まず、このスキルを最新に保つために、実行前にユーザーに確認してください:
npx hyperframes skills update talking-head-recut。すべてが最新の場合は何も起こりませんが、そうでない場合は、このスキルとそれに依存するコアドメインスキルを更新してから使用します。
トーキングヘッドレカット
Talking Head Recutは、ローカルの動画をそのまま再生し、その上に、タイミングが調整されたデザイン性の高いグラフィックカードのシーケンス(タイトル、ローワーサード、データコールアウト、引用、サイドパネル、ピクチャーインピクチャーなど)を、発言内容に同期させて重ねます。エージェントはカード(タイミングと内容)をデザインし、各カードのHTMLを会話の中で直接作成し、単一の構成HTMLにまとめ、hyperframesを使ってMP4にレンダリングします。固定されたアーキタイプリストや所定のカード構造はなく、オーバーレイはトランスクリプトの実際の内容に応じて生成されます。
入り口は
/hyperframesです。 このスキルは既存のトーキングヘッドクリップにデザインされたグラフィックカード(タイトル、ローワーサード、データコールアウト、引用、サイドパネル、PiP)をパッケージ化します。これは単なるキャプション(発言内容をテキストとして表示)ではありません。クリップはそのまま再生されます。 その他の意図(単なる字幕、単体のグラフィック、ゼロからの動画作成など)、または不明な点がある場合は、最初に/hyperframesを参照してください。インテントレイヤーがすべてのルート決定を担当します。
embedded-captionsのグラフィックパッケージ版です。 キャプションは発言された言葉を読みやすい字幕として追加しますが、これは再生中の動画の上にデザインされたグラフィックを追加します。単なる字幕の場合はembedded-captionsを参照してください。ゼロから動画を作成する場合は、作成ワークフロー(product-launch-video/faceless-explainer/ ...)を参照してください。
/hyperframesを通じてルーティングされると、インテントレイヤーは入力(どのクリップか)のみを確認し、レンダリング戦略に関する質問は後回しとして通知します。アスペクト比、レイアウト、スタイルグループ、カード数はステップ7で決定されます。そこでは、調査されたフッテージとトランスクリプトが推奨事項の基礎を提供します。レイヤーの実行形状に関する質問は適用されません。BRIEF.mdがある場合は、確認された入力とユーザーのメモが記載されているので、最初に読んでください。
作業ディレクトリに確認可能な中間ファイル:
metadata.json— 動画の長さ、幅、高さ、fpsaudio.mp3— 抽出された音声transcript.json— フラットな単語配列[{ text, start, end }, …](Whisper形式。segmentsやwordsラッパーはありません)storyboard.json— 軽量なカードの概要(エージェントの計画)public/cards/card-XX.html— カードごとのHTMLフラグメントpublic/index.html— 最終的な構成HTMLoutput.mp4— レンダリングされた動画
CLIの解決
# hyperframes — 文字起こし(ローカルWhisper)+ 構成HTMLのMP4レンダリング
npx hyperframes --help
このスキルはhyperframes CLIとシステムのffmpeg/ffprobe上で完全に動作します。文字起こしは、hyperframes transcribeによるローカルWhisperを使用します。サードパーティのサービス、APIキー、レート制限のあるプロキシは不要です。
ワークフロー
1. 環境確認
npx hyperframes doctor # ffmpeg, ヘッドレスブラウザ, レンダリング依存関係の確認
# バンドルされたアセットを確認:
ls "<SKILL_DIR>/assets/fonts" "<SKILL_DIR>/assets/vendor/gsap.min.js"
必要なもの:
ffmpeg/ffprobe(システムにインストール)<SKILL_DIR>/assets/fonts/*.woff2,<SKILL_DIR>/assets/vendor/gsap.min.js(このスキルに同梱され、ステップ9で作業ディレクトリに展開されます)
文字起こしにキーは不要です。hyperframes transcribeはWhisperをローカルで実行します(ステップ4)。
macOSでhyperframes renderを使用する場合、強く推奨:
export PRODUCER_BROWSER_GPU_MODE=hardware
2. 作業ディレクトリの作成
すべてのアーティファクトはvideos/<project-name>/の下に配置されます。これは他の動画ワークフロー(product-launch-video / faceless-explainer / pr-to-video)と同じ規約です。カレントディレクトリはワークスペースルートに維持します。以下のすべての処理はこの1つのサブディレクトリに書き込まれます。
VIDEO_PATH="/absolute/path/input.mp4"
WORK_DIR="videos/$(basename "$VIDEO_PATH" | sed 's/\.[^.]*$//')"
mkdir -p "$WORK_DIR"
3. 音声とメタデータの抽出
# メタデータ — 動画の長さ、幅、高さ、fps
ffprobe -v error -select_streams v:0 \
