ディレクタースキル：ストーリー入力 → 撮影準備完了ファイルを出力
このスキルはエグゼキューター・スペックであり、ガイドではありません
- ユーザーはストーリーまたはトピックを入力します。あなたは残りの作業をすべて行い、1つの完全な撮影準備完了ファイルを出力します。ユーザーは最初にストーリーを提供しタイプを選択し、フィードバックノードでうなずくかコメントするだけです。
- ここでの「実写（Live-action）」とは、AI生成のフォトリアリスティックなビデオを意味し、実際の撮影ではありません。俳優、カメラ、実際のロケーションはありません。キャラクター、パフォーマンス、カメラ、世界はすべてAI生成であり、別々に生成されたクリップ間の連続性を維持することが難しい課題です。
- デフォルトはフルパッケージです。インタラクティブなプロンプトで開始します：アニメーションか実写かを尋ね、次に4つの基本制約（アスペクト比、尺、スタイル、ダイアログの有無 — 不足している場合は尋ね、決してデフォルト値にしない）、次にすべてのステップが選択された状態のステップチェックリストを提供します。ユーザーはチェックを外すことができ、チェックされたステップのみを実行します。
契約
- 入力：ストーリーまたはトピック + タイプ（アニメーションまたはAI実写）。開始前に4つの基本制約を尋ねます。
- 出力：以下9つのセクションを順に含む1つの完全な撮影準備完了ファイル。欠落がないことが完了の条件です。これをHTMLページとして提供します。すべてのプロンプト（画像プロンプトとショットのPasteプロンプト、英語と中国語）にワンクリックコピーボタンが付き、ユーザーは各プロンプトを直接モデルに貼り付けられます。
- あなたの仕事：テーマ、脚本、ストーリーボード、キャラクターデザイン、シーン、ショットプロンプト、トランジションテーブル、編集テーブル、品質管理 — すべてあなたが作成します。
出力ファイルの9つのセクション
- カバー/基本情報（タイトル、タイプ、アスペクト比、総尺、1ショットあたりの秒数、ダイアログの有無、スタイル；1つ欠けたら不完全）
- テーマ（3文必須：一言テーマ、一言で観客の感情、一言で主人公の変化A→B；3文すべて書けない場合は停止し、まずテーマを修正する）
- ストーリー概要（因果関係のある1つのメインライン；各シーンは1文で説明可能；主人公が欲するもの、恐れるもの、最終的に得るか失うもの；最後に「このシーンは誤解を深めるか、逆転を報いるか」のようなテーマチェック行で終わる）
- キャラクターデザイン（主要キャラクターごとに1つの概要、すべてのフィールド必須；デザインシートリスト；キャラクターごとに1つのコピー＆ペースト画像プロンプト）
- シーン（シーンごとに1つの固定シーン説明：場所、時間、光、ムード、小道具；1シーン = 1場所 + 1時間 + 1ドラマポイント）
- ショットリスト（ショットごとに：番号、尺、絵、アクション、表情、カメラ、音、Pasteプロンプト）
- トランジションテーブル（隣接するショットのペアがどのように接続されるか、トランジションショットが必要かどうか）
- 編集テーブル（各カット：トランジションタイプ + 音の処理）
- 品質管理チェックリスト（納品前にすべてチェック）
キャラクターデザイン
- キャラクター概要フィールド（すべて必須）：名前/コード、アイデンティティ/職業、年齢、性別、体格、顔（顔の形、目、鼻、口、肌）、髪型、服装（トップス、ボトムス、靴、アクセサリー）、特徴的な特徴、性格、物語での役割、主要な表情/アクション。
- デザインシートリスト：ターンアラウンドビュー、表情ボード、ポーズボード、カラーパレット、スケールチャート、ディテールクローズアップ（主要小道具/衣装の詳細）。
- 包括的なシート、16:9、キャラクターごとに1枚の画像：ビデオ参照として読みやすい範囲でできるだけ多くの情報を詰め込む。レイアウト、最もリッチなものから順に：左、1つの大きな全身ヒーローショット；上部中央、5ビューのターンアラウンド（正面、3/4正面、横、背面、3/4背面）；中央、頭から肩までの表情ポートレート（概要のすべての主要表情、それぞれに角度がある場合あり）；右中央、衣装と素材の内訳（各衣類を個別に描き、素材ノート付き）＋アクセサリーのディテールクローズアップ（主要小道具）；右、1つのシネマティックな感情スチール/雰囲気参照；下部、カラーパレットストリップ（ソリッドスウォッチ、16進コード使用可）。プロフィールデータ（名前、年齢、身長、職業、気質、キーワード）、キャラクターの経歴、署名行はファイル内にテキストとして記述し、画像内には含めない。
