Communitygithub.com

calesthio/generative-media-skills

AIエージェント向け、生成動画・映画・広告・アバタークリップ・解説動画・ローカライゼーション/吹替・ポッドキャスト・リカット・ソーシャルコンテンツ制作のための、プロバイダに依存しないダイアログ編集とADR演出スキル。

generative-media-skills とは?

このスキルは、Claude CodeやCursor、CodexなどのAIエージェントが、生成された映像作品において、台詞やナレーションなどの音声を編集・演出するための総合的なガイドラインを提供します。従来の波形編集ではなく、ストーリー、ブランド、指示、キャラクター、アクセシビリティの観点から台詞を扱い、明瞭性、意図、連続性、権利を尊重しながら、ミキサーや字幕翻訳者、後続の映像エージェントに曖昧さのない素材を引き渡すことを目的としています。スキルは、プロフェッショナルな業界標準、公式プラットフォームガイダンス、ツールのドキュメント、権利団体のガイドラインに基づいており、ITU-R BS.1770-5やEBU R 128などのラウドネス規格、FCCやW3C WCAGの字幕品質要件、Netflixの吹替ガイドライン、iZotope RXの修復ツール仕様、米国著作権局やSAG-AFTRA、NAVAによるAIと合成音声に関する権利フレームワークなど、具体的な事実と指針を参照します。また、ADR(アフレコ)の演出方法、合成音声(TTSやボイスクローン)の利用に関する倫理的な境界線、ラインごとの問題分類(本番編集、パフォーマンス修正、ADR置換、ローカライゼーション吹替、合成再レンダリングなど)を定義し、実際のメディアに対してヘッドフォン、スピーカー、スモールスピーカー、ピクチャー同期、フルミックスコンテキストでの実証的なチェックを推奨します。台詞マップの作成、修復の順序(クリック除去→破裂音処理→歯擦音制御→ノイズ低減など)、連続的な空気感を維持する編集技法、キャプション・トランスクリプト・アクセシビリティハンドオフの要件も網羅しており、AIエージェントが自律的に高品質なオーディオポストプロダクションを実行するための包括的な知識ベースです。

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

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

ダイアログ編集とADR演出

このスキルは、音声がストーリー、ブランド、指示、キャラクター、アクセシビリティを伝える必要がある場合に使用します。台詞を波形としてだけでなく、パフォーマンスであり編集契約として扱います。目的は、明瞭性、意図、連続性、権利を維持しながら、ミキサー、キャプション作成者、ローカライゼーションチーム、または後続のビデオエージェントに曖昧さのない素材を引き渡すことです。

根拠となる姿勢

以下に記載されている事実は、プロフェッショナルな基準、公式プラットフォームガイダンス、公式ツールドキュメント、または権利団体からのものです。変動しやすいプラットフォーム/ツール/法律に関する事実は2026年7月10日に確認されました。経験的観察は、エージェントが実際のプロジェクトで実行すべきリスニング/QC動作に限定されています。ユニバーサルなオーディオ処理結果は試聴なしでは想定されません。制作上のヒューリスティックは、画像とデリバリースペックに対してテストする実用的なデフォルトであり、オーディオの絶対的な法則ではありません。

最初のパス:どのようなダイアログ問題かを判断する

各ラインまたはセクションに触れる前に分類します:

  • production-edit:使用可能なソースオーディオをクリーンアップ、スムージング、フィル、コンフォーム、またはコンピングする必要があります。
  • performance-fix:技術的には使用可能ですが、リード、感情、発音、強調、タイミングがシーンに合いません。
  • ADR-replace:プロダクションサウンドが明瞭でない、回復不能なノイズ/クリッピングがある、スクリプトが変更された、法的/ブランド上の修正が必要、または新しいカットに合わせる必要があります。
  • localization-dub:新しい言語または地域バージョンで、意味、パフォーマンス、タイミング、ピクチャー同期を維持する必要があります。
  • VO-style-dub:元の音声が部分的に知覚可能なまま、または意図的にローカライズされた声の下に沈められます。
  • synthetic-rerender:ライセンスされた合成音声または汎用TTS音声を再生成、編集、または指示する必要があります。
  • caption/transcript-handoff:テキストアセットは、最終的に聞こえるオーディオを正確かつアクセシブルに表現する必要があります。

