Communitygithub.com

キャプションとメディアアクセシビリティ方針

AIエージェントが生成動画、広告、ソーシャルクリップなどのメディア作品でキャプションやアクセシビリティトラックを制作・仕上げする際の、プロバイダーに依存しない制作方針とガイドラインを提供します。

キャプションとメディアアクセシビリティ方針 とは?

このスキルは、AIエージェント(Claude Code、Cursor、Codexなど)が、生成動画、広告、ソーシャルクリップ、解説動画、アバター動画、ドキュメンタリー、ポッドキャスト・動画の再編集、トレーニングメディア、ローカライズ版コンテンツなど、あらゆるメディア制作において、キャプションとアクセシビリティトラックを制作資産として扱うための包括的なガイドラインを提供します。 このスキルの目的は、キャプションや字幕、SDH、トランスクリプト、音声ガイド、点滅・動きの安全性、キャプションの可読性、アクセシブルなメディア受け渡しファイルの計画、作成、レビュー、ローカライズ、焼き込み、書き出し、QAに至るまでの全工程を支援することです。 スキルはメディアの分類から始め、視聴者のニーズ(聴覚障害者向けキャプション、聴覚者のための翻訳字幕、SDHなど)、配信先(ソーシャル、ウェブプレイヤー、放送、LMSなど)、アクセシビリティリスク(点滅、低コントラストなど)を特定します。また、WCAG、FCC、Netflix、YouTube、Vimeoなどの主要な標準仕様やプラットフォーム仕様を引用した文書化された事実を提供し、AIエージェントが法的コンプライアンスを約束しないように警告します。 さらに、キャプションとSDHの作成(発話の順序保持、話者識別、非発話音の記載、行分割ルール、タイミング調整)、焼き込みキャプションのデザイン(コントラスト、マージン、アニメーション制限)、トランスクリプトと記述的トランスクリプト、音声ガイドの計画(統合的記述、別トラック、タイムドテキストなど)、点滅や動きの安全チェックなど、具体的な制作ヒューリスティックを多数提供しています。

対応~Claude Code~Codex CLI✓Cursor
npx skills add https://github.com/calesthio/generative-media-skills/tree/HEAD/skills/production/audio-craft/captions-media-accessibility

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

キャプションとメディアアクセシビリティ方針 は何をしますか?

キャプションとアクセシビリティトラックを、仕上げ工程ではなく制作資産として扱ってください。スクリプト、オーディオミックス、編集、ローカライゼーション計画、配信ターゲットからこれらを構築します。ユーザーが法的コンプライアンスを求めてきた場合は、使用している標準を明示し、適格なアクセシビリティ/法律コンサルタントによるレビューを推奨してください。生成されたファイルだけで法的コンプライアンスを約束してはいけません。

メディアの分類から始める

キャプションの作成や書き出しを行う前に、以下を特定してください。

  • コンテンツタイプ: 収録済み音声付き動画、ライブ/ニアライブ動画、音声のみ、動画のみ、またはサイレントソーシャルクリップ。
  • 視聴者のニーズ: ろう/難聴者向けキャプション、聴覚者向け翻訳字幕、SDH、トランスクリプト、記述的トランスクリプト、音声ガイド、手話、またはプラットフォームデフォルトの自動キャプション。
  • 配信ターゲット: ソーシャル焼き込み、ウェブプレイヤーサイドカー、放送/OTT、LMS/トレーニングポータル、内部レビュー、ローカライズパッケージ、またはアーカイブマスター。
  • アクセシビリティリスク: 必須の画面上テキスト、チャート、画面収録、複数話者、重複する発話、音楽/歌詞、音によるストーリービート、点滅/ストロボ、高速キネティックタイポグラフィ、低コントラスト、小型モバイル画面、またはプラットフォームUIオーバーレイ。
  • 最終ソースの真実: 確定したオーディオミックスと最終ビデオ。生成されたスクリプト、TTSドラフト、ASRトランスクリプトは出発点であり、編集後の権威ではありません。

