Communitygithub.com

スティックマンアニメーションスタジオ — /make-video

たったひとつのプロンプト(トピック、タイトル、「X を説明して」、または動画コンセプトが書かれた TXT ファイル)から、プロ品質の英語ナレーション付きスティックマン漫画動画を完全自動で生成します。パイプライン全体(能力調査、リサーチと事実確認、英語脚本と音声演出、ナレーションと映像を同期するストーリーボード、バンドルされた Remotion エンジンによるプログラム的 2D/3D アニメーション、ナレーション・キャプション・BGM・効果音の生成、静止画・音声の QA、最終レンダリングと検証)をカバー。動画・ショート・漫画・アニメ解説動画の作成を依頼されたとき、特に /make-video コマンドと共に使用します。モデル・エージェント非依存。AI 画像生成・AI 動画生成・有料 API は一切不使用。すべてのフレームと音声はコードで生成されます。

make-video とは?

スティックマンアニメーションスタジオは、Claude Code や Cursor などの AI エージェントが、単一のプロンプトから完全なプロ品質の英語ナレーション付きスティックマン漫画動画(1080×1920、30fps、H.264+AAC)を生成できるスキルです。このスキルは能力調査から始まり、ウェブ検索によるリサーチと事実確認、英語脚本の作成、音声の選定と方向性の決定、ナレーションと映像を厳密に同期させるストーリーボードの作成(実行可能な同期ゲートで検証)、そしてバンドルされた Remotion エンジンを使用したプログラム的 2D/3D アニメーションのレンダリング、さらにナレーション、キャプション、BGM、効果音をすべてコードで生成します。このスキルの最大の特徴は、AI 画像生成や AI 動画生成、有料 API に一切依存せず、すべてのフレームとオーディオをコードで生成する点です。対応プラットフォームは、シェルアクセス、ファイルアクセス、ウェブ検索(オプション)、画像認識(オプション)が可能な任意の AI エージェントであり、モデル非依存です。ワークフローは完全自律的で、確認質問や進捗報告なしで進行し、各品質ゲート(同期チェック、静止画チェック、音声チェック)を通過した後、最終的な MP4 ファイルとソース一式を出力します。

対応~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/god-dark-z/stickman-animation-studio/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

make-video は何をしますか?

たったひとつのプロンプトを、コードだけで完成度の高いスタジオ品質の英語縦型漫画動画(1080×1920、30 fps、H.264 + AAC)に変換します。ストーリーを書き、明示的なナレーションと映像の同期契約でストーリーボードを作成し、バンドルされたエンジンを各 QA ゲートに通し、検証済みの MP4 とそのソースを納品します。

自律的に動作してください。 確認の質問は不要、進捗の報告は不要、途中で止まらないでください。ステップがブロックされた場合は、ルーティングの問題として扱います。次のツール、次のアセットを試すか、自分で構築してください。動画がレンダリングされ、検証され、納品されるまで停止してはいけません。

制作言語は英語のみです。 ナレーション、台詞、画面上のテキスト、キャプション、ラベル、インサートコピーはすべて英語です。ナレーションはプロフェッショナルなドキュメンタリー、教育、アニメーションストーリーテリングのように聞こえなければなりません(references/10-english-voice-direction.md)。

0. 自分の能力を調べてから適応する

制作を始める前に、このエージェント/モデルが実際に何ができるかを調査し、ワークフローを適応させてください。推測せず、確認してください。ここでの 1 分が、後々のレンダリングの失敗を防ぎます。