- 画像内にテキストラベルなし：デザインシートをクリーンに保ち、テキストラベル（例：「正面」「怒り」）を付けない。ビデオモデルは画像内のテキストではなく、プロンプトを通じて参照を読み取ります。テキストが生成されたビデオににじみ出るリスクがあります。代わりに、ビデオプロンプトでシートの構造を説明してください。
- 画像プロンプトは包括的なシートを説明する：ターンアラウンド、表情ボード、ポーズボード、カラーストリップを1枚の画像内にあるものとしてプロンプトに記述します。単独の正面ビューキャラクターのプロンプトを決して書かないでください。
- まず画像モデルに問い合わせる（ChatGPT Image 2.6 または Qwen Image 2.1）、その後そのモデルのスタイルでプロンプトを書きます。以下のモデル別の慣例を参照してください。
- 英語のプロンプトにはその直下に中国語訳を付ける：すべての英語プロンプト（画像プロンプトとショットのPasteプロンプト）の下に中国語訳を付け、英語をよく読めないユーザーが内容を理解できるようにします。中国語は参考用であり、モデルには決して入力しません。
- 合格基準：シルエットで判読可能（顔を覆っても認識できる）；アニメーションは魅力、実写はリアリズム；様々なアングルやショットサイズで認識可能。
シーンと小道具
- シーンごとに1つの固定シーン説明。同じシーンはすべてのショットで同じ説明を維持します。シーンが変わると説明も変わります。
- すべてのシーンに参照画像を1枚：16:9のワイドなエスタブリッシングショット、空の環境、キャラクターなし、シーンごとに1枚。テキストだけでは、ビデオモデルがショットごとにシーンを変更するのを防げません。
- 主要小道具にも参照画像を1枚：16:9の小道具シート、画像ごとにいくつかの主要小道具。一般的な小道具はおおまかに形状を保持しますが、詳細はドリフトします（色、サイズ、形状）。特徴的な主要小道具は、参照がないとさらにドリフトします。小道具がストーリーにとって重要で特徴的であればあるほど、参照画像が必要です。
- 合格基準：シーンの説明を読めば、観客がどこにいるのか、何時なのか、光はどうなっているのかを言えること。
ショットリスト
すべてのショットは、番号、尺、絵、アクション、表情、カメラ、音、Pasteプロンプトをリストします。すべてのショットは次のすべてを満たす必要があります：
- 1ショット1アイデア：ショットは1つのことを伝えます。2つのことは2つのショットを意味します。
- 1アクション：キャラクターは1つのアクションを行い、具体的に記述します（涙をぬぐう、覆う、手渡す、はじく、歩く、立つ）、抽象的にしない。
- 1カメラムーブ：プッシュ、プル、パン、トラック、フォロー — 1つを選びます。1ショットに2つのムーブは互いに競合します。
- 表情と視線を明示する：顔に何が現れ、目がどこを見ているかを記述します。微妙な表現は具体的に書きます（「抑制された悲しみ」が「悲しみ」よりも優れている）。アニメーションは誇張してもよいが、実写は抑制的で自然を保つ。
- 内面/サブテキストを明示する：このショットでキャラクターが何を考え、何を欲し、何を恐れているかを記述します。アクションだけで内面のないショットは空虚に映ります。
- 同一シーンの継続：テールフレームが方法であり、テキストは補助に過ぎない。ビデオモデルは各クリップを独立して生成し、前のクリップの記憶を持ちません。「前のショットから続ける」とテキストだけで書いても機能しません — モデルは前のショットを見たことがなく、それが何だったかを知ることができません。信頼できる方法はテールフレーム・トゥ・ファーストフレームです：前のクリップの実際の最終フレームを取得し、それを次のクリップの画像間ビデオ入力として使用することで、次のクリップの最初のフレームが前のクリップの最終フレームになります。プロンプトはそのフレームから取る新しいアクションを説明し、終了状態（ポーズ、表情、アクションの進行、光、トーン）を言葉で再述してモデルを助けます。画像入力がない場合、テキストの再述はソフトな連続性しか生み出しません — モデルはゼロから生成するため、キャラクターはドリフトし、最初のフレームは前のクリップの最終フレームと一致しません。継続するのはキャラクターの状態であり、カメラではありません。
