HyperFramesメディア前処理
コンポジション用アセットを生成する3つのCLIコマンド:tts(音声)、transcribe(タイムスタンプ)、remove-background(透過動画)。各コマンドは初回実行時にモデルをダウンロードし、~/.cache/hyperframes/以下にキャッシュします。出力をプロジェクトに配置し、コンポジションHTMLから参照します。オーディオ/ビデオ要素の規則については、hyperframesスキルを参照してください。
テキスト読み上げ(tts)
Kokoro-82Mを使用してローカルで音声を生成します。APIキーは不要です。
npx hyperframes tts "テキスト" --voice af_nova --output narration.wav
npx hyperframes tts script.txt --voice bf_emma --output narration.wav
npx hyperframes tts --list # 全54音声を表示
音声の選択
コンテンツに合わせて音声を選択します。デフォルトはaf_heartです。
| コンテンツタイプ | 音声 | 理由 |
|---|---|---|
| 製品デモ | af_heart/af_nova | 温かみがあり、プロフェッショナル |
| チュートリアル / ハウツー | am_adam/bf_emma | ニュートラルで、わかりやすい |
| マーケティング / プロモーション | af_sky/am_michael | エネルギッシュまたは権威的 |
| ドキュメント | bf_emma/bm_george | 明瞭なイギリス英語、フォーマル |
| カジュアル / ソーシャル | af_heart/af_sky | 親しみやすく、自然 |
多言語
音声IDの最初の文字が言語をエンコードしています:a=アメリカ英語、b=イギリス英語、e=スペイン語、f=フランス語、h=ヒンディー語、i=イタリア語、j=日本語、p=ブラジルポルトガル語、z=中国語(北京語)。CLIはプレフィックスから音素化ロケールを自動検出します。音声がテキストと一致する場合、--langは不要です。
npx hyperframes tts "La reunión empieza a las nueve" --voice ef_dora --output es.wav
npx hyperframes tts "今日はいい天気ですね" --voice jf_alpha --output ja.wav
自動検出を上書きする場合(スタイル化されたアクセント)のみ--langを使用します。有効なコード:en-us、en-gb、es、fr-fr、hi、it、pt-br、ja、zh。英語以外の音素化にはシステム全体にespeak-ngが必要です(brew install espeak-ng / apt-get install espeak-ng)。
速度
0.7-0.8— チュートリアル、複雑なコンテンツ、アクセシビリティ1.0— 自然なペース(デフォルト)1.1-1.2— イントロ、トランジション、活気のあるコンテンツ1.5+— めったに適切ではありません。注意してテストしてください。
長いスクリプト
数段落を超える場合は、.txtファイルに書き込んでパスを渡します。約5分以上の音声入力は、セグメントに分割すると効果的です。
要件
Python 3.8以上、kokoro-onnxとsoundfile(pip install kokoro-onnx soundfile)。モデルは初回使用時にダウンロードされます(約311 MB + 約27 MBの音声、~/.cache/hyperframes/tts/にキャッシュ)。
文字起こし(transcribe)
単語レベルのタイムスタンプを含む正規化されたtranscript.jsonを生成します。
npx hyperframes transcribe audio.mp3
npx hyperframes transcribe video.mp4 --model small --language es
npx hyperframes transcribe subtitles.srt # 既存のものをインポート
npx hyperframes transcribe subtitles.vtt
npx hyperframes transcribe openai-response.json
言語ルール(譲れません)
ユーザーが明示的にオーディオが英語であると指定した場合を除き、.enモデルは絶対に使用しないでください。 .enモデル(small.en、medium.en)は、非英語のオーディオを文字起こしする代わりに翻訳して英語にします。これにより、元の言語が静かに破壊されます。
- 言語が既知で、英語以外 →
--model small --language <コード>(.enサフィックスなし) - 言語が既知で、英語 →
--model small.en - 言語が不明 →
--model small(.enなし、--languageなし)— whisperが自動検出
デフォルトモデルはsmallであり、small.enではありません。
モデルサイズ
| モデル | サイズ | 速度 | いつ使用するか |
|---|---|---|---|
tiny | 75 MB | 最速 | クイックプレビュー、パイプラインテスト |
base | 142 MB | 高速 | 短いクリップ、明瞭なオーディオ |
small | 466 MB | 中程度 | デフォルト — ほとんどのコンテンツ |
medium | 1.5 GB | 低速 | 重要なコンテンツ、ノイズの多いオーディオ、音楽 |
large-v3 | 3.1 GB | 最遅 | プロダクション品質 |
