Communitygithub.com

captions

トーキングビデオにアニメーションキャプションを合成するスキルです。7種類のスタイルから選べます。

captions とは?

このスキルは、トーキングビデオにアニメーションキャプションを焼き付けるためのツールです。言葉は音声に合わせてタイミング調整され、1行に1つのキーワードがハイライトされます。元の動画と音声はそのままに、キャプションのみが上に重なります。7つのスタイル(editorial-highlight、pop-sticker、paper-plane、smoke-exit、explosive-breakup、rolodex-flip、retro-typer)から選択でき、`/captions`コマンドや「add captions」「caption my video」などの自然言語でトリガーされます。セットアップにはffmpeg、Node.js 18+、Google Chrome、Python 3が必要で、スクリプトが自動で依存関係をインストールします。コマンドラインオプションでハイライト色やキャプション位置、サイズを調整可能です。

対応~Claude Code~Codex CLI✓Cursor
npx skills add https://github.com/shubhamseth29/claude-skills/tree/HEAD/captions

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

/captions: 7つのキャプションスタイル

トーキングビデオを、アニメーションキャプションが焼き付けられた同じ動画に変換します。単語は音声に合わせてタイミング調整され、1行に1つのキーワードがハイライト色で表示されます。元のビデオと音声はそのままで、キャプションが上に重ねられます。

7つのスタイル

入力見た目
editorial-highlight雑誌のようなセリフ体、キーワードは濃い赤の紙片、行の上に小さなページ番号
pop-sticker黒い輪郭とハードシャドウのある色ブロック、周りに小さなステッカーがポップ、キーワードは紫色で星付き
paper-planeハイライト色の紙飛行機が飛んできて、その後ろに行を引き出す
smoke-exit太いサンセリフ文字、行が終わると煙になって消え、キーワードは独自の色で煙る
explosive-breakup大きなコンデンス大文字、行の終わりですべての文字が爆発的に飛び散り、キーワードは火花の中に
rolodex-flip行が単語ごとに構築され、新しい単語がロロデックスカードのようにパタパタとめくれる
retro-typerタイプライターの文字が音声に合わせてタイプされ、点滅するブロックカーソル(オプション:ぼやけたボックス)

ユーザーがスタイルを指定しない場合は、このテーブルを表示してどれかを尋ねてください(pop-stickerを推奨)。

セットアップ(初回のみ)

このスキルフォルダ内で実行してください。まず確認し、不足しているものだけをインストールします。

  • ffmpeg と ffprobe(Mac: brew install ffmpeg、Windows: winget install ffmpeg)
  • Node.js 18+ と Google Chrome(またはEdge/Chromium)。その後、このフォルダで npm install(小さなパッケージ:コンピューターに既にあるChromeを使用します)。
  • Python 3。scripts/words.py は初回使用時にここに .venv を作成し、faster-whisperをインストールします。

手順

  1. 単語抽出。 python3 scripts/words.py <動画> で <動画>.words.json を生成:[{"w":"Hello","s":0.21,"e":0.48}, ...]。ユーザーが既に持っている場合はスキップ(/captions words <動画> = このステップのみ実行)。
  2. 単語を整理(JSONを編集、タイミングは保持):
    • 聞き間違えた単語、名前、ブランド名のスペルを修正。不明な場合はユーザーに確認。
    • 1行につき1つのキーワードに "k": true をマーク:要点を伝える単語(結果、数字、名前、または驚くような単語)。すべての行に必要とは限りません。
    • 行の終わりに "br": true をマークし、各行が2〜4単語、約20文字以内になるようにし、話者が自然に間を置くところで区切ります。一度 br が設定されると、行は br、句読点、長いポーズでのみ区切られます。
    • 記号は画面で読むように書く:「スラッシュ」→「/」、「パーセント」→「%」(用語の一部の場合)。
  3. フルレンダリング前にフレームを確認。 node scripts/render.js <動画> <words.json> <スタイル> --still 1.5 --still 4 --still 8(行の途中の瞬間を選択)。生成されたPNGを確認:キャプションが読みやすく、顔やアプリのUIの上にかかっていないこと。高すぎたり低すぎたりする場合:--y を使用(64 = デフォルト、数値が小さいほど上に配置)。大きすぎる場合:--size 0.85。
  4. レンダリング。 node scripts/render.js <動画> <words.json> <スタイル> [--hl #ff7a59] [--y 64] [--size 1] [--box] → <動画>_<スタイル>.mp4 が元のファイルの隣に生成されます。60秒のリールで約3分。
  5. ファイルの場所をユーザーに伝えます。自分の動画で7つのスタイルすべてをライブで確認するには、Chromeで index.html を開き、動画ファイルと単語ファイルを読み込んでください。

オプション

フラグ機能
--hl <#16進数>キーワードのハイライト色。プリセット:黄色 #ffd23f(デフォルト)、コーラル #ff7a59、スカイ #7cc4ff、ミント #9ff0b8
--y <0-100>キャプションの高さ(上部からの%)。64はトーキングヘッドのあごの下に配置されます
--size <n>キャプションサイズ、1 = 通常
--boxRetro Typerのみ:テキストの後ろにソフトでぼやけたボックス
--out <ファイル>出力パス
--still <秒>指定した秒のフレームを確認(フルレンダリングの代わり)。繰り返し可能

備考

  • HDRのiPhone映像はレンダリング後に色あせて見える場合があります。最初にSDRでエクスポートするか、iPhoneの設定 > カメラ > フォーマット > 互換性優先に設定してください。
  • キャプションは常に動画の上に配置されます。これはスターターパックです。話者の後ろに単語を配置するスタイルや、ガラスや壁テキストのスタイルは含まれていません。
  • フォントはGoogle Fontsから読み込まれるため、レンダリングにはインターネット接続が必要です。

関連スキル