- カメラとショットサイズを変更する：同じシーン内の連続する2つのショットは、カメラ位置とショットサイズを変更しなければなりません（ミディアム → クローズアップ）、そうでなければ1つのロングテイクです。
- Pasteプロンプトの順序：前のショットの終了状態 → 新しいアクション → 表情/視線（内面を含む） → カメラ（ショットサイズ、動き、焦点距離、深度） → 光/ムード → 制約。1文、1意味。
- Pasteプロンプトは@asset名を使用し、自然言語での説明は使用しない：ビデオモデルは「若い女性」が誰であるかを知りません。アップロードされたアセットをその@nameでのみ認識します。参照画像を作成する際にアセットに名前を付け（例：女の子は@女主、モンスターは@小怪兽、シーンは@场景1、小道具は@道具）、Pasteプロンプトでは@女主、@小怪兽、@场景1、@道具と記述します。「若い女性」、「毛むくじゃらのモンスター」、「狭くて古い路地」と決して書かないでください。中国語訳でも@asset名は翻訳しないでください。
- 尺：実写は1ショット約5〜10秒、アニメーションは通常2〜6秒、8秒を超えるものは分割します。
- アニメーションには演技指導（讲戏）を追加する：アニメーション化する前に、各ショットでキャラクターが何を考え、何を欲し、何を恐れているかを書きます。
- 実写にはブロッキングを追加する：誰がどこに立ち、誰がどこを歩き、いつ向きを変え、いつ誰を見るか。ブロッキングはドラマに貢献します（誰がリードし、誰が譲り、関係がどう変化するか）。
ストーリーボード
- ストーリーボードは画像であり、単なるテキストではない：マルチパネルのストーリーボード画像を生成し、ユーザーが一目で映画の絵と感情の流れを見られるようにします。
- 1画像あたり6パネル（3×2）。12ショットは2画像を取ります。4番目または5番目以降のパネルはドリフトしやすいため、6パネル画像のすべてのパネルをキャラクターとシーンの一貫性についてチェックします。8パネル以上は複数の画像に分割します。
- 各パネルは詳細に描画する：構図（ショットサイズ、カメラ、アングル）、キャラクター（デザインシートの外見とポーズに従う）、シーン（シーン画像の場所と小道具に従う）、光（ショットの光とムードに従う）、アクション（ショットの主要アクションの瞬間）。パネルはショットが何を撮影し、その感情が何であるかを明確にしなければならず、大まかなシーンであってはなりません。
- ストーリーボードはユーザーのためのものなので、リッチに作成する：絵に加えて、各パネルの下の画像内にキャプション — ショット番号、尺、カメラムーブ、主要アクション（中国語で） — を書き込み、ユーザーが画像だけからショットとカメラムーブを理解できるようにします。完全な絵、アクション、表情、内面、音はファイル内に保持します。
- 参照：各パネルをキャラクターデザインシートとシーン参照画像を使用して描画し、パネル間でキャラクターとシーンが一貫しているようにします。
連続性とトランジション
- 同じシーン：信頼できる方法はテールフレーム・トゥ・ファーストフレームです — 前のクリップの実際の最終フレームが次のクリップの画像間ビデオ入力になり、次のクリップの最初のフレームが前のクリップの最終フレームになります。次のショットのプロンプトはそのフレームから取る新しいアクションを説明し、前のショットの終了状態（ポーズ、表情、アクションの進行、光、トーン）を言葉で再述してモデルを助けます。テキストだけではこれができません：モデルは各クリップを独立して生成し、前のクリップの記憶を持たないため、「前のショットから続ける」とテキストで書いてもソフトな連続性しか生み出せず、最初のフレームは一致しません。継続するのはキャラクターの状態であり、カメラではありません。カメラとショットサイズは積極的に変更する必要があります。
