/explainer
┌──────────────────────┐
│ 効果があったものを真似る │ タイトル、アクセントカラーは1語
│ [before] ⟶ [after] │ 比較:カード、描かれた矢印、リビール(または番号付きリスト)
│ ╭──頭──╮ │ 頭がパネルからはみ出す
│ ╭────┴────────┴────╮ │
│ │ スピーカー、キャプション│ │ 丸みを帯びたパネル、アイライン=上端
│ ╰──────────────────╯ │
└──────────────────────┘
初回使用
このスキルのフォルダは、Claude Codeがロード時に表示する「ベースディレクトリ」です。そこからキットを解決し(シンボリックリンク経由で動作)、一度だけセットアップします:
SKILL_DIR="<このスキルのベースディレクトリ>" # Claude Codeが「このスキルのベースディレクトリ」として出力したパス
KIT=$(python3 -c 'import os,sys;print(os.path.realpath(os.path.join(sys.argv[1],"..","..","kit")))' "$SKILL_DIR")
PY="$KIT/.venv/bin/python"; [ -x "$PY" ] || bash "$KIT/setup.sh" --cutout
文字起こしを行うには GROQ_API_KEY を設定する必要があります(console.groq.com で無料取得可能)。ffmpeg と Node が必要です。
フォーマット
すべてのスペックは "format" を取ります:"vertical"(1080×1920:リール、ショート、縦型長尺)、"horizontal"(1920×1080:YouTubeおよびその他の長尺)、または "auto"(デフォルト:ソースの形状に従う)。"$PY" "$KIT/reel.py" probe <video> を実行すると、auto が何を選択するか確認できます。シートは、プラットフォームがカバーする領域を赤く着色します:縦型では Instagram/TikTok のUI、横型では YouTube プレイヤーのクローム。長尺動画の場合は、手動でクリップをカットする代わりに、このスキルを /long-form 内のモーメントとして使用してください。
手順
- クリップ。 ユーザーが指定したクリップを使用します(サイズは問いません;1080×1920 または 1920×1080 にクロップされます。フォーマットを参照)。クリップが提供されなかった場合のみ、ユーザーに要求してください。
- 言葉。
"$PY" "$KIT/reel.py" words <video>は、すべての単語をその時刻とともに出力します(初回使用時に文字起こしを行います)。各行の文末には[ends …]と、その最後の単語の終了時刻が表示されます。3〜8秒の範囲で、一つのポイントを構成する、完全な文章からなる部分を一つ選びます:startは最初の単語の時刻、endは最後の文の[ends …](ソースの秒数)です。 - アイライン。
"$PY" "$KIT/reel.py" frame <video> <範囲内の時刻> frame.jpgを実行し、画像を確認します。ルーラーはキャンバスピクセル単位です;目の y 座標を読み取ります。それがeye_yです(縦型:通常のフレーミングで約700〜800、横型:約350〜450)。横型の場合は、顔の中心の x 座標も読み取ります:それがface_xです。 - スペック。 クリップの隣に
<クリップ名>.explainer.jsonを作成します(以下のフィールド)。スペック内のパスはスペックファイルからの相対パスです。すべての時刻はstartからの秒数か、アンカーとなる発話単語("viral"、"viral#2"(2回目)、"viral+0.2")です。単語を使用することを推奨します:startを移動しても正しい位置に留まります。 - ビルド。
"$PY" "$SKILL_DIR/build.py" <spec.json>を実行します。範囲をカットし、スピーカー部分を切り抜き(約0.1秒/フレーム)、HyperFrames でレンダリングし、<out>.sheet.jpgを出力します。 - 確認。 シートを確認します。赤色はプラットフォームがカバーする領域です。次の場合はスペックを修正して再ビルドします:
- タイトルまたはビジュアルが赤色の領域にかかっている
- キャプションが口を覆っている、または赤色の下部ゾーンから80ピクセル以内にある(
caption_topを移動) - キャプションに範囲外の単語が表示されている(
startまたはendを文の端に移動) - 頭部がパネルからはみ出していない(
eye_yを移動) - 画像が欠けている、またはつぶれている
- 引き渡し。 mp4 ファイルのパスを提示し、各ビジュアルが何を表示しているかを一行で説明します。
スペック
{
"video": "my-clip.mp4", "start": 21.4, "end": 25.66, "out": "my-clip.speaker.mp4",
"title": "効果があったものを*真似る*",
"eye_y": 750,
"visual": {
"type": "compare",
"left": {"label": "別のニッチ", "images": ["theirs-1.jpg", "theirs-2.jpg", "theirs-3.jpg"], "at": 0.3,
"chip": "14倍 バズった", "chip_at": "viral", "swipe_at": ["carousel", 2.3]},
"right": {"label": "あなたのニッチ", "at": "outside", "reveal_at": "recreate",
"image": "my-photo.jpg", "text": "最高の*AIツール*\nを使う場所\n*若くて無一文*の時"},
"arrow_at": "and"
},
"keys": ["viral", "outside", "recreate"],
"caption_top": 1420
}
title:1〜4語。アクセントカラーにする一語を*...*で囲みます。visual.type: "compare"はビフォーアフターです:- 左のカードは1〜3枚の画像を表示し、
swipe_atのタイミングで切り替わります。 - 右のカードは点線の「?」で始まります。
arrow_atで矢印が描かれ、その後reveal_atでカードが表示されます。 - 右のカードは、単一の
image、またはimageとtextで構成されるカルーセルカバー(*単語*はアクセントピルに配置、\nで改行)のいずれかです。
- 左のカードは1〜3枚の画像を表示し、
- どちらのカードも、画像の代わりにテキストカードにできます:
"big": "*プロ*\nツール", "small": "プロが使うもの"。ユーザーに画像がない場合に使用します。スピーカーが左右を指す比較に適しています。 visual.type: "list":{"type": "list", "items": [{"text": "*バズった*投稿を見つける", "at": "find"}, ...]}。最大4つの番号付き行で、それぞれが発話と同時に表示されます。keys:アクセントピルに表示するキャプション単語。意味を伝える2〜4語を選びます。その単語が発話されるたびにハイライトされます。- 横型のみ:
face_x(パネル内で顔を中央に配置)、side("right"デフォルト、または"left")、scale(0.9:スピーカーの描画サイズ)。 caption_top:キャプションの上端の y 座標:縦型1420(下端は1500より上に保つ)、横型850(パネル上に配置;下端は960より上に保つ)。
テイスト
- クリップごとに一つのポイント。範囲が二つのポイントを含む場合は、エクスプレイナーを二つ作成します。
- 各ビジュアルは、それを指し示す単語が発話されたタイミングで表示します。何も発話前に表示してはいけません。タイトルは例外で、最初のフレームから表示されます。
- 縦型:上部のビジュアルは y 330〜760 の間に配置します(タイトルはその上、約210の位置)。横型:タイトルは y 110、ビジュアルは y 270〜830 の間にパネルの隣に配置します。テキストとグラフィックは赤色ゾーンの外に保ちます;スピーカーのパネルは赤色ゾーンにかかっても構いません。
- スピーカーが左右を指す場合は
compareを使用します。そのカードは指す位置に配置されます。 - ユーザー自身の画像を使用します。他人の投稿に関する数字や結果をでっち上げないでください。「14倍 バズった」のようなチップは、ユーザーが言ったか提供したものでなければなりません。