Communitygithub.com

動画編集 (video-edit)

エージェントが映像素材を分析し、編集計画の立案、EDL(編集決定リスト)の作成、レンダリング、レビュー、および最終成果物としてロゴと簡易ブランドシートを納品するまでのワークフローをガイドします。新しいアサインメントでこの技術が必要な場合に使用します。

動画編集 (video-edit) とは?

このスキル「動画編集 (video-edit)」は、Claude CodeなどのAIエージェント向けに設計された、完全自動化された動画編集ワークフローです。ユーザーから提供された映像素材のみを基に、エージェントが編集者役となり、分析から企画、編集決定リスト(EDL)の作成、レンダリング、セルフレビュー、最終納品までを一貫して実行します。主な機能として、フッテージの詳細分析(ショット品質、音声転写、音楽BPM検出など)、スタイル提案、構造化された編集計画の作成、EDLに基づくレンダリング、品質保証(QA)チェックが含まれます。対応プラットフォームはffmpegとPython3で、必要なパッケージ(numpy, opencv-python, Pillow, faster-whisper)がインストールされている環境で動作します。このスキルは、ユーザーが「ショート動画」「ハイライト集」「トーク動画」などの形式を指定した場合、または特に指定がない場合のデフォルト設定に従って最適な出力を生成します。エージェントは、映像のストーリーを判断し、不要なシーンをカットし、字幕や音楽、エフェクトを追加して、最終的にロゴと簡易ブランドシートを含む成果物を納品します。

対応✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/fujiezee/cutvideo/tree/HEAD/.claude/skills/video-edit

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

動画編集 (Video edit)

あなたは編集者です。ユーザーは映像素材のみを提供します。あなたはその映像を(コンタクトシート+トランスクリプトで)確認し、ストーリーとカットを決定し、EDL(編集決定リスト)を作成し、レンダリングし、自身のレンダリング結果をレビューし、品質が良くなるまで繰り返します。質問は、選択肢が本当にユーザーに委ねられており、推測できない場合にのみ行ってください(「デフォルト」を参照)。

スクリプトは .claude/skills/video-edit/scripts/ にあります(python3 で実行)。必要なもの:ffmpeg、Python 3(numpy、opencv-python、Pillow 含む)、トランスクリプト生成用の faster-whisper(pip3 install --user faster-whisper;初回使用時にモデルをダウンロード)。オプション:キャラクター紹介のクリーンな切り抜きに rembg。

ワークフロー

1. プロジェクト内にジョブフォルダをセットアップ

カレントプロジェクトの edits/<ジョブ名>/ 以下にすべてを配置します(/tmp ではありません)。ファイルツールはプロジェクト内の画像のみを読み取ることができ、コンタクトシートを確認する必要があるためです。

J=edits/<ジョブ名>; mkdir -p $J
S=.claude/skills/video-edit/scripts

2. 分析(フッテージの視聴)

python3 $S/analyze.py IN1.mp4 IN2.mov ... --out $J/work [--music song.mp3] [--lang zh] [--model small]
  • --model:base は高速、small(デフォルト)はバランスが良く、large-v3 は難しい音声向け。
  • 長いフッテージ(合計20分以上)は数分かかります。バックグラウンドで実行してください。
  • 意味のある発話がないフッテージの場合は --no-transcribe を追加します。

次に、Read ツールで $J/work/summary.md を読み、$J/work/sheets/ 内のすべてのコンタクトシートを開きます。各タイルは v<n> s<shot> m:ss.xx のようにラベル付けされています。これをもとに、自分自身のために短いコンテンツログを作成します:誰が/何を/どこで、ベストな瞬間(タイムスタンプ付き)、弱いショット(ぼやけている、暗い、手ぶれ、重複)、何が話されているか、自然なストーリーの順序。ある瞬間をより詳しく確認する必要がある場合は、フレームを抽出します:

python3 $S/preview.py IN.mp4 --at 12.5 13.0 13.5 --every 999 --out $J/work/look

analysis.json には完全なデータが含まれています:motion / brightness / sharpness / colorfulness / loudness_db / score を含むショットリスト、audio.silences、audio.speech_spans、単語タイミング付きのトランスクリプトセグメント、音楽の bpm、beats、strong_beats、drops。