修復が不便だからといって、単にADRや合成置換を選択しないでください。まず、元のパフォーマンスが可聴アーティファクトなしで明瞭にできるかどうか、俳優/音声の権利が置換を許可しているかどうか、置換が画像と連続性に合うかどうかを判断してください。

尊重すべき文書化された事実

  • ITU-R BS.1770-5は、オーディオプログラムのラウドネスとトゥルーピークレベルを測定するアルゴリズムを指定しています。これは測定方法であり、クリエイティブなミックスレシピではありません。出典:ITU-R BS.1770-5、2026年7月10日確認。
  • EBU R 128バージョン5.0は、プログラムラウドネスノーマライゼーションを-23 LUFSで推奨し、ラウドネスレンジとトゥルーピーク記述子を使用します。出典:EBU R 128、2026年7月10日確認。
  • 米国テレビ向けFCCキャプション品質ガイダンスは、正確性、同期性、完全性、配置の4つの品質の柱を使用します。FCCガイドは、録画済み番組はオフラインレビューが可能であるため、完全なコンプライアンスが期待されると述べています。出典:FCC DA 21-469、2026年7月10日確認。
  • W3C WCAG 2.2 SC 1.2.2は、同期メディア内の録画済みオーディオにキャプションを必要とし、キャプションは台詞、話者の識別、意味のある非音声情報をカバーする必要があります。出典:W3C WAI Understanding SC 1.2.2、2026年7月10日確認。
  • Netflixのタイムドテキストの一般要件は、サブタイトルイベントの最低5/6秒、最大7秒の表示時間、最大2行、関連する画面上のテキストとの重なりを避ける配置を使用します。これらはNetflixの要件であり、普遍的なスペックではありません。出典:Netflix Partner Help Center、2026年7月10日確認。
  • Netflixの吹替ガイダンスは、リップシンクは主に画像に対して判断されるべきであり、元のバージョンの波形に対してではないことを強調しています。重要な瞬間は、口の開閉、唇の動き、開始/終了の口の形を考慮する必要があります。出典:Netflix Dubbing Guiding Principles、2026年7月10日確認。
  • Netflixの吹替/ミキシングガイダンスは、台詞が音楽と効果音のベッドに自然に埋め込まれ、現実的なレベル、EQ、リバーブ、遠近感、フューズ、言語間の連続性を持つことを求めています。出典:Netflix Mixing Style Guide for Dubbed Content、2026年7月10日確認。
  • Netflixのノンフィクション英語吹替ガイダンスは、100 Hzを超えないローパスを除いてダイナミック処理なしでクリーンな台詞を録音し、パフォーマンス駆動でない限り舌打ち/唾液音を除去し、台詞クリップにフェードを使用し、オーディオリファレンスに対して編集し、該当するワークフローでは吹替台詞をオリジナルバージョンと同じ時間に終了することを推奨しています。出典:Netflix Partner Help Center、2026年7月10日確認。
  • iZotope RXドキュメントは、Mouth De-clickがクリックやリップスマックなどの口のノイズを検出して低減する一方、高い感度は破裂音に影響を与えたり、元の信号を損なう可能性があると説明しています。RX De-plosiveは、破裂音を識別して低減しながら、音声の基本周波数と倍音を保持するが、強度が高いと有用な音声を損なう可能性があると文書化されています。これらはツールの機能であり、保証ではありません。出典:iZotope RXドキュメント、2026年7月10日確認。
  • 米国著作権局のAIレポートページは、2024年7月31日公開の第1部がデジタルレプリカを扱うことを示し、SAG-AFTRAのAIフレームワークは、明確な同意、公正な報酬、およびパフォーマンスの制御をガードレールとして述べています。NAVAは、パフォーマー契約に同意、AI/合成使用とトレーニングの制限、オプトアウトまたは期間制限、支払い、排他性の明確化、安全なストレージ/トラッキングを含めることを推奨しています。これらは完全な法的意見ではありません。出典:米国著作権局、SAG-AFTRA、NAVA、2026年7月10日確認。

