Reels(カード形式)
会話の録音を、話された各アイデアが上部にカードで表示される縦型動画に変換します。 作業分担は次の通りです:
- ツール 音声を計測・カットし(
yatay-kurguスキルの文字起こし・カットツール)、カードと字幕を描画し、音声を調整し、結果を測定します。 - あなた(Claude) 文字起こしを読み、削除する部分を選び、各カードをどの単語で表示するかを
senaryo.jsonに記述し、確認画像を確認します。
秒数は記述しません。カードは発話された単語に紐づけられ、カット位置が変わってもそのままの位置に残ります。
準備
ffmpegがPATHに存在し、Pythonの依存関係はリポジトリルートのkur.shでインストールします。コマンドではPythonとして.venv/bin/pythonを使用します(Windowsでは.venv\Scripts\python)。libass付きffmpegは不要:字幕はPillowで描画します。- 同じリポジトリ内の2つのスキルのツールを使用しますが、それらには手を加えません:
yatay-kurgu(文字起こし+音声カット)とx-animasyon(whooshとタイピング音の合成)。 - Whisperモデルは初回実行時にダウンロードされます(large-v3約3GB)。ダウンロード前にユーザーに通知してください。
- フォントはリポジトリルートの
fontlar/(OFLライセンス)のみ:Inter、Newsreader、IBM Plex Mono。 - 各ジョブは専用フォルダ
calisma/reels/<ad>/に配置されます。元の録画ファイルは読み取り専用です。
以下では、R = .venv/bin/python .claude/skills/reels/araclar/reels.py、P = calisma/reels/<ad> とします。
ループ
1. 文字起こし。
R dokum P --video kayit.mp4 [--bas 56 --sure 42] [--terimler "videoya özel adlar"]
録画が長く、Reelsがその一部だけの場合、--bas/--sure で範囲を指定します(切り出しは P/kaynak.mov として出力され、元ファイルは変更されません)。目標:35~45秒の出力。
2. 文字起こしを読んでカット。 P/dokum.md を最初から最後まで読みます(yatay-kurgu SKILL.mdのルールが適用されます)。ポーズや繰り返しはすでに除去されています。あなたは以下のものを P/atilacak.json に記述し、各行に理由を付けます:
- 言い直し(最後の試行を残す)、編集メモ(「ここをカットします」)、誤った発言とその修正;
- 不明瞭な発言:両方の解釈で曖昧な部分は字幕に適合せず、カットします(
.venv/bin/python .claude/skills/yatay-kurgu/araclar/kurgu.py pencere P <sn>で再文字起こし); - Reelsには不要な脇道の話題:内容判断はユーザーに確認。
カットポイントは音声で決まります:範囲は dokum.md の行境界から指定し、ツールは±0.2秒以内の最も音量が小さいフレームに調整します。その後:
R kurgu P # プランを再構築
R kelimeler P # カット後の残りの単語とその出力秒数(ここからアンカーを選ぶ)
3. シナリオ:P/senaryo.json。 例:ornekler/reels/senaryo.ornek.json。フィールド一覧とカードタイプ:references/kartlar.md。
{"vurgu": ["effort"], "kuyruk": 2.0, "vuruslar": [
{"duzen": "yuz"},
{"kelime": "Önce", "kart": {"tur": "liste", "baslik": "Sıra", "isaret": "sayi",
"maddeler": [{"yazi": "Modeli seç", "kelime": "modeli"}, {"yazi": "Effort'u seç", "kelime": "effort"}]}},
{"kelime": "oynattım", "ofs": 0.5, "duzen": "grafik", "kart": {"tur": "soru", "soru": "Sen hangisini kullanıyorsun?"}}
]}
- ビート = 画面の1つの状態。
kelimeアンカーは単語の開始位置です("effort" → "effort'unu")。前のビートの後で検索されます。複数の単語を指定できます("plan modu")。kacはn回目の出現、ofsは秒単位のオフセットです。最初のビートは0から始まります。カード内の項目/行/メッセージもそれぞれのkelimeで表示されます。 - レイアウト:
bol(カード上部、顔下部。カードがあるビートのデフォルト)、yuz(全画面顔。カードがないビートのデフォルト)、grafik(全画面カード、顔なし)。 - テンポ: ビートあたり1.5~4秒。40秒のReelsで10~15ビート。フック(最初の1~2秒)は顔で始めます。