ボーカル付き音楽:最低mediumから開始。制作されたトラックは、多くの場合、手動でのSRT/VTTインポートが必要です。キャプション品質チェック(すべての文字起こし後に必須)のためのクリーニングJS、再試行ルール、OpenAI/Groq APIインポートパスについては、hyperframes/references/transcript-guide.mdを参照してください。
出力形式
コンポジションは、単語オブジェクトのフラットな配列を消費します。idフィールド(w0、w1、...)は、キャプション上書き時の安定した参照のために正規化中に追加されます。下位互換性のためにオプションです。
[
{ "id": "w0", "text": "Hello", "start": 0.0, "end": 0.5 },
{ "id": "w1", "text": "world.", "start": 0.6, "end": 1.2 }
]
背景除去(remove-background)
動画または画像から背景を除去し、被写体(通常は人物 — アバター、プレゼンター、トーキングヘッド)がコンポジション内で透明なオーバーレイとして配置されるようにします。
npx hyperframes remove-background subject.mp4 -o transparent.webm # デフォルト:VP9アルファWebM
npx hyperframes remove-background subject.mp4 -o transparent.mov # ProRes 4444(編集用)
rm background portrait.jpg -o cutout.png # 単一画像の切り抜き
npx hyperframes remove-background subject.mp4 -o subject.webm \
--background-output plate.webm # 1パスで両方のレイヤー
npx hyperframes remove-background subject.mp4 -o transparent.webm --device cpu
npx hyperframes remove-background --info # 検出されたプロバイダー
u2net_human_seg(MIT)を使用します。初回実行時に約168 MBの重みが~/.cache/hyperframes/background-removal/models/にダウンロードされます。
レイヤー分離(--background-output)
--background-output(または-b)を渡すと、切り抜きと一緒に2つ目の透明ビデオを出力します:同じソースRGB、アルファはマスクではなく255 − マスクです。切り抜きは背景が透明な被写体です。プレートは、被写体があった場所が透明な穴になった元の周囲の映像です。
| ファイル | アルファは… | 使用方法 |
|---|---|---|
-o subject.webm | マスク — 被写体不透明、背景透明 | フォアグラウンドレイヤー、最前面に配置 |
--background-output plate.webm | 反転 — 周囲不透明、被写体領域透明 | 最下層レイヤー。このレイヤーと被写体の間にテキストまたはグラフィックスを配置 |
両方の出力は同じ--qualityプリセットを共有し、単一の推論パスから実行されます。エンコードコストは約2倍になりますが、セグメンテーションコストは変わりません。動画入力と.webm/.mov出力でのみ有効です。
穴あきプレートであり、インペイントされたクリーンプレートではありません。 plate.webmの被写体領域は完全に透明です。その下に何か不透明なものを合成して穴を埋めてください。--background-outputが適切なツールかどうかの単一のテスト:被写体があった場所を、被写体のシルエットを通して何かが見えることはありますか?
| 使用例 | 適切なツール |
|---|---|
| 切り抜きとプレートの間のテキスト/グラフィックス(このコマンドが存在する理由) | 穴あき(--background-output) |
| 無関係なシーンへの被写体 | subject.webmのみ。プレートは無視 |
| 人物_なし_の部屋を、他のコンテンツなしで単独で表示する | クリーンプレート — インペインタ(LaMa、ProPainter、E2FGVI)が必要。このコマンドではありません。 |
| 被写体を別の被写体に置き換える | クリーンプレート — 上記と同じ |
ユーザーが「人物を削除した部屋」を求めていて、それを単独で表示するつもりの場合、--background-outputを使用しないでください。代わりにインペインタが必要であることを伝えてください。
典型的なレイヤー構成(標準的な穴あきユースケース):
<!-- z=1 反転アルファプレートは被写体領域以外をすべて埋める -->
<video
src="plate.webm"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<!-- z=2 グラフィックス / テキストは2つのレイヤーの間に入る -->
<h1 id="headline" style="z-index:2; ...">MAKE IT IN HYPERFRAMES</h1>
<!-- z=3 切り抜きが被写体をヘッドラインの上にフロートさせる -->
<div class="cutout-wrap" style="position:absolute;inset:0;z-index:3">
<video
src="subject.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