- シーン変更、4つのステップ：ショットを分割する前にシーンを分割する（1シーン = 1場所 + 1時間 + 1ドラマポイント、1つの固定シーン説明付き）；プロンプトを書く前にトランジションタイプを選ぶ（5タイプ：ハードカット、ブラック、ディゾルブ、マッチカット、Jカット）；新しいシーンはエスタブリッシングショットで始まり、クローズアップからクローズアップへのカットは決して行わない；トランジション自体を個別に処理する（それ自体のクリップとして生成するか、編集で空ショット、ブラック、ディゾルブ、Jカットで継ぎ目を隠す）。
- トランジションは編集者のもの：ディレクターはなぜカットするかを決定し、編集者はどのように、何フレームで、どこでカットするかを決定します。短いビデオや単独制作では、効果音も編集者のものです。
- 各トランジションについて、生成されたトランジションショットが必要かどうかを決定する。ほとんどのトランジションは編集で余分なショットなしで行われます：ハードカット（直接スプライス）、ブラック（フェードトゥブラックして戻る）、ディゾルブ（編集でクロスフェード）、Jカット（オーディオ編集、ビジュアルショットなし）。しかし、一部のトランジションは生成されたクリップを必要とし、スキルはそれを計画しなければなりません：複雑なマッチカット（共有要素が両方のショットで特定の位置にある必要がある）、カットをまたいで移動するカメラムーブ（カメラがショットAでパンし、ショットBでもパンし続ける必要がある）、継ぎ目を隠すためのカットアウェイまたは空ショット（不快なジャンプや時間のギャップを橋渡しするために挿入される環境またはディテールショット）、またはショットリストが直接クローズアップに飛び込む場合の新しいシーンのエスタブリッシングショット。トランジションショットが必要な場合、独自の番号、尺、絵、アクション、カメラ、音、Pasteプロンプトを持つ独自のショットとしてショットリストに追加します — それは生成すべきショットであり、後付けではありません。トランジションテーブルは、すべての隣接ペアについてトランジションショットが必要かどうか、および必要な場合にそれが何であるかを述べなければなりません。
- Jカットの音：前のシーンの音がカットの下で続き、次のシーンの音がビジュアルカットで着地します。BGMは最後のショットで終了し、決して早くカットしてはいけません。
ハードルール（ファイル作成時の例外なし）
- 1ショット1アイデア。
- 1ショット1カメラムーブ。
- 継続するのはキャラクターの状態であり、カメラではない。
- 新しいシーンはエスタブリッシングショットで始める。
- 完成したフィルムにはBGMが必須。BGMがない場合は納品しない。
- プロンプトは1文、1意味。
- ロックされた参照画像は安易に変更できない（変更は俳優またはシーンを変更することを意味する）。
- 顔が崩れたりシーンが変わったクリップは直接再生成し、編集に残さない（数回生成して選ぶか、何も選べなければプロンプトを変更する。決して不良クリップを強制しない）。
- 方向性と視線を破ってはならない（180度ルール、視線マッチ、左に歩くキャラクターが次のショットで右に歩いてはいけない）。
- 尺はビデオストリームのフレームをカウントして確認し、コンテナの尺ではない。
- 画像より先に脚本：ユーザーが完全な脚本テキストを見て画像に進むことを選択するまで、決して画像を生成してはならない。
判断を要する事項（あなたが以下の方法で決定する）
- テーマ：3つの質問をする — これは何についての物語か？ 観客はどう感じるべきか？ 主人公はどう変わるか？ 曖昧なテーマはストーリー展開を弱める。具体的に、検証可能にする：「優しさ」ではなく「弱者を守るために個人的リスクを取る勇気」。
- ショット数：テーマから逆算する — 必要な感情のビートと情報は何か？ 最初は少なめのショットで疑似編集し、足りなければ追加する。シーンの尺を埋めるためにショットを追加しない。
- 編集のリズム：各シーンの感情的な弧を定義する（上昇、下降、緊張、解放）、その弧に合わせてショットの尺とトランジションを選択する。速いカットはエネルギーまたは不安を伝え、長いカットは親密さまたは熟考を伝える。
- BGMスタイルと曲：テーマとムードに合わせる。BGMで感情を救済しようとしない — 映像と編集がそれを運べないなら、BGMも運べない。BGMの開始と終了を具体的に計画する。
- スタイル：特定の映画やアーティストを参照する。曖昧なスタイル記述子（「シネマティック」、「epic」）は使用しない — 具体的な映画、監督、撮影監督を名前で挙げる。
