Communitygithub.com

Malik-rgb43/editing-workflow

ヘブライ語音声を文字起こしし、焼き込み字幕を生成します。ASRルートをハードウェアに応じて選択、単語タイムスタンプ、校正、RTLおよび英数字混在行、フォント、出入りアニメーション、セーフゾーン、字幕QAを備えています。

editing-workflow とは?

このスキルは、ヘブライ語音声の文字起こし(ASR)と、動画に焼き込む字幕の生成を専門に行います。ユーザーのハードウェアプロファイルに基づいて最適なASRルート(CPU向けfaster-whisper、AMD Vulkan向けwhisper.cpp、NVIDIA CUDA、Apple Silicon Metalなど)を自動選択し、単語単位のタイムスタンプを取得します。生成された文字起こしは手動で校正でき、カスタムスペル辞書を適用してゼロスペルミスを目指します。その後、RTL(右横書き)対応の字幕カードを組み立て、入退場アニメーションを設定し、セーフゾーン内に配置します。最後に、専用のQAスクリプト(caption_lint.py、caption_qa、hf_preflight、frame_qa)でタイミング、レイアウト、フォント、コントラストなどをチェックし、カバレッジレポートを生成します。主にHyperFramesプラットフォーム上で動作するように設計されており、クラウドASR/TTSの使用は事前承認必須とすることでコストを抑制します。ただし、翻訳のみ、非ヘブライ語ASR、分析レポート(video-analysis)、字幕なし動画作成には使用できません。

対応~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Malik-rgb43/editing-workflow/tree/HEAD/.agents/skills/hebrew-captions-asr

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

hebrew-captions-asr

ヘブライ語の文字起こしと焼き込み字幕:プロファイルに基づいてASRルートを選択し、単語タイミングを取得、手動で校正し、RTL対応の字幕カードを出入りアニメーション付きで構築し、caption_qaとカバレッジ文で検証します。

他のルールより優先されるルール

  1. language="he"を強制する。 HyperFramesの組み込みtranscribeはデフォルトでsmall.en(ヘブライ語には不適切)を使用し、initは自動文字起こしを行います:--skip-transcribeを使用し、ローカルのivrit-aiルートを利用してください。
  2. 文字起こし全体に対してLLMを決して実行しない。 プロジェクトごとのスペル辞書を使って特定の単語を手動で修正し、複数回のパスで曖昧な単語を多数決で決定し、その後は決定を変更しないでください。納品基準:スペルミスゼロ(固有名詞、ブランド名、引用);ヘブライ語話者が承認し、モデル批評家は推薦のみ行います。
  3. 日付入りの見積もりと承認なしにクラウドASR/TTSを呼び出さない(paid-generation-gate)。デフォルトはローカルかつ無料です。「ローカル=0ドル」にはセットアップ、ビルド時間、修正時間は含まれません。
  4. HyperFramesルートにdir="rtl"を設定しない。 <html>にlang="he"を設定し、テキスト要素にのみdirection: rtlを使用します。これはエンジン/バージョン固有の回避策です(0.8.98テストでは黒レンダリングは再現されず、E12):ルールを維持し、バージョンごとに再テストし、「ルートRTLは無効なHTML」と教えないでください。
  5. フォントはファイルから(hf/fonts/ + @font-face);HyperFramesブラウザはインストール済みフォントを名前で見つけられず、サイレントにフォールバックします。
  6. 測定値はマシンに依存します。 速度は、タイマースコープを指定した上で、音声秒数÷実時間秒数として引用し、受講者には自分のハードウェアで再測定するよう指示してください。
  7. 法則 vs ハウスプリセット(デフォルト決定Q5)。 法則:入口と同様に出口アニメーション、スペルミスゼロ、ルートRTL禁止、顔が確定する前の似た文字テスト、再編集後の逆文字起こし。ハウスプリセットv1(上書き可能):Rubik、1-3単語カード、レール下端 <= y 1450、以下の滞留時間。
  8. Whisperツールは非ASCIIファイルパス(whisper-cliのヘブライ語パス)で動作しません: ASCIIの一時ディレクトリを使用してください。長時間のASR実行は、他の重いジョブと同様にrender_lock下で行います。

