはリスニングではありません。人が通常の速度で聞くまで、リスニングを保留中とマークします。数値が合格したからといって、クリーンだと主張しないでください。

フィードバックが戻ってきたとき

  • 却下された聞き取りにくい声や「このカットは緩い」という指摘は、そのタイムスタンプだけでなく、ビデオ全体を再監査することを意味します。
  • すべての修正は新しいバージョンです。承認されたカットを上書きしないでください。

ルール

  • バージョン1からタイトに。デッドスペースなし、重なりなし、クリップされた音なし。
  • キュー主導のテイク。デフォルトで最後のテイクは避ける。配信が不明な場合は尋ねる。
  • ブレステールは最後の単語の20ミリ秒後に終了。
  • 3倍以上の動きがある接合部は、2倍以下になるまでフレームを戻す。ディゾルブなし。
  • カット前にソース上のマイクドロップアウトをスキャンして修復する。
  • 声の速度を上げたり合成したりしない。映像をアップロードしない。

Individual skills in this repo

This repo contains 1 individual skill — each has its own dedicated page.

関連スキル