キャプション作成前にASR(自動音声認識)の誤りを修正します:聞き間違えた単語は subtitles.replace に、欠落またはタイミングがずれている単語は analysis.json 自体で修正します(元のコピーは保持)。キャプションで強調表示される名前、数字、単語をチェックします。

2b. フッテージから何が作れるか尋ねられた場合:スタイルメニュー

python3 $S/styles.py $J/work/analysis.json [--exclude 588-708 v2:0-5]

work/styles.md を出力:フッテージの特徴(会話密度、引用フレーズ、アクション、顔、クローズアップ、静止ポートレート、落ち着いたワイドショット、暗い/ネオンショット、音楽的な音声)と、各スタイルのスコア(理由、対応するショット、不足点を含む)。最初にコンタクトシートを確認し、クレジット、スレート、テストフッテージを除外します(--exclude、秒単位)。次に、確認した内容に基づいてトップスタイルをチェックし、判断でスタイルを削除または追加し、メニューを提示します:スタイルごとに「それが何になるか」(ストーリー/見た目)、フォーマットと長さ、不足しているものを一行で示します。複数のスタイルを編集する提案をします。選択された各スタイルには、個別の計画(ステップ3)が作成されます。

3. 編集を設計:EDLの前に $J/plan.md を作成

フッテージから直接EDLに進まないでください。reference/editing-playbook.md からアプローチを選び、次の構造で計画を記述します:

# 編集計画: <ジョブ>
目標 / 視聴者 / プラットフォーム: ...            フォーマット: 9:16 1080x1920、約30秒、フィットクロップ
ログライン: <この動画のストーリーを一文で>
## 構成
| # | セクション | 時間 | 映像 (v/ショット @ ソース時間) | 音声 (会話 / 音楽 / SFX) | テキスト |
|---|---|---|---|---|---|
| 1 | フック | 0-3秒 | v1 s12 @ 41.2 最高のリアクション | 「ライン...」+ ブーム | タイトルカード |
## 音楽
トラック、オフセット、BPM、ドロップ/ヒットが配置される場所(ピン)、ビート同期の対象
## 見た目
グレード、ショットごとの補正、トランジションとエフェクトの予算(どのカットにアクセントを付けるか)
## テキスト
キャプションスタイル(プレーン / カラオケ / バイリンガル)、タイトル、カード、キャラクター紹介
## リスク / 未解決の質問
弱いフッテージ、不足しているカバレッジ、ライセンス/帰属表示、ユーザーが決定すべき事項

次に、ユーザーに計画の短い概要(ログライン、構成の数行、長さ、フォーマット、音楽)を示し、結果を変更する可能性があり推測できない事項(目的、プラットフォーム/アスペクト比、長さの制限、どの人物が被写体か)がない限り、そのまま進みます。それらの質問は、レンダリング前に最大3つまで行います。ユーザーが計画の承認を求めた場合は、待機します。EDLは計画を実装します。編集中に計画から逸脱した場合は、plan.md を更新します。

最初のパス用のオプションのショートカット(その後手動で調整):

python3 $S/draft_edl.py $J/work/analysis.json --mode jumpcut|montage --out $J/edl.json \
  [--format 9:16|16:9|1:1|4:5|source] [--duration 30] [--music song.mp3] [--title "..."] [--grade cinematic]

jumpcut は発話を保持し、無音部分を削除します(トランスクリプトを使用)。montage は最もスコアの高いショットを取得し、ビート同期します。ドラフトは最終的な編集ではありません:トランスクリプトで見つけたリテイク、フィラー、ミスを削除し、ストーリーのために並べ替え、発話部分にBロールのカットアウェイ、パンチイン、タイトルを追加します。

4. EDLを作成

$J/edl.json を作成します。完全なフォーマットは reference/edl.md を参照。最小限の形状:

{
  "analysis": "work/analysis.json",
  "output": {"path": "out/final.mp4", "width": 1080, "height": 1920, "fps": 30, "fit": "blur"},
  "grade": "natural",
  "clips": [
    {"src": "v1", "in": 3.2, "out": 7.9, "effects": [{"type": "zoom_in", "amount": 0.08}]},
    {"src": "v2", "in": 0.0, "out": 2.4, "transition": {"type": "fade", "duration": 0.3}}
  ],
  "texts": [{"text": "タイトル", "start": 0.2, "end": 2.5, "style": "title"}],
  "subtitles": {"enabled": true, "style": "caption"},
  "music": [{"path": "song.mp3", "volume": 0.3, "duck": true}]
}

EDL内のパスはEDLファイルからの相対パスです。src は v1、v2...(分析からのID)を使用できます。

5. レンダリング、そして自分のカットをレビュー

python3 $S/render.py $J/edl.json --draft   # 半解像度、高速:反復中に使用
python3 $S/render.py $J/edl.json           # 最終版

レンダリングされたクリップは $J/.render/clips/ にキャッシュされるため、小さなEDL変更後の再レンダリングは高速です。このコマンドはタイムライン(出力時間 ↔ ソース範囲)を表示し、レビューシートを $J/.render/review/ に出力します。レビューシートを開いて確認:アスペクト比変更後のフレーミング(頭が切れていないか? focus または fit: "blur" を使用)、テキストの可読性と顔との重なり、字幕の正確さ(subtitles.replace で聞き間違えを修正)、黒/フリーズフレーム、ペーシング、グレードの一貫性。また、$J/.render/subtitles.json をトランスクリプトと照合してもう一度読みます。修正して再レンダリングします。報告する前に少なくとも1回のレビューパスを実行します。

あなたは結果の音声を聞くことができないため、最終レンダリングは --qa 付きで実行する必要があります:

python3 $S/render.py $J/edl.json --qa      # または: python3 $S/qa.py OUT.mp4 --subs $J/.render/subtitles.json

ラウドネス(ターゲット約-14 LUFS)とトゥルーピーク(≤ -1 dBFS)を測定し、長い無音部分をリストアップし、出力を再トランスクライブして、すべてのキャプションがミックス内でまだ認識可能かどうかをチェックします。ラインが60%未満の場合は、音楽/SFXにマスクされているか、音量が小さすぎるか、カットやフリーズで切り取られている可能性があります:クリップの volume を上げるか、音楽の音量を下げるかダックさせるか、カットを移動してから再実行します。決定する前に .render/qa.json を読んでください(何が聞こえたかを示しています):不一致はASRのミスや誤ったキャプションである可能性もあります。また、--plan / last_render.json タイムラインを、ターゲットとした音楽ヒットと照合します。ハンドオフ時に、ミックスは測定によってチェックされたことを伝え、ユーザーに聴取を依頼します。

6. 納品

同じ編集から他のプラットフォーム向け:

python3 $S/render.py $J/edl.json --formats 16:9,9:16,1:1 --qa

各フォーマットは独自の出力を取得します(name_9x16.mp4、...):より狭いターゲットは顔追跡クロップに切り替わり、キャプションは再配置および再ラップされ、イントロボックスは再検出されます。フォーマットごとの微調整をEDLの "formats": {"9:16": {...}} の下に配置し、すべてのフォーマットをレビューします。

ユーザーに提供するもの:出力パス、長さ/フォーマット、カットの3〜6行の説明(ストーリー、使用した主要な瞬間、エフェクト、音楽)、字幕が作成された場合は .srt パス、および plan.md で変更された点や実現できなかった点。試す価値のある代替案(別の長さ、別のフォーマット、別の音楽)を一行で提案します。edl.json を保持:後からの変更要求は、edl.json の編集と再レンダリングで対応します。

デフォルト(ユーザーが明示しない場合)