入力 -> 出力

入力:音声または動画、DESIGN.md/ブランドタイプキット、字幕が編集後に続く場合は最終カット。出力(プロジェクト相対):data/words.json([{"text","start","end"}]秒)、transcript.srt、transcript.txt、data/captions.json(カード)、コンポジション内の字幕コンポーネント、カバレッジ文を含む_work/qa/captions_report.json。

ASRルート(プロファイル別、所有者のマシンでのみ測定)

プロファイルルート証拠と制限
任意のCPU(ポータブルベースライン)faster-whisper + ivrit turbo CT2、int8、8物理コアスレッド614.22秒の音声に対して731.4秒 = 音声秒/実時間秒 0.84(E08)
Vulkanドライバ搭載AMD/Windows-DGGML_VULKAN=ONでビルドしたwhisper.cpp + ivrit GGMLモデル同じ音声で105.6秒 = 音声秒/実時間秒 5.82;CPUで同じビルドでは1,033.0秒(9.78倍遅い);RX 7600SではGGML_VK_DISABLE_COOPMAT=1が必要(ローカルのみ:クラッシュ、exit 127の場合のみ設定)
NVIDIAfaster-whisper CUDA 12 / cuDNN 9 または whisper.cpp CUDA未測定
Apple Siliconwhisper.cpp Metal未測定
コーパス:68のFLEURS he_ilクリップ、614.22秒の読み上げ音声、1パス、アイドルマシン、全体ラッパー秒。そのコーパスでのWER(NFC、小文字、句読点→スペース):whisper.cpp CPU 18.09%、Vulkan 18.26%、CT2プレーン 17.74%、CT2 + VAD 19.38%(1,161語中4~19単語編集:近い値だが同等ではない)。実際の会話、ノイズの多い電話音声、手動単語境界精度は測定していません。完全なテーブル、ビルドレシピ、制限:references/asr-routes.md;日付入り事実:references/volatile-facts.md。

手順

  1. ルート。 マシンを調査(doctor)、上記のルートを選択、asr_route.jsonを書き込む(モデルパス/リビジョン/ハッシュ、デバイス、精度、スレッド、バックエンドログライン)。重みは固定し、「最新」は使用しない。
  2. VAD判定(クリップごとにオプション、デフォルト決定Q8)。 VADなしでは、Whisperは3秒のデジタル無音と3秒の低ノイズに対して空でないヘブライ語テキストを返しました(E02);E08で実行した明示スパンVADは、プレーンCT2よりも遅く、精度も低かった(225対206単語編集)。したがって:この音声の60秒サンプルでA/Bテストし、WERの低い方を採用し、音声に長い非発話部分がある場合は常に無音コントロールを実行する。
  3. 文字起こしを単語タイムスタンプ付きで実行;タイミング領域内のすべてのセグメントを消費する。words.json、.srt(--words-per-cue 3単語ポップ、6文モード)、.txtを保存する。歌や音楽伴奏の音声:references/asr-routes.mdの信頼度フィルタを使用したVADなし「歌詞パス」。
  4. 校正テキスト全体:固有名詞、ブランド名、数字(数字単語ではなく数字)、スペル辞書、曖昧な単語は多数決で。フィラー(「あー/うーん」は通常Whisper出力にありません:有声ギャップを見つける)をフラグし、談話単語を自動削除しない。
  5. 再編集後、完全に組み立てたVOに対してASRを実行し、意図したテキストと差分を取る(join_diff);単体の結合スニペットは「クリーン」と言うが、完全なファイルでは残差が聞こえる。TTS出力も同様に逆文字起こしする。
  6. カードを構築する(references/caption-timing.md):1~3単語、キーワードはキーワード色、双方向分離、入口+出口、2フレーム早いスワップ、音声を0.08~0.1秒リード、開始を0にクランプ;references/hebrew-typography.mdに従いフォントテスト;references/rtl-and-bidi.mdに従いレイアウトと双方向。
  7. QA。 scripts/caption_lint.pyをcaptions.jsonに、caption_qa --band <top>:1450をレンダリングに、hf_preflight、すべてのキーワードフレームでスナップショット(--describe false)、frame_qa;カバレッジ文を書く(期待されるデコードフレーム、バンド、想定fps、チェックされなかったもの)。