- 顔はカメラを見ている部分のみ。 人物が画面/テキストを見て話している場合、そのビートは
grafikにします。 - 捏造禁止: カードは実際に話されたこと、または実際に存在するもののみを表示します。測定していない数字、存在しないコマンド、捏造した画面テキストは禁止です。スクリーンショットはユーザーの実際のファイル(
gorsel)を使用します。 - クロージング: 最後のビートは
soruカード(コメントを促す質問)にします。会話が終わった後、kuyruk(秒)の間そのまま表示され、この間はgrafikレイアウトを選択します(画面は静止します)。 - 字幕の誤認識:
"altyazi_duzelt": {"aranaya": "arenaya"}。vurguリスト内の単語は字幕でイタリック+強調色で表示されます(語幹のみで十分:"effort")。
解決されたタイミングを確認:R vuruslar P(各ビートの開始/終了、要素のタイミング。表示されずにカードが切り替わる要素には警告を表示します)。
4. フレーミング。
R yuz P # 顔の矩形推定 → P/kadraj.json + P/kontrol/kadraj.jpg
Readで kontrol/kadraj.jpg を開く:緑の矩形は顔(額から顎まで)を囲みます。青は bol、オレンジは yuz のトリミング領域です。推定はモデルフリー(肌色+中心優先)。背景に肌色に近い領域、2人、または色付きの照明があると誤認識する可能性があります。間違っている場合は、kadraj.json の kutu をソース画像のピクセルを確認しながら手動で修正し、R yuz P で画像を再生成します(既存の kadraj.json は上書きしません)。人物が動く場合は、anahtarlar(タイムスタンプ付き矩形)を記述します。
5. プレビューの後、レンダリング。
R kare P # 各ビートから1フレーム → P/kontrol/kareler.jpg(確認)
R kare P 2.3,31.4 # 特定の瞬間(開始アニメーション、タイピング端末など)
R render P # → P/cikti/<ad>.mp4、最後に自動測定
6. 測定(直接再生できなければ、測定で確認)。 R olc P(レンダリング後に自動実行)→ P/kontrol/olcum.md + P/kontrol/temas.jpg:
- 長さ: 映像と音声の長さが一致し、フレーム数が期待値と一致。
- セーフエリア: 5フレームごとに字幕、カード、顔のピクセル矩形を測定。InstagramのUIは上部 y<220、下部20%(y>1536)、右側のいいね/コメント列(x>940、y 1000-1536)を覆います。字幕とカードはそこに入らず、顔は下部20%より上に残ります。違反行がある場合は、シナリオ(カード内容、レイアウト)または
kadraj.jsonを修正します。 - 音声: 出力ファイルは -14 LUFS、実際のピーク <= -1 dBTP。効果音トラックは会話の約15 dB下。whooshのピークがカット位置に合っているか。
- コンタクトシート: 各ビートのカードが埋まった状態(切り替え直前)。開いて確認:はみ出したテキスト、重なった要素、切れた頭、空のカード。
- 結合(オプション):
.venv/bin/python .claude/skills/yatay-kurgu/araclar/kurgu.py dogrula Pで途切れた音声を再解決し、途切れた/漏れた単語を報告します(P/dogrula.md)。
修正後は R render P のみ実行(音声と映像を最初から、M1 Proで40秒の動画なら約35秒)。
7. 納品。 ユーザーに簡潔に数字で伝える:出力パス、長さ(元→カット後)、ビート/カード数、削除したものとその理由、セーフエリア結果、LUFS/ピーク、コンタクトシートのパス。測定できないもの(音声の心地よさ、カードのわかりやすさ)は明示的にユーザーに委ねます。
既知の制限
- 顔矩形はモデルフリー推定のため、毎回
kadraj.jpgを確認する必要があります。フレームごとの顔追跡はなく、固定矩形またはキーフレーム間の線形補間です。 - 横型録画からの全画面顔(
yuz)はソースの高さに制限されます。4Kでは顔が大きく残り、字幕は自動的に顎の下に配置されます。bolレイアウトでは、顔カードの高さは顔の下に残る画像に応じて短くなります(顎が下部20%に入らないようにするため)。 - 音楽はありません。効果音は合成(whoosh、タイピング、ポップ、スクラッチ)。
- カードタイプは固定(references/kartlar.md)。新しいタイプを追加するには、
araclar/kartlar.pyに描画+音声関数を追加し、CIZとOLAY辞書に登録します。 - UI領域(上部220px、下部20%、右列 x>940)はInstagram Reelsのおおよその値で、控えめな値です(
araclar/cizim.pyの先頭)。Shorts/TikTokでも同様ですが、完全に同じではありません。