保存すべき文書化された事実

これらを事実上の制約として使用し、該当する場合は出力または受け渡しノートにソースを明記してください。

  • WCAG 2.2では、同期メディアにおける収録済み音声のキャプションをレベルA(SC 1.2.2)、同期ライブ音声のキャプションをレベルAA(SC 1.2.4)、収録済み動画の音声ガイドをレベルAA(SC 1.2.5)で要求しています。WCAGレベルAでは、収録済み同期動画に対して、SC 1.2.3に基づき、音声ガイドまたはメディア代替のいずれかを許可しています。ソース: W3C WCAG 2.2、2026-07-10確認済み。
  • WCAG 2.2の点滅ガイダンスは、一般的/赤色点滅閾値を下回らない限り、コンテンツが1秒間に3回以上点滅してはならないと定めています。ソース: W3C Understanding SC 2.3.1、2026-07-10確認済み。
  • WCAGのテキスト最小コントラスト比は4.5:1、大きなテキストでは3:1です。これはウェブテキストの基準ですが、焼き込みキャプションはビデオピクセルです。ただし、より厳しいプラットフォーム/仕様が適用されない限り、キャプションの可読性の最小デザイン目標として使用します。ソース: W3C WCAG 2.2 SC 1.4.3、2026-07-10確認済み。
  • Section508.govは、クローズドキャプション、オープンキャプション、字幕、トランスクリプトを区別しています。クローズドキャプションはオン/オフ可能、オープンキャプションは動画に永続的に表示、字幕は通常、聴覚者向けに発話を翻訳し、話者IDや非発話音を含みません。トランスクリプトはタイムコードが付いていません。ソース: Section508.gov synchronized media guidance、2026-07-10確認済み。
  • 米国FCCの対象テレビ番組に対するキャプション品質規則は、正確性、同期性、完全性、配置に関する品質を定義しています。キャプションは関連する非言語情報を含み、読みやすく、必須の視覚コンテンツを遮らないようにする必要があります。ソース: 47 CFR Sec. 79.1 via Legal Information Institute/eCFR text、2026-07-10確認済み。このスキルは、特定のプロジェクトがFCC規則の対象であるかどうかを判断するものではありません。
  • YouTubeヘルプでは、SRTとSBV/SubViewerを基本フォーマット、WebVTT/TTML/SAMI/RealTextを高度なフォーマットとして挙げています。基本のSRT/SBVファイルはプレーンなUTF-8である必要があり、YouTubeはスタイルサポートが限られていると述べています。ソース: YouTube Help、2026-07-10確認済み。
  • Vimeoヘルプでは、VimeoがSRTとWebVTTのキャプション/字幕をサポートし、WebVTTを推奨し、特殊文字にはUTF-8エンコーディングが必要であると述べています。ソース: Vimeo Help、2026-07-10確認済み。
  • WebVTTはメディアトラックで使用されるUTF-8タイムドテキストフォーマットです。WEBVTTで始まり、タイムキューを含み、キャプション、字幕、説明、チャプター、メタデータに使用できます(プレイヤーのサポートによります)。ソース: W3C/MDNおよびLibrary of Congress WebVTT documentation、2026-07-10確認済み。
  • W3C WebVTT構文は、UTF-8、WEBVTTファイルシグネチャ、ピリオドミリ秒を含むキュータイミング、順序付けられたキュー開始時間、開始時間より大きい終了時間を要求します。キューオーバーラップはキャプション/字幕フォーマットとして許可されていますが、多くのキャプション配信ワークフローではオーバーラップを拒否またはフラグ付けします。ソース: W3C WebVTT Candidate Recommendation Draft、2026-07-11確認済み。
  • SRTは広く使用されているが軽く標準化されたプレーンテキストサイドカー形式で、繰り返されるブロック(数字カウンター、開始/終了タイミング行、キャプションテキスト、空白行セパレーター)で構成されます。一般的な配信方法ではHH:MM:SS,mmm --> HH:MM:SS,mmmタイミングと、最新プラットフォームへのアップロードにはUTF-8を使用しますが、レガシーSRTファイルは他のエンコーディングを使用する場合があります。ソース: Library of Congress SRT format descriptionおよびここで引用されたプラットフォームガイダンス、2026-07-11確認済み。
  • Netflixのタイムドテキストガイダンスはプラットフォーム固有であり、普遍的なルールではありません。公開されているパートナーヘルプガイダンスには、最大2行、言語固有のスタイルガイド、一般要件としての最小/最大イベント期間、および米国英語SDHにおける括弧付き話者ID/効果音の慣習が含まれます。ソース: Netflix Partner Help Center、2026-07-10確認済み。

適用する制作ヒューリスティック

これらはクラフトのデフォルトです。正式なクライアントスタイルガイド、放送局の仕様、言語固有の字幕慣習、またはプラットフォームバリデーションエラーがある場合はこれらを上書きしてください。