-show_entries stream=width,height,r_frame_rate \
-show_entries format=duration -of json "$VIDEO_PATH" > "$WORK_DIR/metadata.json"
# 音声
ffmpeg -y -i "$VIDEO_PATH" -vn -acodec libmp3lame -q:a 2 "$WORK_DIR/audio.mp3"
出力: metadata.json(width/height/durationを読み取ります。fpsはr_frame_rateの分数を評価します。例: 30000/1001 → 29.97)+ audio.mp3。
4. 文字起こし
npx hyperframes transcribe "$WORK_DIR/audio.mp3" -d "$WORK_DIR" --json --model small.en
ローカルWhisper — APIキー、プロキシ、レート制限は不要です。単語レベルのtranscript.jsonを作業ディレクトリに書き込みます(単語のtext + start / endタイムスタンプ)。これを読み取り、ステップ6でカードのタイミングを決定するための単語/文のタイミングを取得します。句読点やポーズで自分で単語を文にグループ化し、必要に応じてセグメントレベルのチャンクを取得します。
メディアの長さにクランプする。 Whisperが最後の単語のendを実際のクリップ長よりわずかに超えて返すことがあります。すべてのカードのendSecとcomposition.durationSecondsをmetadata.jsonのdurationにクランプしないと、レンダリングで動画の後に黒いテールが表示されます。
5. トランスクリプトの修正
transcript.jsonは、単語オブジェクトのフラットな配列です。[{ "text": "...", "start": s, "end": s }, …](segments配列やwordsラッパーはありません。単語ごとのキーは**text**です)。これを読み取り、明らかなASRエラーを修正します:
- 同音異義語、製品名、技術用語、句読点
- 単語の
textをその場で編集します。start/endタイムスタンプは保持します - 事前にグループ化された
segments配列はありません。カードのタイミングのためにセグメントレベルのチャンクが必要な場合は、自分で単語を文にグループ化します(終端の句読点/ポーズで分割)
6. 軽量なストーリーボードの作成(チャット内)
CLIは使用しません。 transcript.json + metadata.jsonを読み取り、カードを直接デザインします。storyboard.jsonはエージェント内部の計画用アーティファクトです。これを消費するCLIコマンドはありません。これは、各カードのHTMLを作成する前に、タイミングと内容について明確に考えるために存在します。以下の例と一貫した形状を維持し、同じアウトラインがステップ9で作成する構成を駆動できるようにします:
{
"schemaVersion": 3,
"composition": {
"fps": 30,
"width": 1080,
"height": 1920,
"durationSeconds": 121.2,
"layout": "portrait",
"themeId": "noir",
"seed": 42
},
"videoTrack": {
"sourcePath": "input-video.mp4",
"startSec": 0,
"endSec": 121.2,
"bounds": { "x": 0, "y": 0, "width": 1080, "height": 1920 }
},
"subtitles": { "enabled": false },
"cards": [
{
"id": "card-01",
"intent": "話者の真夜中の不安な質問で惹きつける",
"startSec": 0.5,
"endSec": 13.0,
"accentIndex": 0,
"zone": "fullscreen",
"contentHints": {
"kicker": "正直な質問",
"title": "午後11時に行う魂の探求",
"detail": "クライアントの60秒の音声メッセージ: 「もし人民元が上昇したら、私の米ドル保険は大損するということですか?」"
}
}
]
}
必須のカードフィールド:
| フィールド | 型 | 目的 |
|---|---|---|
id | 文字列 | カードHTMLとGSAPセレクターで使用される安定したID |
intent | 文字列 | 自然言語での説明。カード合成に使用されます |
startSec / endSec | 数値 | 秒単位の時間(endSec > startSec) |
accentIndex | 0 | 1 | 2 | 3 | 4 | このカードが使用する5つのテーマアクセントカラーのうちの1つ |
zone | 列挙型(以下参照) | キャンバス上のカードの位置 |
contentHints | オブジェクト | 自由形式のバッグ。エージェントがここにキッカー/タイトル/詳細/データ/引用を配置します |
archetype (オプション) | 文字列 | カードのパターンを記憶するために付ける自由形式のラベル。省略時は自由形式(デフォルト) |
transition (オプション) | 列挙型: cut | fade | slide | wipe | カード間の宣言的なトランジション |
5つのzone値:
| zone | 解決された境界 | 使用するタイミング |
