/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
- 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)。 - 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)。
- 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。 - 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。 - 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 |
--box | Retro 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。