  • プラットフォームがサポートする場合は、アクセシビリティのためにサイドカーキャプションファイルを優先してください。焼き込み/オープンキャプションは、プラットフォーム、広告購入、またはユーザーエクスペリエンスが常時表示テキストを要求する場合にのみ追加します。
  • ソーシャル向けにキャプションを焼き込む場合でも、編集可能なサイドカー/トランスクリプトマスターを保持してください。焼き込みキャプションは、切り替え、再スタイル、検索、翻訳ができず、支援技術で確実に使用できません。
  • 収録済みメディアには編集済みキャプションを使用します。自動キャプションはドラフトアライメントに役立ちますが、最終作業ではオーディオ、話者識別、句読点、効果音、固有名詞、タイミングに対する人間/エージェントのレビューが必要です。
  • キューを読みやすく保つ: 通常1〜2行、バランスの取れた行の長さ、自然なフレーズ区切り、読むのに十分な画面表示時間。テキストが密集しすぎている場合は、意味と主要な語彙を保持しながら、重要でない冗長性のみを編集します。
  • キューが表すオーディオにタイミングを合わせる: 発話/音の開始付近に表示、終了付近で非表示、キューが重ならないようにし、キャプションがジョーク、ネタバレ、安全性重要な指示を聞こえる前に先行させないようにします。
  • キャプションが顔、ローワーサード、製品UI、チャート、すでに画面内にある字幕、法的スーパー、またはプラットフォームコントロールを覆う場合は再配置します。
  • 生成動画では、アクセシビリティのためにスクリプトと編集を設計することでキャプション作業を減らす: 競合する声を減らし、画面上のテキストを読みやすくし、可能な場合はナレーションで視覚情報を説明し、必要な場所に音声ガイドのためのポーズを入れる。

キャプションとSDHの作成

以下の入力からキャプションマスターを作成します。

  • 確定した動画とオーディオ;
  • 最終ナレーション/発話スクリプトまたはトランスクリプト;
  • 名前、肩書き、役割、発音、名前が最初に明かされるタイミングを含む話者リスト;
  • 製品名、固有名詞、頭字語、技術用語、法律用語、発明/生成された名前の用語集;
  • 音楽キューシートと歌詞のステータス;
  • 画面上テキストリスト、チャート/データコールアウト、および視覚のみのストーリービート;
  • ターゲットフォーマット、フレームレート/タイムコードポリシー、言語/ロケールタグ、およびスタイルガイド。

各キャプションキューについて:

  • 発話を順に含めます。可読性/時間制約により圧縮が必要で、かつ選択された標準がそれを許可する場合を除き、言い換えないでください。
  • 意味、トーン、および必須語彙を保持します。キャラクター描写、ユーモア、安全性、指示に重要な場合は、意図的なスラング、文法エラー、繰り返し、またはためらいを保持します。
  • 意味を明確にするために句読点を使用し、装飾には使用しません。
  • 視聴者が配置や映像から誰が話しているかを確実に推測できない場合は、話者を特定します。コンテンツが名前を明かした後にのみ既知の名前を使用し、それ以外の場合は[ナレーター]、[画面外の声]、[女性1]、またはクライアント承認済みのラベルなど中立的な記述子を使用します。
  • 非発話音が意味、雰囲気、安全性、ストーリー、指示に影響を与える場合は含めます。例: [警報が鳴る]、[柔らかいピアノ音楽]、[観客が笑う]、[ドアが開く]。すべての付随音をキャプションする必要はありません。
  • 歌詞が聞こえ、重要である場合、権利/クライアントの指示に従い歌詞をキャプションします。歌詞をキャプションしない場合は、それが体験に影響を与える場合に音楽を特定します。
  • その瞬間に聴覚視聴者が利用できない情報を露出させないでください。謎の話者を名付けたり、ネタバレを明かしたり、隠れた原因を早期に説明したりしないでください。
  • キャプション内に視覚的な説明を含めないでください。ただし、音や話者識別を表している場合を除きます。視覚アクセスはナレーション、統合的記述、音声ガイド、または記述的トランスクリプトに属します。

行分割:

  • 文節、節、フレーズの境界で分割します。
  • 冠詞と名詞、形容詞/修飾語と名詞、姓名、助動詞と主動詞、前置詞とその目的語、主語代名詞とその動詞を分離しないでください。
  • よりきれいな分割が可能な場合、1つの文の終わりと別の文の始まりを同じ行に配置しないでください。
  • 2話者キューはまれにし、やむを得ない場合は、ターゲットフォーマット/プラットフォームでサポートされる一貫した慣習で話者を視覚的に区別します。

タイミング:

  • キャプションを最終オーディオに合わせ、スクリプトタイミングには合わせません。
  • 読みやすさのために必要な場合、または誤解を招かない場合を除き、キャプションを発話よりはるかに長く表示し続けないでください。
  • 読みやすさを向上させる場合はギャップを使用しますが、非常に短いギャップによる不要なちらつきを避けます。
  • 話者が中断された場合は、中断が理解できる句読点を使用します。
  • 高速な免責事項、安全性指示、または法的テキストについては、問題を小さなキャプションに隠すのではなく、読み取り不可能な配信に対して異議を唱えます。