プローブ方法欠如していた場合 → 適応方法
シェル + ファイルアクセスnode --version を実行シェルがない → このスキルはレンダリング不可。install/PASTE-THIS-PROMPT.md を使用してコーディングエージェントにハンドオフ
Web リサーチWeb 検索ツールが利用可能か?検索不可 → 内部知識から執筆し、すべての主張を fact-check.md で「未検証」とマーク。永続的な物理/歴史トピックを優先
画像認識画像ファイルを読み取れるか?画像認識不可 → engine/scripts/qa_stills.py + engine/scripts/qa_sync.ts のピクセル/語彙ゲートに依存し、納品レポートでその旨を明記
バックグラウンド実行長時間のコマンドをバックグラウンドで実行できるか?不可 → フォアグラウンドでレンダリングを実行し、まず --preview を使用。数分の時間を確保
コンテキスト予算コンテキストが非常に大きいか?コンテキストが狭い → 現在のステージに必要な references/ ファイルのみを一度に 1 つずつ読み込む。ストーリー JSON を唯一の信頼できる情報源として保持
推論深度強力なモデル → クラフトをより深く追求:より豊かなステージング、より多くのビート、より深いリサーチ弱いモデル → リファレンスのデフォルトを文字通りに従う。これらは即興がなくても良い結果を出せるように調整されている

環境がどうであれ、品質ゲート(ステップ 4、5、7)は省略不可です。弱いワークフローでも同じ実行可能チェックを通過しなければなりません。

0.5 エンジンを解決する

エンジンは自己完結型の Remotion プロジェクトです。以下の順序で見つけてください。

  1. 現在のプロジェクト内にあり、package.json の名前が stickman-studio-engine のディレクトリ — それを使用。
  2. このファイルと一緒にある engine/ フォルダ — ワークスペースにコピー(cp -r <スキルディレクトリ>/engine ./engine)し、最初の一度だけ npm install を実行。
  3. どちらも存在しない場合、スキルはエンジンなしでインストールされた — スキルリポジトリをクローンし、そこから engine/ を取得。

エンジンディレクトリ内での初期設定は 1 回だけ:

npm install                      # Remotion + three + zod
pip install edge-tts imageio-ffmpeg numpy scipy pillow   # ナレーション + プログラム的音声 + QA

65 種類の SFX、6 種類の BGM、フィルムグレインは最初のレンダリング時にプログラムで生成されます(ダウンロード不要、ライセンス不要、サードパーティの音声不要)。ナレーションは edge-tts にインターネットが必要です(無料、キー不要)。--no-tts を使用すれば、ステージング作業では完全にオフラインで動作します。英語音声のみ — 音声カタログと方向性ルールについては references/10-english-voice-direction.md を参照してください。

1. トピックをリサーチする(英語)

  • 入力はトピック、タイトル、または TXT ファイルへのパス(指定された場合はそれを読む)です。
  • 執筆前に Web 検索でリサーチしてください。ナレーションで述べるすべての事実主張について、事実確認テーブル(主張 | ソースが言っていること | ソース URL)を作成 → stories/<スラッグ>/fact-check.md。
  • 噂や民間伝承に過ぎないものは、削除するか、ナレーション内で(「伝説によると…」)とマークしてください。
  • より滑らかな創作よりも、奇妙な真実の詳細を優先してください。

2. スクリプトを書き、音声を選ぶ

目安は 190〜210 ワード ≈ 60〜75 秒。以下の構造に正確に従ってください:

  1. 行 1: パラドックスフックを明白な事実として述べる。 挨拶なし、「ご存知ですか」なし。
  2. 設定と賭け金 — 主人公、場所、欲求。
  3. エスカレーション + 誰かが主人公を嘲笑する短い引用行。
  4. 転換点 / 修辞的質問。
  5. 「つまり、」+ メカニズム、日常の類推とインサートグラフィックを伴って。
  6. 最後の行のひねり。 強く締めくくる。

完全なクラフトルール:references/04-script-craft.md。スクリプトを stories/<スラッグ>/script.md に保存します。

次に、レンダリング前に音声の方向性を決めます:ジャンルに合わせて、references/10-english-voice-direction.md からプロバイダー/音声/速度を選択します(デフォルト:en-US-AndrewMultilingualNeural @ +22%;落ち着いたドキュメンタリーはより遅く読みます)。不明な場合は、フック行をクイック合成でテストします。