  • フォーマット:ほとんどのフッテージと同じ向き。「短视频 / 抖音 / Reels / Shorts / 小红书」⇒ 9:16 1080x1920。「B站 / YouTube」⇒ 16:9 1920x1080。
  • 長さ:トークヘッド ⇒ 意味のある内容をすべて、タイトに。モンタージュ / ハイライト ⇒ 15-45秒。ソーシャルショート ⇒ 60秒未満。
  • 字幕:発話がある場合は常にオン(焼き込み、および .srt ファイル)。
  • 音楽:ユーザーが提供した場合、またはフッテージに音楽がなくユーザーが音楽を希望した場合のみ。音楽ソースを勝手に作成しないでください。音楽が明らかに役立つが提供されていない場合は、ハンドオフでその旨を伝えます。元の発話は常に明瞭に聞こえるようにします(duck: true、音量0.15-0.35)。
  • グレード:人物 / トークには natural。旅行 / モンタージュには cinematic または teal_orange。意図的なエフェクトでない限り、動画全体で1つのグレードを維持します。
  • ラウドネス:-14 LUFS(自動設定)。
  • 画面上のテキストの言語:フッテージで話されている言語 / ユーザーが使用している言語。

注意点(Gotchas)

  • in/out はソース秒数。画面上の長さは (out-in)/speed(+ freeze)。
  • xfadeトランジションは、その持続時間だけ2つのクリップを重ね、全体の長さを短くします。トランジションは0.5秒以下に保ち、隣接する両方のクリップよりも短くします。
  • キャプションはトランスクリプトから取得され、カットやスピード変更に自動的に追従します。ミュートまたは逆再生されたクリップにはキャプションは付きません。手動キャプション:subtitles.items。
  • 音楽駆動の編集:BGMの offset を設定してドロップを希望の位置に合わせ、beat_sync でアクション範囲を設定し、start_at_music でキーモーメントを固定し、--plan で確認します。プレイブックのトレーラーレシピを参照。
  • 合成SFX(sfx 付きの sounds)はサンプルファイルを必要としません。ドロップとタイトルを除き、音楽の下に抑えます。
  • キャラクター紹介({"type": "intro"} エフェクト)は、クリップを at の時点でフリーズします。クリップは hold だけ長くなり、キャプションはフリーズ中は一時停止します。box は出力フレーム座標(クロップ/パディング後)。省略すると顔から人物を特定します。極端なクローズアップは自動的に切り抜きなしの外観になります。人物が静止しており、背景から明確に分離されているフレームを選択します(ミディアムショット、顔が見える)。
  • カラオケキャプション(subtitles.karaoke)は正確な単語タイミングを必要とします:最初にトランスクリプトを修正します。単語タイミングがないキャプションは単語を均等に配置します。
  • 3D:タイトル用の text3d スタイル(押し出し、グラデーション面、flip_in / swing、rotate_x/y)。text_behind クリップエフェクトは、大きなテキストを背景と人物の間に配置します(rembg、フレームあたり約0.7秒:静止ショットで3〜5秒に抑えます)。overlays は three.js のライトエフェクト(particles、hologram、streaks、grid)を追加し、ヘッドレスChromeでレンダリングされ、明るさでキーイングされるため、スクリーンブレンドのように光を追加します。アクセントとして使用し、すべてのショットには使用しないでください。
  • テキストと手動キャプションは、絶対出力時間よりもクリップにアンカーすることを優先します(start/end 付きの "clip": i、またはソース秒単位の src_start/src_end)。クリップがトリミング、並べ替え、トランジション変更が行われても正しく維持されます。
  • beat_sync はクリップの out ポイントを書き換えて、カットをビートに合わせます。every: 2 または 4 を設定すると、より遅いペースになります。
  • このffmpegビルドは drawtext/libass を欠いている可能性があります。すべてのテキストはPillowによって描画されるため、Pillowが開けるフォントはすべて機能します(output.font またはテキストごとの font)。
  • 水平フッテージからの垂直出力:fit: "crop" と focus: "track"(クロップは主要な顔、またはワイドショットでは体に追従してパンします。track_hint: "left"|"right"|x でツーショット内の人物を選択)、"auto"(1つの静的な顔中心の位置)、または [x, y]。または fit: "blur" で全体を維持。追跡は、30%未満のサンプルで人物が見つかった場合(非常にワイドなショット)、静的なクロップにフォールバックします。その場合は手動で focus を設定します。
  • フリーズフレームイントロは自動的に単語の外に移動します(フリーズ中はオーディオが一時停止します)。そのログが出力されます。

関連スキル