焼き込み/オープンキャプションのデザイン

焼き込みは動く画像上のタイポグラフィです。読みやすいUIのようにデザインします。

  • すべての代表的なフレームに対して高いコントラストを使用します。背景が変化する場合は、半透明ボックス、影、ストローク、グラデーションを追加します。
  • 想定される最小の画面と圧縮パスに対してテキストを十分に大きく保ちます。デスクトップモニターだけでなく、電話サイズでプレビューします。
  • プラットフォームUI(キャプション、ハンドル、リアクションボタン、プログレスバー、ローワーサード、セーフエリア)はプラットフォームと向きによって異なるため、マージンを残します。
  • キャプションを顔、リップシンク/アバター作品の口、デモンストレーション中の製品、チャート、すでに存在する字幕、手話通訳者の上に配置しないでください。
  • アニメーションは控えめにします。単語ごとのキネティックキャプションはソーシャルでの保持に役立つ可能性がありますが、単語を省略したり、速すぎたり、コントラストが不足したり、オフにできない場合はアクセシブルなキャプションの代替にはなりません。
  • 話者や意味を区別するために色だけを使用しないでください。色をラベル、配置、または他の非色の手がかりと組み合わせます。

トランスクリプトと記述的トランスクリプト

ユーザーが要求した場合、メディアが音声のみの場合、トレーニング/検索/レビューワークフローが恩恵を受ける場合、またはアクセシビリティ要件が時間ベースのメディア代替を求める場合にトランスクリプトを提供します。

基本トランスクリプト:

  • 発話、話者名、意味のある非発話音、音楽/歌詞メモを含めます。
  • 明らかなASRエラー、句読点、固有名詞を修正します。
  • ナビゲーションに役立つ場合、見出しやタイムスタンプを追加します。

記述的トランスクリプト:

  • 基本トランスクリプトに加え、必須の視覚情報(画面上テキスト、チャート、アクション、シーン変更、デモンストレーション、ジェスチャー、視覚のみのジョークや指示)を含めます。
  • キャプションと音声ガイドと同じソースオブトゥルースを使用します。
  • 読者が動画を見たり聞いたりせずにコンテンツを理解できるように、簡潔な説明を優先します。

音声ガイドの計画

可能な場合は、ピクチャーロックの前に音声ガイドを計画します。多くの解説動画、デモ、トレーニング動画にとって最も安価でクリーンな解決策は統合的記述です。メインのナレーションが視覚的に重要な情報を自然に言及するように書きます。

方法を選択します:

  • 統合的記述: 新しい解説動画、トレーニング動画、画面デモ、製品ウォークスルー、教育メディアに最適。ナレーションが視覚的に重要な内容に言及できる場合。
  • 別の音声ガイドトラック: オリジナルミックスを変更せず、プレイヤー/プラットフォームが代替の音声解説トラックをサポートする場合に最適。
  • 音声解説付き代替エクスポート: プラットフォームがユーザー選択可能な音声ガイドをサポートしていないが、別バージョンをホストできる場合に最適。
  • タイムドテキスト説明ファイル: プレイヤーがテキストからの説明をサポートする場合に可能。再生サポートを確認します。
  • 記述的トランスクリプト: 幅広いアクセスに役立ち、一部のWCAGコンテキストで要求されますが、要求された適合レベルでの同期音声ガイドの代替として常に適切とは限りません。

説明する内容:

  • 必須のアクション、アイデンティティ、シーン変更、設定、チャート、ダイアグラム、画面操作、画面上テキスト、製品状態、ジェスチャー、視覚のみの原因/結果。
  • 視聴者を方向付けるときは、一般から具体へと説明します。
  • コンテンツを追跡、理解、鑑賞するために必要なものを優先します。すべてのポーズを埋める必要はありません。
  • 現在形、能動態、客観的な言葉遣い、視聴者に適した語彙を使用します。
  • 目に見える事実で十分な場合、感情や意図を解釈しないでください。感情が別途明示されているか、明白で関連性がある場合を除き、「マヤは拳を握りしめる」を「マヤは激怒している」よりも優先します。
  • 可能な場合は、視聴者が情報を必要とする前ではなく、関連する視覚的瞬間の前または最中に説明を配置します。
  • 必要な場合を除き、理解に不可欠な発話やオーディオの上に説明を重ねないようにします。

点滅、動き、感覚的安全性

生成されたモーショングラフィックス、グリッチ編集、稲妻、アラーム、カメラフラッシュ、ストロボ、ラピッドカット、高コントラストパターンフリッカー、赤色フラッシュ、攻撃的なキネティックタイポグラフィに対して、感覚的安全性パスを実行します。

  • WCAGの1秒あたり3回の点滅閾値を超えるフラッシュを避けます...