これは、以下のテキスト-被写体間パターンと機能的に同等ですが、プロジェクトに元のpresenter.mp4を必要としません。プレートがそれを置き換えます。これは、2つの透明レイヤーだけを出荷し、ユーザーがそれらの間に任意のコンテンツをドロップできるようにしたい場合に便利です。
出力フォーマット
| フォーマット | いつ |
|---|---|
.webm(VP9 + アルファ) | デフォルト。コンポジションはこれを<video>経由で直接再生します。 |
.mov(ProRes 4444) | DaVinci/Premiere/FCPでの編集用。ファイルサイズが大きい。 |
.png | 単一画像の切り抜き(静止被写体、背景の上にレイヤー)。 |
ChromeはVP9アルファをネイティブにデコードするため、.webmは他のミュート自動再生ビデオと同様にコンポジションに組み込めます。<video>トラックの規則についてはhyperframesスキルを参照してください。
品質プリセット
--quality fast|balanced|bestはVP9エンコーダのCRFのみを制御します。セグメンテーション品質は固定です。
| プリセット | CRF | いつ |
|---|---|---|
fast | 30 | 繰り返し作業、より小さいファイル、緩い色の一致 |
balanced | 18 | デフォルト。ほとんどの用途で視覚的に同一 |
best | 12 | マスター / 最終配信用。最大ファイル、最も厳密な一致 |
合成パターン — 適切なものを選ぶ
切り抜きwebmは、ソースmp4のRGBの再エンコードされたコピーです。この選択は、何をその後ろに配置するかによって結果に影響します。
| パターン | 切り抜きの後ろにあるもの | 結果 |
|---|---|---|
| 異なるシーンの上に切り抜き(最も一般的) | 静止画像、グラデーション、または無関係な動画 | 見栄えが良い。切り抜きのRGBが被写体の唯一のソースです。二重化やエッジハローはありません。これがremove-backgroundのために構築された機能です。 |
| 切り抜きを自身のソースmp4の上に配置(テキスト-被写体間) | 切り抜きが生成された元のmp4と同じ | 同じ人物の2つのRGBソース。デフォルトの--quality balanced(crf 18)では二重化はほとんど見えません。--quality fast(crf 30)では、かすかな色ずれ/エッジハローが見られます。マスターには--quality best(crf 12)を使用してください。 |
| 同じ人物の_別のテイク_の上に切り抜き | 同じ被写体の映像 | まるで2人の別々の人物が重なっているように見えます。これは行わないでください。 |
テキスト-被写体間(プレゼンターの後ろのヘッドライン):
<video
src="presenter.mp4"
id="bg"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<h1 id="headline" style="z-index:2; ...">MAKE IT IN HYPERFRAMES</h1>
<div class="cutout-wrap" style="position:absolute;inset:0;z-index:3;opacity:0">
<video
src="presenter.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
2つの重要なルール:
- 切り抜きビデオをタイミングのない
<div>でラップし、ラッパーの不透明度をアニメーション化します。ビデオ要素自体はアニメーション化しないでください。フレームワークはアクティブなクリップ(data-start/data-durationを持つ要素)に不透明度1を強制するため、ビデオの不透明度を直接アニメーション化すると静かに上書きされます。ラッパーにはdata-*属性がないため、CSS/GSAPによって制御されます。 - 両方のビデオで
data-start="0"とdata-media-start="0"を使用すると、フレームワークがt=0から同期してデコードします。切り抜きを遅れてマウントする(data-start=3.3)と、シーク+ウォームアップが発生し、ベースmp4から1フレームずれた状態で着地します。カットで1フレームの位置ずれとして見えます。
次に、GSAPでカット時にラッパーの不透明度を反転させます:tl.set(cutoutWrap, { opacity: 1 }, 3.3)。
TTS → 文字起こし → キャプション
録音済みのナレーションがない場合、ナレーションを生成し、それを文字起こしして字幕用の単語レベルのタイムスタンプを取得します:
npx hyperframes tts script.txt --voice af_heart --output narration.wav
npx hyperframes transcribe narration.wav # → transcript.json
出力 transcript.json は音声と一致するタイムスタンプを持ちます。これをコンポジションに渡して、各単語にキャプションをオーバーレイします。hyperframes スキルの <hype-captions> 要素の規約を参照してください。
バックグラウンド除去 GPU サポート
remove-background は、利用可能な場合、GPU(CUDA / MPS)を自動的に使用します。CPU を強制するには --device cpu を渡します。また、--info を使用すると、現在のシステムでどのプロバイダーが検出されたかを確認できます。