解説ミックス
解説ミックスは形式であり、特定のテーマではありません。ナレーションが語る間、常にリアルな映像（インタビュー、記者会見、スクリーンキャプチャ、ニュース映像、写真）が動き、関係者の発言は本人の声で流し、ツイート、引用、日付、数字は画面上にオーバーレイ表示します。ニュース、ゴシップ、商品の歴史、人物の物語、トレンドの総まとめなど、あらゆるテーマに適用でき、既存の解説動画やトーキングヘッド動画の一部として挿入することも可能です。
このような動画の出来栄えは、ほぼ唯一つの要素に依存します。視聴者の目にやることがあるかどうかです。カードが十数秒間画面に止まり、ナレーションが読み上げるだけでは、それはスライドショーです。同じナレーションでも、背後で関係者の顔、当日の現場、飛び出しては消えていくツイートがあれば、それは動画です。このスキルは、判断基準、手法、ツールを提供するものであり、テンプレート的な手順ではありません。以下の順序は一般的な流れに沿ったものであり、各ステップはプロジェクトに合わなければ自由に変更してください。
- 今回のプロジェクトがこの形式に該当するか見極め、ユーザーと認識を合わせる（第1、2節）。
- 台本を読み、登場人物、出来事、問題点をリストアップする（第3節）。
- 素材探しと原稿作成を並行して行い、相互に補完する（第4節、詳細は
references/sourcing.md）。 - 画面：各拍子の背後で常に何かが動いているようにする（第5節）。
- 原稿、構成、生声、音響（第6節、オプションの手法は
references/structure.md）。 - BaoCutで組み立てる（第7節、詳細は
references/assembly.md）。 - 計測し、視聴し、納品する（第8節）。
1. この形式かどうか
- 素早い判断方法：この動画で最も重要なナレーションの文を3つ書き出し、それぞれに合う映像を考えます。答えが「その言葉を発した人」「当日の現場」「そのツイート」「その製品のデモ」であれば、この形式です。答えが「動くモデル」「ナレーションに合わせて生成された図」であれば、解説動画（
explainer-video）です。答えが「ユーザー自身がカメラに向かって話す」であれば、トーキングヘッド動画（talking-head-cut）です。 - ユーザーが「このニュース / この出来事を動画にして」「この記事を動画に」「○○の成り立ちを」「素材を探して編集して」「ドキュメンタリー」「総まとめ」と言った場合、デフォルトでこの形式を想定します。確信が持てない場合は、ユーザーに原稿を見せる前に、この形式を選んだ理由を伝えます。
- 他の動画の一部として使用する場合：解説動画で本物の記者会見を扱う場面、トーキングヘッド動画に関係者の生声を挿入したい場面、ショート動画の冒頭3秒で視聴者を引きつけたい場面など、この形式の一部を使用できます。一部のみ作成する場合は、第4、5、7節に従い、動画全体の形式を変更する必要はありません。
2. まずユーザーと認識を合わせる
不足している情報は質問し、既に説明されていることは再質問しません。
- 台本は何か（リンク、ファイル、簡単な説明）、動画の言語、横長か縦長か。
- 尺：制限がない場合は情報量で決めます。ニュースやゴシップは2～5分、製品や人物の来歴は8～20分。ナレーションの文字数と推定話速から計算します（
narration第1節）。キリの良い数字に合わせる必要はありません。 - 素材の入手先：ユーザーの動画ライブラリ、ウェブ、ユーザーが持つファイル。いずれも可能な場合は全て探します。ウェブ上の動画をダウンロードする前にはユーザーの許可を得ます（第4節）。
- ユーザー指定のスタイルと禁止事項（「テンポが良くサスペンスがあるように」「スライドショーにしない」「BGM不要」など）を記録し、プロセス全体で順守します。
3. 台本を読み、リストを作成する
台本を完全に読み、3つのリストを作成し、作業ディレクトリに保存します。
- 人物リスト：名前のある全人物、その立場、ストーリー上の重要な瞬間、台本で引用された発言（原文の言語を保持し、文字起こしでの検索を容易にします）。
- 出来事リスト：時系列順に、各出来事の日付、映像が存在する可能性のある場所（公式チャンネル、記者会見、ニュース、スクリーンキャプチャ）。
- 問題点：動画全体が答えるべき中心的な問いと、各セクションが答えるべき小さな問い。問いがないセクションは、多くの場合、資料を単に繰り返しているだけです。
- 事実、日付、引用は出典を一つ一つ確認し、不確かなものは原稿にマークします。生成された画像や再現映像はあくまでイメージとして使用し、「実際の人物の声や映像を合成することは絶対にしない」でください。