Individual skills in this repo

This repo contains 9 individual skills — each has its own dedicated page.

calesthio/brand-launch-film-production

Provider-independent production workflow for AI agents creating brand launch films, product reveal videos, manifesto films, campaign hero films, website hero videos, investor/customer launch assets, and social cutdowns. Use when planning, scripting, generating, editing, reviewing, or delivering launch films that must align strategy, claims, brand voice, visual direction, product proof, accessibility, compliance, and multi-platform delivery.

calesthio/character-design-continuity

Provider-independent character design and continuity direction for generated media. Use when an agent must create, preserve, revise, or QA a recurring character across AI-generated images, video clips, avatars, animation, comics, ads, product mascots, serialized social posts, or multi-shot campaigns; especially when building character bibles, reference packs, prompts, expression/pose ranges, costume/hair/makeup/prop continuity, identity and likeness safeguards, iteration plans, handoff notes, or continuity reviews.

calesthio/generative-media-skills

Provider-independent cinematic trailer production for AI agents creating movie-style trailers, teaser trailers, launch trailers, game trailers, documentary trailers, series promos, and high-impact generated-media previews. Use for trailer strategy, structure, shot planning, voiceover/title-card copy, music and sound-design direction, generated-video prompt translation, edit pacing, platform/runtime choices, delivery handoff, rights/claims caveats, and trailer QA.

calesthio/generative-media-skills

Provider-independent explainer video production for AI agents creating educational, product, concept, nonprofit/public-service, onboarding, training, animated, mixed-media, and short social explainers. Use when an agent must turn a topic, brief, research corpus, product, process, policy, dataset, or complex idea into a factual, accessible, narrated, captioned, storyboarded, generated-media-ready explainer video with claim review, localization, pacing, variants, and QA.

calesthio/generative-media-skills

Use this skill to plan, direct, finish, and QA provider-independent mono or stereo 180-degree, 360-degree, spherical, spatial, wide-FOV, and immersive video. It covers format choice, capture rigs, stitching, nadir and seam management, stereoscopic comfort, attention direction, stabilization, ambisonic and spatial audio, titles, captions, accessibility, edit, color, VFX, projection metadata, Vision Pro, YouTube, headset delivery, device QA, and privacy, location, and likeness rights. Do not use it for interactive XR apps, volumetric/world-model generation, game-engine experiences, or provider-specific video generation prompts.

calesthio/generative-media-skills

Provider-independent production workflow for AI agents creating music videos, lyric videos, visualizers, performance/narrative/dance videos, social cutdowns, album or single launch assets, and generated-media clips synchronized to songs. Use when planning, directing, prompting, editing, reviewing, or delivering video content built around a recorded song, artist performance, lyrics, beat timing, choreography, platform variants, music rights, likeness consent, accessibility, or synthetic-media disclosure.

calesthio/generative-media-skills

Provider-independent dialogue editing and ADR direction for AI agents producing generated videos, films, ads, avatar clips, explainers, localization/dubbing, podcasts, recuts, and social content. Use for dialogue prep, repair, room tone, take comping, sync, ADR cueing, dubbing direction, pronunciation, de-essing, plosives, mouth clicks, voice continuity, synthetic voice consent boundaries, captions/transcripts handoff, mix handoff, loudness, intelligibility, accessibility, and QA.

calesthio/generative-media-skills

Provider-independent localization and dubbing production direction for AI agents producing translated videos, dubbed ads, social clips, explainers, avatar videos, documentaries, training media, and multi-market campaigns. Use when planning or reviewing subtitle-versus-dub strategy, translation adaptation, glossary/style-guide setup, casting or voice matching, lip-sync or phrase-sync direction, synthetic dubbing boundaries, captions/subtitles handoff, accessibility, platform delivery, client review, or localization QA.

calesthio/motion-graphics-direction

Provider-independent motion graphics direction for AI agents producing title sequences, lower thirds, explainer graphics, product UI overlays, social ads, kinetic typography, diagrams, data callouts, brand films, and video post. Use when planning, prompting, storyboarding, specifying, implementing, reviewing, or QAing motion graphics across live footage, generated video, UI capture, data visualization, brand systems, typography, accessibility, claim integrity, runtime handoff, and iteration.

関連スキル