ゲート

状態:pass | fail | blocked | n/a 理由付き;タイムアウト、空のカードリスト、またはファイル欠落はblocked。

ゲート条件証拠偽の場合所有者再チェック時
G1 ASRルート機能プローブからルート選択;モデル+重み固定;language=he強制asr_route.json(パス、リビジョン、デバイス、精度、スレッド、タイマースコープ)CPU CT2 int8にフォールバックこのスキル新しいマシン、ドライバ、モデル
G2 VAD60秒の実際のサンプルでのA/BテストによりVADオン/オフを決定;音声に長い非発話がある場合は無音コントロールを実行両方のWER(scripts/wer.py)+ コントロール出力を記録VADのWERが悪い場合はオフに;幻覚が現れた場合はフィルタ追加このスキル新しい音声タイプ
G3 文字起こしすべての固有名詞/ブランド名/数字を校正;スペル辞書適用;ヘブライ語話者承認によるスペルミス0承認済み文字起こし+辞書;サンプルの修正テキストに対するwer.py単語を手動で修正;テキスト全体にLLMは使用しないこのスキル+人間テキスト変更時
G4 編集済みカット完全に組み立てたVOのASRが意図した単語と一致;余分なトークンなし;各文の最初/最後の2単語が存在join_diff JSON結合を修正、再編集、再ASRedit-talking-head G2再編集ごと
G5 RTL / 双方向ルートdir=rtlなし;lang="he";ラテン文字、数字、通貨、URLを分離;迷子の双方向制御文字なし;最終フレームを確認scripts/caption_lint.py双方向ブロック+hf_preflight+確認フレームスパンを分離;制御文字を削除このスキル字幕テキスト変更時
G6 似た文字/フォント各キーワードを最終サイズおよび360x640でレンダリング;ו/ז、ד/ר、ה/חを他の単語として読めない;フォントをファイルからロードhf/QA.md内の見本記録(フォントファイル、ハッシュ、サイズ、フレーム)+フォールバックなしを示すスナップショットその単語のフェイスを交換(Karantina「לבזבז」は「לבובו」と読まれた)このスキルフォント、サイズ、キーワード変更時
G7 タイミング+アニメーション単語 >= 0.25秒、カード >= 0.9秒、最終単語 >= 0.25秒;出口アニメーション存在;スワップオーバーラップ1~2フレーム;負の開始なしcaption_lintレポート+caption_qa+フレームチェック再タイミング;出口を追加このスキル再編集または再タイミング時
G8 セーフゾーン+コントラスト+カバレッジ字幕下端 <= y 1450(ハウスプリセット);ブランド色キーワード >= 4.5:1(ストリップ上);caption_qaがカバレッジを記載caption_qaレポート(カバレッジ文+コントラスト数値付き)移動、色変更、または背景追加このスキルレイアウト変更時または新しい比率

ハウスプリセットv1数値(各数値は上書き可能;出典はリファレンス内の日付による)

Rubik:Black(900)キーワード、Regular/600小文字;1080x1920で54~66px(E03暫定デフォルト;Alef 700とNoto Sans Hebrew 600は同等にスコア;Karantinaは単一モデル静的レビューで1.8 vs 4.2、人間パネルなし、電話なし、アニメーションなし)。単語ポップ1~3単語、カードあたり0.35~0.7秒;入口は出口でミラー(ブラーアウトアップ、約4フレーム、10px上昇、ブラー6px);Aロールで字幕レールy 900~1240、下端 <= 1450;キーテキストy <= 1248。9:16プラットフォームテーブルの日付は2026-09で、法則として未検証:電話でオーバーレイテストを実行。

リファレンス(必要なときに読み込む)