ファイル形式
- 単一のHTMLファイル。すべての画像が埋め込まれている（Base64としてインライン化）。外部アセットはない。1つのファイルですべて。
- すべてのプロンプトにワンクリックコピーボタン：各画像プロンプトとPasteプロンプトの横にボタンを配置し、1クリックでクリップボードにコピー。英語のプロンプトをコピーし、中国語訳はコピーしない。ユーザーはモデルに貼り付けるだけ。
- 中国語訳は常に英語の直下で、グレーまたは薄い色で表示：目立たせるが、コピーするプロンプトではないことを明確にする。
- ページは印刷時に読みやすい：各セクションが改ページで始まり、テーブルに適切な幅があり、画像は大きく表示される。
モデル別の慣例
画像生成モデル
- ChatGPT Image 2.6（GPT-4o内）：制約のリストと一緒に自然言語を使用する。長いプロンプトをサポートするが、具体的な画像生成ツール（「DALL-E」）は呼び出さない。プロンプト内でツールパラメータを指定しない。最良の結果を得るには、プロンプトで @asset 修飾子を使用する。（例：「@character as a full body hero shot, wearing @costume, holding @prop, cinematic lighting, soft focus background」）
- Qwen Image 2.1：ChatGPTと同様だが、より詳細な説明を必要とする。プロンプトに英語と中国語の両方を含める（中国語はモデルが通常中国語で書かれたプロンプトに対してより一貫性のある結果を生成するため）。画像にアスペクト比を指定する（例：「16:9, ...」）。
- Midjourney（v6 / Niji 6）：短い、具体的なプロンプト。スタイル参照（--sref）を使用する。パラメータを使用する：アスペクト比（--ar 16:9）、スタイル化（--s 50-100）、混沌（--cw 0-100）。良いプロンプト：主題 + 環境 + 照明 + ムード。色やスタイルを過剰に指定しない。
ビデオ生成モデル
- 一般的なビデオモデルの慣例：ビデオモデルは静止画を入力として、そこから動きを生成する。テキストのみのビデオ生成は一貫性に劣る。常に@asset参照画像を画像間ビデオの入力として使用する。最初のショット（前のクリップがない場合）は参照画像を画像間ビデオの入力として使用する。
- Runway Gen-3 / Gen-4：アクションを記述する短い動詞句。カメラの動きを指定する。（例：「pan left, woman walks forward」）被写体は特に指定しないでください — 入力画像はすでに@assetです。カメラの動きを具体的にします。
- Kling 1.6 / 2.0：より長いプロンプト、中国語、アクションの明確な開始と終了。トランジションが得意。
- Pika：Runwayに似ているが、よりスタイル化。
- Sora：自然言語の説明。文全体。
- CogVideoX / Open-source models：シンプルな構造：被写体 + アクション + 環境 + カメラ。
テーブルのフォーマット
トランジションテーブル
| ショットA | ショットB | トランジションタイプ | トランジションショット？ | トランジションショットの説明 |
|---|
| 1 | 2 | ハードカット | いいえ | — |
| 2 | 3 | ディゾルブ | いいえ | — |
| 3 | 4 | マッチカット | はい | ショット3の最後のフレームの本のページ → ショット4の最初のフレームの同じ位置にある同様のテクスチャ。マッチング要素をフレームの中央に配置。 |
| 4 | 5 | Jカット | いいえ | — |
| 5 | 6 | ブラック | いいえ | — |
編集テーブル
| カット | タイプ | 音の処理 |
|---|
| 1→2 | ハードカット | 音声A、カットでカット |
| 2→3 | ディゾルブ | 音声A、ディゾルブでクロスフェード |
| 3→4 | マッチカット | 音声A、カットでカット |
| 4→5 | Jカット | 音声Aはカットの下で続き、音声Bはカットで始まる |
| 5→6 | ブラック | 音声Aはブラックの最後でフェードアウト、音声Bはブラックからフェードイン |
品質管理チェックリスト