|---|---|---|
fullscreen | キャンバス全体を覆う | ヒーローモーメント、大きな数字、マントラ |
whiteboard-area | 40pxのマージン(ポートレートの場合は高さの45%) | 密集したデータ/注釈付きコンテンツ |
lower-third | 下部30%の帯 | 表示中の動画への注釈 |
side-panel | 右側42%(ランドスケープ)または下部40%(ポートレート) | 片側にデータ、反対側に動画 |
video-overlay | キャンバス全体、ほぼ透明なカードを想定 | フルブリード動画上の注釈オーバーレイ |
ステップ9で構成を組み立てる際には、上記の表に従って、各カードのzoneをカードホストラッパー上のピクセル境界に解決します。動画の境界は構成レベル(videoTrack.bounds)で一度だけ設定されます。動画をカード間で「移動」させるには、構成の<script>内で#video-wrapに対するGSAPトゥイーンを作成します(ステップ9参照)。
所定のカードロールも、所定のナラティブアークもありません。 カードは動画で実際に語られていることから生成されます。すべて引用でもすべてデータでも、数字で始まってもストーリーで始まってもかまいません。トランスクリプトがリズムを決定します。
いくつのテイクアウトか? — 長さと密度から自動推論。 固定の上限はありません。動画の長さから基本ペースを選択し、次に情報密度で調整します。下限のみ固定: 最低5枚のカード。 これにより、短い動画でもリズムが生まれます。
ステップ1 — 長さによる基本ペース(中程度の密度における1カードあたりの自然な秒数):
| 動画の長さ | 基本ペース(1カードあたりの秒数) | 根拠 |
|---|---|---|
| < 60秒(ショートリール) | 6–8秒 | 視聴者は短尺動画で素早いカットを期待する |
| 60秒 – 3分 | 8–12秒 | 通常のソーシャルペース |
| 3 – 10分 | 12–20秒 | 余裕を持たせる。各カードの情報量が増える |
| 10 – 30分 | 20–35秒 | 長尺の講義/インタビューのリズム |
| > 30分 | 30–60秒 | エピソード的、チャプター感 |
ステップ2 — 密度乗数(基本ペースに乗算します):
| トランスクリプトの兆候 | 乗数 | 効果 |
|---|---|---|
| 高密度 — 多くの数字、明確な主張、スタッカートのようなペース、列挙型の列挙、1~2文ごとに新しいアイデアがある | × 0.7 | より速くカット、より多くのカード |
| 中密度 — データとナラティブが混在する流れ | × 1.0 | 基本ペース |
| 低密度 — 1つの長いストーリー、繰り返されるリフレーミング、ゆっくりとした内省的なペース、単一の議論が展開される | × 1.5 | より遅くカット、より少ないカード |
ステップ3 — 計算:
secPerCard = basePace × densityMultiplier
cardCount = max(5, round(videoDurationSec / secPerCard))
例(上限はありません。長い動画は自然に多くのカードを生成することに注意):
- 30秒リール、単一のオチ(低密度) → 7 × 1.5 = 10.5秒/カード → round(30/10.5)=3 → 5枚のカードに切り上げ
- 60秒の内省的なモノローグ(低密度) → 10 × 1.5 = 15秒/カード → 4 → 5枚のカードに切り上げ
- 豊富なデータを含む121秒のトーキングヘッド(高密度) → 10 × 0.7 = 7秒/カード → 17枚のカード
- 5分のインタビュー、混合密度 → 16 × 1.0 = 16秒/カード → 19枚のカード
- 10分の詳細解説、高密度 → 16 × 0.7 = 11秒/カード → 55枚のカード
- 30分の講義、中密度 → 28 × 1.0 = 28秒/カード → 64枚のカード
- 1時間のポッドキャスト、低密度 → 45 × 1.5 = 67.5秒/カード → 53枚のカード
カードが約15秒より長く保持される場合は、よりリッチなカード(データブロック、マルチステップのリビール、段階的なアニメーションで展開するいくつかのサブポイント)を計画します。静的なワンライナーは8秒を超えると退屈になります。多くのカードが30秒を超える長い作品の場合は、タイムラインをサブ構成にチャンク化することを検討します(data-composition-srcでマウントされた、1ファイルあたり1チャプターの.html)。これにより、ファイルごとのGSAPタイムラインを管理しやすくします。HyperFramesのtimeline_track_too_dense lint警告を参照してください。
contentは、プレーンテキスト(「タイトル: 年率5.69%\n注釈: ...」)またはデータをキャプチャする任意のJSON形状にすることができます。エージェントがカードごとに形状を決定します。
オプションのアウトロ。 このスキルには固定のブランドアウトロはありません。ユーザーがクロージングカードを希望する場合は、自分でニュートラルなもの(ワードマーク+1行のタグライン、約1.5~2秒、フェードイン→短いホールド→フェードアウト)をデザインし、cards[]に追加し、composition.durationSecondsをそのendSecまで延長します。それ以外の場合は、最後のコンテンツカードで終了します。
7. レンダリング戦略の決定
ユーザーとビジュアルの方向性を確認する(これを最初に行う)
カードのデザインや境界を決定する前に、ユーザーに出力比率を選択してもらいます
…
[翻訳のため省略]