  • references/asr-routes.md - ASRルートの選択/構築、WERプロトコル、VAD、歌詞パス、クラウドオプション(未実行)。
  • references/hebrew-typography.md - フォント選択、似た文字テスト、E03テーブル、ライセンス。
  • references/rtl-and-bidi.md - ヘブライ語/英語/数字混在行、HyperFramesおよびAfter EffectsのRTLの落とし穴。
  • references/caption-timing.md - モード、正確なタイミングレシピ、セーフゾーン、コントラストスクリプト。
  • references/volatile-facts.md - 速度、WER、固定、ライセンス、セーフゾーン数値を引用する前に。
  • スクリプト:scripts/caption_lint.py(カードタイミング/双方向/レールlint)、scripts/wer.py(宣言された正規化によるWER/CER);いずれもstdlib、--self-check;スクリプトパスはこのスキルのフォルダからの相対パス。
  • リポジトリレベルの日付付きモジュール(他者が所有):agent-content/references/asr-routes.md、agent-content/references/hebrew-rtl-captions.md、agent-content/references/platform-specs.md、agent-content/techniques/caption-collision.md;日付付きテーブルまたはボックス衝突メソッドが必要なときに読み込む。
  • 関連スキル:edit-talking-head、render-qa-deliver、video-analysis(分析レポート、字幕ではない)。

証拠ステータス

ASRは実験E02/E08(所有者マシン)から;フォントはE03から;タイミングと出口ルールは所有者のプロジェクトから。人間によるタイミングの真値なし、クラウドASR未実行、ONNX変換のモデルライセンス未解決。指定済み;決定論的チェックのみ;モデル評価未実行(Q4)。

Individual skills in this repo

This repo contains 5 individual skills — each has its own dedicated page.

Malik-rgb43/editing-workflow

>- Script, edit or review a paid-social ad, sponsored post or brand promo for a business, product, app or store (Meta, Instagram, TikTok, 15-60 s): exact offer and CTA, ranked hooks, hook variants, end card, blocking compliance table, licence checks. Triggers: ad, promo, sponsored, campaign; מודעה, פרסומת, קמפיין, ממומן, פרומו, מבצע, הנחה, הוק. NOT for testimonials (edit-testimonial), organic expert reels (edit-talking-head), AI-only films (edit-ai-generated), ratio exports (multi-video-variants).

Malik-rgb43/editing-workflow

>- Design, build and review a motion-graphics piece in HyperFrames/GSAP: product or app launch, feature announcement, kinetic typography, logo reveal, UI explainer, animated screenshots. Triggers: מושן גרפיקס, אנימציה, השקה, טיפוגרפיה קינטית, לוגו אנימציה, "like a Higgsfield / Linear launch". Not for a speaker-to-camera reel (edit-talking-head), AI-generated shots (edit-ai-generated), caption-only work (hebrew-captions-asr) or ad compliance (edit-ad-promo).

Malik-rgb43/editing-workflow

>- Deliver one approved video as several outputs (other aspect ratios, hook variants, platform versions, no-music/no-captions versions) or run several videos in parallel, with one shared mix, strict naming and a manifest that blocks stale derivatives. Triggers: export as 9:16 and 1:1, hook variants, variants batch; גרסאות, וריאציות הוק, כמה סרטונים יחד, 9:16 ו-16:9. NOT for a single deliverable (render-qa-deliver) or designing the master (the type skill).

Malik-rgb43/editing-workflow

>- Turn a video the user sends or links (file, or YouTube/TikTok/Instagram URL) or a folder of clips into measurements (cuts, pacing, per-frame data), keyframe sheets, a Hebrew transcript and sound analysis (SFX, BPM, key, beats, song ID). Triggers: watch, analyse, break down, transcribe this video/reel/ad; תנתח, תעבור על, תמלל, מה קורה בסרטון, קאטים, BPM. NOT for cutting or rendering (type skills), applying a style (reference-style-transfer), or captions for a final render (hebrew-captions-asr).

Malik-rgb43/editing-workflow

Turn a new video idea, brief or list of specifics into a checkable Concept Ledger and ask questions until every parameter is precise, before any concept, prompt or build. Use at the start of any new video, with or without footage, or when the user pastes a concept with specifics. Hebrew - סרטון חדש, בריף, יש לי רעיון, קונספט, תכין לי סרטון, בוא נתחיל פרויקט. NOT for notes on an existing draft (revision-round), analysing a reference (video-analysis) or paid generation (paid-generation-gate).

関連スキル