4. 素材探しと原稿作成を並行して行う
この2つは相互に補完し合います。関係者自身が発言した言葉が見つかれば、その拍子は生声に変更します。ある出来事の映像が全く見つからなければ、その拍子を書き直すか、別の語り方を検討します。詳細な手順は references/sourcing.md にあります。要点は以下の通りです。
- 3つの情報源を優先順位に従って確認：ユーザーの動画ライブラリ（意味で複数の動画を横断検索。ライブラリにあるものはウェブで探さない）、ウェブ（BaoCutの素材検索とダウンロード。動画は文字起こししてから生声を切り出す）、ユーザーから提供されたファイルとスクリーンショット。
- ウェブ上の動画のライセンスは不明なことが多いため、ダウンロード前に使用予定の動画（タイトル、チャンネル、リンク）をユーザーにリストアップし、判断を仰ぎます。使用した素材は全て出典を記録し、納品時にリスト化します。X（旧Twitter）の操作は読み取り専用（検索、閲覧、読み取り）とし、いいね、リツイート、投稿は行いません。
- 生声の開始・終了点は、文字起こしのタイムスタンプを基準に0.1秒単位で設定し、その後映像で話し手がフレーム内にいることを確認します。
- 素材が多い場合は、サブエージェントに人物と出来事の担当を振り分け、結果はファイルに出力し、応答には含めません。
5. 画面：各拍子の背後で常に何かが動いているようにする
この節は、このスキル全体で最も重要な部分です。
- スライドショーになる原因は一つだけ：カード（タイトル、引用、要点、比較表）が画面に数秒から十数秒停止し、画面内に動きがないことです。背景に動きやエフェクト、パーティクルを追加しても改善されません。背後に本物の映像があることでのみ解決します。
- 最下層は常に動いている：各拍子のナレーションの背後には、常に実写、スクリーンキャプチャ、写真があります（写真は3～6秒かけてゆっくりとパンまたはズームします）。真に映像がない数秒間は、意図的な空白（黒背景に「思考」を促すテキスト、点滅するカーソル）とし、カードで埋めることはしません。
- カードは映像の上に重ね、映像の代わりにはしない：日付、テロップ（氏名・役職）、引用、ツイート、数字、用語、章タイトルなどは全てオーバーレイです。背後にある映像は少し暗くして動き続けさせます。1枚のカードには1つの情報を表示し、十分に読める時間（日本語は1秒あたり5～6文字を目安）表示したら消します。カードが画面を占める割合は通常20～30％程度であり、50％を超える場合はスライドショーになっている可能性が高いです。
- カードは、それが何であるかを表現する形で描画する：ツイートはツイートの形式で（アイコン、名前、日付、原文と翻訳）、引用は引用の形式で（誰が、どのような場面で）、端末は端末の形式で（カーソルが点滅、文字が入力される）、チャットはチャットの形式で描画します。これら全てを同じ「タイトル＋本文」の枠で描画してはいけません。描画方法は
motion-graphicsを参照してください。 - カットは3～6秒ごとに切り替え、言葉に合わせる：ナレーションが名前や出来事に触れた瞬間、画面がまさにそれを映しているようにします（ナレーションのタイムスタンプを利用）。同じ映像を十数秒以上使い続ける場合は、それが生声であるか、アングルを変えるか、ズームインする必要があります。
- 素材は繰り返し使用しない：同じ映像は最大でも2回までとし、2回目は新しい意図（「話の後に改めて見せる」など）がある場合のみとします。視聴者が繰り返しの映像に気づくと、素材が不足している印象を与えます。
- 現実の映像は現実のことを語る：生成された画像やアニメーションによる再現は、イメージとして使用し、その旨を明示します。暗くする、色を抜く、スローモーションにするなどの表現技法は一般的ですが、元の意味を変えてはいけません。出典は画面隅に表示し、エンドロールでリスト化します。
- 撮影できないものは、コードによる画面を1～2箇所使用して説明する（プロセス、規模、タイムライン、複数項目の比較）。これも透過オーバーレイとし、画面全体を埋め尽くして全セクションを担うことは避けます。
- 人物が初めて登場する際はテロップを付け、出来事が初めて登場する際は日付を表示します。同時に表示する情報カードは1枚のみとし、生声の間は他のカードを重ねません。
6. 原稿、構成、生声、音響
- 原稿は一拍一文とし、各文の下に改行して、この拍子で見るべき映像（画面意図）と生声の配置場所を記述します。これにより、ナレーション収録前に各拍子の背景が明確になります。意図行は