実際のメディアで実行すべき経験的チェック

メーターだけから推測せず、聴いてください。各デリバラブルについて、少なくとも以下のチェックを実行します:

  • ヘッドフォンパス:クリック、編集、息継ぎ、破裂音、衣擦れ音、歯擦音、耳障りなノイズ除去アーティファクト、途切れた音節、不自然なルームトーンループをチェック。
  • スピーカーパス:通常のコンシューマーレベル、キャプションオフで、スクリプトに詳しくない人が言葉を追えるかどうかを判断。
  • スモールスピーカーまたはモノラルパス:コンテンツが電話、ノートパソコン、テレビ、またはソーシャルフィードで視聴される可能性がある場合。
  • ピクチャー同期パス:最終フレームレートとコーデックパスで。DAW、NLE、ブラウザ、または低遅延プレビューのタイミングは同期判断を誤らせる可能性があるため。
  • コンテキストパス:音楽、効果音、キャプション/字幕が配信される状態で。単独では明瞭でも、フルミックスでは失敗するラインがあります。

制作上のヒューリスティック

ダイアログマップを作成する

修復やADRの前に、ラインごとのマップを作成します。以下を含めます:

  • タイムコードイン/アウト;
  • 話者/キャラクター;
  • 画面内または画面外のステータス;
  • ソースファイル/テイク/トラック;
  • 実際に聞こえるテキストと、異なる場合は意図されたテキスト;
  • 問題ラベル;
  • 提案された処理方法;
  • 発音ノート;
  • 実際の人物の声または合成ライクネスの権利/同意ステータス;
  • キャプション、トランスクリプト、ミキサー、またはローカライゼーションのためのハンドオフノート。

以下を推奨します:

TC In-Out | 話者 | 画面 | 聞こえ/意図 | 問題 | 処理 | ノート
00:00:12:04-00:00:15:10 | Maya | オン | "we ship Friday" | "Friday"でファン+クリック | 修復 | 笑い息を保持; ルームトーン B
00:00:35:12-00:00:37:01 | CEO | オフ | "Series B" が "serious B" と誤読 | 発音 | ADR | "SEER-eez bee" と発音; 法的名称は変更なし

最良のオリジナルパフォーマンスを保持する

実際の問題を解決する最も侵襲の少ないルートを使用します:

  1. 代替マイクまたは分離されたプロダクションチャンネル。
  2. 代替テイクまたはワイルドライン。
  3. 手動編集、クリップゲイン、短いクロスフェード、ルームトーンフィル。
  4. 欠陥のみを対象とした修復。
  5. ラインが依然として不明瞭、間違っている、安全でない、またはブリーフから逸脱している場合のADRまたは合成再生成。

まず広範なノイズリダクションを適用しないでください。広範な処理は、編集を解決する前に、子音のディテール、息のもち、部屋の連続性を低下させることがよくあります。

台詞を連続した空気としてカットする

アセンブルまたはコンピング時:

  • パフォーマンスをサポートする息継ぎは保持し、邪魔になるか技術的に悪い息継ぎのみを削除します。
  • 台詞がカットされたすべてのギャップの下に、ルームトーンまたはマッチングアンビエンスを使用します。
  • カットがマスクされたノイズ内にあるか、本当にフェードを必要としないトランジェント内にある場合を除き、すべてのクリップ境界でクロスフェードします。
  • ルームトーンをシーン、マイクの遠近感、感情的な距離でマッチングします。異なる部屋で1つの「無音」ベッドを貼り付けないでください。
  • クリップゲインを使用して、圧縮前に音節をスムーズにします。圧縮はミックスのサポートとして扱い、不安定な編集の修正として扱わないでください。
  • 子音のアタックを維持します。波形が静かに見えるからといって、破裂音、摩擦音、またはソフトエントリーの先頭をトリミングしないでください。

