Communitygithub.com

script-to-video-ai

テキストスクリプトから高品質なAI動画を自動生成するシステムです。Meta Muse、Omni Vids、双方向STT検証、方言ロック、ピッチ監査、スナッピートリミングなどの一連のスキルとルールを統合し、Google Driveへの自動アップロードまで完結します。

script-to-video-ai とは?

このスキルは、プレーンなテキストスクリプトから完全な9:16 Full HD動画を自動生成するための包括的なAIエージェントスキルです。TikTok、Reels、Shorts向けに視聴維持率を最適化するよう設計されています。コアとなる7つの原則(イメージファースト、双方向音声検証、正確なペーシング、南部方言ロック、子供の声のピッチ監査、単一キャラクターのリップシンク、4ステップのポストプロダクション)に従って動作します。Meta Museで一貫性のあるキャラクター画像を生成し、Omni Vidsでリップシンク動画をレンダリング。双方向STT監査で音声の尻切れやAIによる余計な単語の追加を防止し、子供の声はピッチが250Hz以上であることを保証。ポストプロダクションでは、STTバイナリサーチによるデッドエアの除去、1.1倍速(ピッチ保持)、libx264での結合、Google Driveへの自動アップロードを実行します。このスキルはClaude CodeやCursorなどのAIエージェント上で動作し、スクリプト、設定ファイル、Pythonスクリプト群(run_render.py、dialogue_auditor.py、snappy_trimmer.py等)で構成されています。

対応✓Claude Code~Codex CLI~Cursor✓Antigravity✓Gemini CLI
npx skills add https://github.com/devnit2026/script-to-video-ai-skill/tree/HEAD

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

Script-to-Video AI Production Skill

プレーンなテキストスクリプトから、TikTok、Reels、Shorts向けに視聴維持率(Audience Retention)を最適化した完全な9:16 Full HD動画への変換プロセスを自動化する、包括的な専用システムです。


🎯 7つの核となる原則(常時適用ルール)

  1. イメージファースト&AIビジョンによる検証:

    • 常にmeta_museモデルを使用して先にシーン画像を生成します。
    • 継承モード(image_chain_mode: "chained")を有効にし、キャラクター、衣装、背景の100%の一貫性を維持します。
    • 画像を抽出し、AIビジョン(read_file)で直接検証し、10/10の基準を満たした場合のみ動画生成に進みます。
  2. 双方向音声検証ゲート(双方向STT監査):

    • 順方向(音声の飲み込み防止): キーワードカバレッジを70%以上確保し、スクリプトの末尾3〜5単語の完全な発話を確認(尻切れ防止)。
    • 逆方向(不要な単語の追加防止): スクリプト末尾のキーワード以降の単語をスキャン。動画が長すぎてAIが2つ以上の単語を勝手に追加した場合、即座にFAILEDとマーク。
    • 100%正直な報告: STTデータの改ざんや隠蔽は固く禁止。
    • ハードゲートキーパー: PASSEDしたシーン以外の結合は絶対に禁止。
  3. 正確な長さ調整の公式:

    • 25語未満: 6秒〜8秒
    • 25〜38語: 10秒
    • 39〜50語: 12秒
    • 51〜65語: 15秒(明瞭で速い読み上げ)
  4. 南部方言ロック&地域語彙の統一:

    • スクリプトが南部方言を要求する場合:スクリプトとプロンプト内の北部方言の接続詞/つなぎ言葉を全て置き換え(例:"ba với mẹ" を "ba và mẹ" の代わりに使用、感嘆詞 "hả", "nghen", "nhen", "hén", "sao kì dạ" を使用)。
    • 必須のバイリンガル音声指示: Voice Directing: Giọng phụ nữ miền Nam Sài Gòn ngọt ngào, phát âm chuẩn phương ngữ miền Nam Việt Nam (Authentic Southern Vietnamese Saigon female voice, soft sweet Southern dialect). Cấm tuyệt đối giọng miền Bắc.
  5. 大人の話題を話すときの子供の声の保持とピッチ監査:

    • プロンプトと台詞の分離: 哲学/金銭/婚資の内容を画像説明や動きの記述([PROMPT], [MOTION])に絶対に引用しない。説明は100%無邪気でアニメ調に保つ。
    • 子供の声を固定する音声指示: Voice Directing: Giọng bé trai miền Nam trong trẻo, hồn nhiên, ngây thơ, nói giọng con nít ngọng nghịu đáng yêu (Cute toddler boy child voice). Cấm tuyệt đối giọng người lớn, cấm tuyệt đối giọng nữ trưởng thành.
    • ピッチ監査($F_0$ゲート): 子供の声は$F_0 \ge 250$ Hz(通常280〜350 Hz)を必須とする。$F_0 < 220$ Hzの場合は即座にFAILEDとフラグを立て、動画の結合を禁止。
  6. 単一キャラクターのリップシンク&ピンポンショット:

    • 各動画ショットでは、カメラに向かって発話するキャラクターは1人のみ。他のキャラクターは口を閉じて聞いている。
    • 2人以上の会話シーンは、必ずピンポンショット(1A: 質問者、1B: 回答者)に分割し、リップシンクの重なりを100%防止する。
  7. 標準4ステップのポストプロダクション:

    • スナッピートリム: STTバイナリサーチで最終音節の終了点を特定、音声終端にぴったり合わせてカット(+0.15秒)、0.15秒のマイクロフェードアウトを適用し、デッドエアを100%除去。
    • 再エンコード連結: libx264を使用して結合し、破損パケットエラーを排除。
    • 1.1倍速(ピッチ保持): 自然な声の高さを100%維持したまま1.1倍速に高速化。
    • Google Drive同期: 指定フォルダに自動アップロードし、ローカルの大容量ファイルをクリーンアップ。

🛠️ スキル構造

script-to-video-ai-skill/
├── SKILL.md                 # Antigravity AI Agent向けスキル定義
├── PROJECT_RULES.md         # システムの中核ルール(頭脳)
├── AGENTS.md                # エージェントの行動と作業スタイルのガイド
├── GEMINI.md                # 詳細な標準ドキュメントとトラブルシューティング
├── requirements.txt         # 必要なPythonライブラリ
├── scripts/                 # 自動実行ツール群:
│   ├── run_render.py        # ジョブ送信とパイプライン監視
│   ├── dialogue_auditor.py  # 双方向STT検証&ピッチ監査頭脳
│   ├── snappy_trimmer.py    # STTバイナリサーチによるデッドエア除去
│   ├── add_footer.py        # 解像度に応じたフッター追加
│   ├── gdrive_uploader.py   # Google Driveへの自動アップロード
│   └── audio_verifier.py    # 音声解析サポート
├── configs/                 # サンプル設定ファイル
│   └── sample_pipeline.json
└── README.md                # インストール&デプロイガイド(A〜Z)

関連スキル