@で始め、ナレーション収録時は読み飛ばします。話速、文字数、声色、再収録の手順はnarrationを参照してください。 - 生声は関係者自身に語らせる：最も重要で感情的な発言（決定的な一言、認めたこと、予言など）は、ナレーションで要約せずにそのまま使用します。ナレーションで導入し、生声につなぎ、ナレーションは生声の内容を引き継いで話を進めます。生声の内容をナレーションで繰り返してはいけません。各生声は5～20秒程度とし、二か国語字幕とテロップを付けます。
- 構成はテーマに応じて選択する：速報であれば単刀直入で十分です。物語性のあるものには、コールドオープン、予告編、章ごとのフック、「思考」の間、時間のアンカーなどを使用します。これらの手法と原稿の書き方は
references/structure.mdにあります。これらはオプションであり、必須のステップではありません。 - 音響：低めで控えめなBGMをベースに、章ごとに起伏をつけ、生声の間は音量を下げます。カットやカードの出現時には軽い効果音を1つ鳴らし、動画全体で統一します。ナレーションのトーンは落ち着いて、ややサスペンスを含む程度とし、声色は動画全体で変えません。
7. BaoCutで組み立てる
詳細は references/assembly.md にあります。要点は以下の通りです。
- トラックの上下関係：最下部のビジュアルトラックに実写（写真、スクリーンキャプチャを含む）をベースとして敷き、その上にカードを透過コードパッケージとして配置、さらにその上に透かしを配置します。ナレーションは1つのオーディオトラック、生声は対応する実写クリップに内蔵音声として配置し（クリップの内蔵音声を有効にする）、ナレーショントラックは該当箇所を無音にします。音楽は1つのトラックです。
- ナレーションは先に収録し、タイムスタンプを取得してから、映像をそのタイムスタンプに合わせてカットします。一部を変更する場合は、該当部分のみ再収録、再配置します。
- コマンドライン環境がなくても実行可能です。全ての操作をツール（ダウンロード、文字起こし、インポート、
edits_apply、コードパッケージインポート、字幕レイヤー、エクスポート）で行います。コマンドライン環境がある場合は、同じ操作をbaocutCLIで行い、パイプラインを自身で記述します。このスキルはパイプラインの形状を規定しません。
8. 計測し、視聴し、納品する
- タイムラインを計測する（
skills_readでproduction-scriptsを読み、そのcoverage.mjsを使用）：実写、コード画面、空白の画面占有率、カット数と中央値の長さ、実写がない最長のセクション、素材の重複使用、生声を含むクリップの数。この形式の完成度の高い動画は、通常、実写が80～90％、カードが20～30％、中央値のカット長が3～6秒、実写が20秒以上ないセクションはありません。これらから大きく外れている場合、多くの場合はカードが基盤となっており、第5節に戻って映像を補う必要があります。この計測は数値を報告するものであり、正誤を判断するものではありません。 - 音声をミュートして視聴する：映像だけでストーリーが伝わるかを確認します。音声のみを聞く：生声とナレーションの継ぎ目が自然か、BGMが声を圧迫していないかを確認します。
- 各カードの日付、数字、引用が原稿と一致していることを確認します。各生声の字幕が発言そのままであることを確認します。
- 納品物：完成動画（またはレビュー用リンク）、尺と章構成、各生声と各素材の出典リスト（出典、リンク、公開者、イン点アウト点、クレジット）、イメージとして使用した部分、既知の問題点。公開用の文章が必要な場合は
titles-and-descriptionに従います。
参考ファイル
| ファイル | いつ読むか |
|---|---|
references/sourcing.md | 素材を探す前、生声の開始・終了点を決める前、出典を記録する前 |
references/structure.md | 原稿を書く前。コールドオープン、予告編、章フックなどの手法を使用する場合 |
references/assembly.md | BaoCutでトラックを配置する前、生声を配置する前、カードを作成する前、字幕を構築する前 |
スクリプト
このスキルにはスクリプトは付属しません。コマンドライン環境があり、ナレーションをセクションごとに収録する場合、ナレーション収録、タイムアライメント、タイムライン配置、実写カット、画面占有率の計測を行う既存のスクリプトは skills_read で production-scripts を読んで使用します。これは便利な方法ですが、状況に合わない場合は、第7節に従ってBaoCutのツールを直接使用します。