修復順序でアーティファクトをクリーンアップする

対象を絞った、試聴したパスを使用します:

  1. 境界、フェード、ゼロクロッシング調整で編集ポップを除去。
  2. 口のクリック/リップスマックを局所的に低減。リアリズムが重要な場合は、パフォーマンスに関連する口のテクスチャを保持。
  3. 対象を絞った低周波数またはデプローシブパスで破裂音を低減。有用な低音声が損なわれた場合は、元に戻し、手動クリップゲイン/スペクトラルリペアを使用。
  4. 狭帯域のダイナミックな処理で歯擦音を制御。話者を舌足らずにしない。
  5. 必要な範囲でのみハイパスまたはハム除去でハム/ランブルを低減。音声コンテンツの場合、ローパスの選択は声の本体とデリバリースペックを尊重する必要があります。
  6. 節度を持ってノイズ除去/デリバーブ/ダイアログ分離を使用し、水っぽい、位相ずれ、チャープ、鈍い子音に注意。
  7. 修復後にクリップゲインとルームトーンを再バランス。修復により新しい不連続性が明らかになる可能性があるため。

修復によって元の問題よりも顕著なアーティファクトが作成された場合は、元に戻し、代替テイク、ADR、または正直に「クリーンに修復できない」というメモを選択します。

ADRと吹替演出

キューを準備する

ADRキューは、推測なしで演奏可能である必要があります。以下を含めます:

  • シーンコンテキストを1文で;
  • 画像リファレンスタイムコード;
  • 正確なラインと承認された代替案;
  • ADRの理由;
  • パフォーマンスの意図;
  • 同期アンカー:開始/終了の口、唇の動き、目に見える間、ジェスチャー、息継ぎ、反応;
  • 名前、頭字語、製品用語、およびセンシティブな単語の発音ガイド;
  • マイク/遠近感ターゲット:近接、胸元、ささやき、部屋越しの叫び、電話、ヘルメット、ラジオ、アーカイブなど;
  • ルーム/処理ターゲットと、ミキサーがプロダクションの汚れを合わせるか、忠実度を向上させるか;
  • 要求されるテイク数とテイク間の変更点。

キューのためには、タレントと録音セットアップがサポートするもの(ビープ、ストリーマー、ビジュアルテキスト、ループ録音、または聞いて繰り返す)を使用します。3ビープのADRは映画制作で一般的ですが、それが俳優を害する場合は押し付けないでください。キューイング方法はパフォーマンスの補助であり、目標ではありません。

波形の前にパフォーマンスを演出する

俳優に実行可能な動詞とコンテキストを与えます:

  • 話し手が聞き手に何を望んでいるかを言います。
  • ラインの感情的な転換点を特定します。
  • 1回に1つのタイミングノートを与えます。
  • シーンの社会的地位、疲労、年齢、アクセントポリシー、関係性を保持します。
  • ストーリーが特別な明瞭さを必要としない限り、自然な発音を求めます。
  • 広告や解説動画では、すべてのブランドワードではなく、意味を中心に強調を演出します。過度に強調された製品用語は合成的に聞こえます。

ローカライゼーションでは、語順ではなく意図を保持します。キャラクターとブリーフに適切な場合は、口語的なターゲット言語のフレージングを使用します。ピクチャー同期が重要な場合は、ソース波形だけでなく、口とカットに対して判断します。開始と終了の口の形、目に見える唇の動き、開いた母音は、クローズアップと重要な瞬間で最も重要です。

編集可能な十分なテイクをキャプチャする

以下をリクエスト:

  • 1テイクの忠実なタイミングテイク;
  • 1テイクのパフォーマンス優先テイク;
  • 1テイクのよりクリーンなディクションテイク;
  • 必要に応じて、同期のために短いまたは長いフレーズの1テイクの安全な代替テイク;
  • ルームトーン/エフォート/息継ぎは、権利とパフォーマンスのニーズがそれらを正当化する場合のみ。

ノンフィクションのVOスタイル吹替の場合、スタイルガイドまたはクライアントが明示的に要求しない限り、笑い、泣き声、非言語的反応の録音は避けてください。元の非言語音がミックスに残っている場合、エディターはそれらを複製するのではなく、特徴付ける必要があります。

声の連続性を維持する

繰り返し登場する声のための連続性ノートを作成します:

  • 音声ソースまたは俳優;
  • 同意/権利範囲;
  • 言語/ロケール;
  • 年齢、性別表現、アクセントポリシー、方言ノート;
  • 発話速度範囲;
  • ピッチ/エネルギー範囲;
  • マイク距離と部屋;
  • 特徴的な発音;
  • 以前の処理:EQ、リバーブ、フューズ、ノイズフロア、ディエス動作;
  • 例外:アーカイブ、電話、ストレス、病気、フラッシュバック、意図的な不一致など。

プロジェクトがその正確な使用に対する明示的な権利とインフォームドコンセントを持っていない限り、実際の人物の声を合成クローニングで「マッチング」しないでください。同意が不明な場合は、汎用の声、新しいキャスティング指示、または権利確認の質問を提供してください。

合成音声の境界

TTS、ボイスコンバージョン、ボイスクローン、合成吹替を使用する前に:

  • ソース音声を所有または制御している人、話者がこの使用に同意したかどうか、モデルトレーニングまたは音声複製が許可されているかどうか、使用が期間/地域/メディアによって制限されているかどうか、開示がクライアント、プラットフォーム、契約、または法律によって要求されているかどうかを確認します。
  • 文書化された許可なしに、生存中または死亡した特定可能な人物をトレーニング、クローン、模倣、または「似せた」音声を作成しないでください。
  • 合成音声を使用して、誰かが許可していないことを言っているように見せかけないでください。
  • 録音の公開可能性から同意を推測しないでください。
  • 監査ノートを保持します:ソース、ライセンス/同意の概要、音声ID、プロバイダー/モデル、日付、プロンプト、パラメーター、編集者、最終使用。
  • プロンプトが権利のない保護されたまたは識別可能な音声の模倣を求める場合は、許可された声質(年齢範囲、エネルギー、ペース、音色、適切で風刺的でない場合のアクセント)にリダイレクトします。

優れた合成音声演出は、依然としてパフォーマンス演出です:

音声:ライセンスされた社内ブランドナレーター、落ち着いているが眠そうではない。
ライン:「バックアップはコーヒーができる前に終わります」
意図:安心させる証明であり、誇大広告ではない。
ペース:中程度から速め。「コーヒー」に少し笑顔。アナウンサーのようなブームなし。
発音:「backup」はバックUPではなく、BACK-upと発音。
配信制約:有名人や従業員の模倣はなし。単語の追加なし。
編集ノート:クロスフェードのために200 msのクリーンテールを残す。ドライなWAVとタイミング情報を提供。

キャプション、トランスクリプト、アクセシビリティハンドオフ

音声ハンドオフは、スクリプトが元々言っていたことではなく、実際に出荷されるものと一致する必要があります。

…

[翻訳のため省略]

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 captions and media accessibility direction for AI agents producing or finishing generated videos, ads, social clips, explainers, avatar videos, documentaries, podcasts/video recuts, training media, and localized content. Use when planning, authoring, reviewing, localizing, burning in, exporting, or QAing captions, subtitles, SDH, transcripts, audio description, flashing/motion safety, caption readability, or accessible media handoff files.

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