3. アセットを確認して構築する

  • ストーリーに必要なものをリストアップします:場所、置かれているオブジェクト、手に持つアイテム。
  • 既存のものを確認します:npx tsx scripts/locations.ts --list。構築する前に再利用します。ニアデュプリケートは決して作らず、アセットにはそれが何であるかを示す名前を付けます。
  • ストーリーボードの前に不足しているアセットを構築します — レシピは references/08-extending-assets.md(3D ロケーション / 3D オブジェクト / 2D プロップ / 2D 背景 / 衣装)。
  • 新しい 3D アセットを npx tsx scripts/locations.ts --stills --only=<名前> で検証します。

4. 同期契約付きでストーリーボードを作成する(同期ゲート)

stories/<ケバブケースのタイトル>.json を書きます。スキーマ + ID:references/09-schema-reference.md、engine/src/catalog.ts。クラフトルール:references/05-storyboard-craft.md。

ナレーションと映像の同期は必須であり、機械でチェックされます。 すべてのナレーションセグメント(ショットの say)は、その内容を視覚的に示さなければなりません:正しい場所、正しい時刻、説明されたアクションがポーズ/ビート/プロップとして、言及されたオブジェクトが画面上に、引用行が quote アクターにバインドされ、ショット間の連続性が保たれていること。ショット内のワードレベルのタイミングは beats でバインドします(at = 話された単語)。

実行可能なゲートを実行し、エラーがゼロになるまで反復します:

npx tsx scripts/qa_sync.ts stories/<ファイル>.json            # 場所/時間/アクション/オブジェクト/台詞/連続性のチェック
npx tsx scripts/qa_sync.ts stories/<ファイル>.json --map      # ショットごとの同期契約テーブルを表示
  • すべての ERROR は修正されなければなりません(ショットの world/time/pose/props を変更するか、ナレーションを言い換えます)。
  • すべての WARN をレビューします。修正するか、なぜ許容可能かを stories/<スラッグ>/sync-map.md に記録します(--map でテーブルを生成。テンプレート:templates/sync-map.md)。
  • ストーリー固有の語彙(イディオム、造語)は stories/<スラッグ>/sync-lexicon.json に格納します — テンプレートを参照。

5. 静止画ゲート(絶対にスキップしない)

npm run make -- stories/<ファイル>.json --stills        # ショットごとに 1 枚の QA 静止画 → out/<スラッグ>/stills/
python scripts/qa_stills.py out/<スラッグ>/stills       # 露出/デッドフレームゲート(失敗時に exit 1)

その後、フレーミング、顔、浮いているプロップ、可読性、一貫性についてすべての静止画を検査します — あなた自身の視覚がある場合はそれを使い、ない場合は静止画ごとに agentvision check <ファイル> と上記のピクセルゲートを使用します。クリーンになるまで修正して再実行します。このゲートを通過する前に動画をレンダリングしてはいけません。

6. レンダリング

npm run make -- stories/<ファイル>.json            # フル品質 → out/<スラッグ>/<スラッグ>.mp4
npm run make -- stories/<ファイル>.json --preview  # 不明な場合は最初にハーフサイズのドラフト

可能な場合はバックグラウンドで実行してください。無関係な重いジョブを同時に開始しないでください。ナレーションはスラッグごとにキャッシュされ、スクリプト/音声/速度が変更された場合にのみ再合成されます。

7. 検証(ffprobe + フレーム + 音声ゲート)

ffprobe -v error -select_streams v:0 -show_entries stream=width,height,r_frame_rate,codec_name -of csv=p=0 out/<スラッグ>/<スラッグ>.mp4
ffmpeg -i out/<スラッグ>/<スラッグ>.mp4 -vf fps=1/5 qa_%03d.jpg     # 動画全体からフレームを抽出
python scripts/qa_audio.py out/<スラッグ>/<スラッグ>.mp4            # ラウドネス/クリッピング/音声存在ゲート
  • 仕様:1080×1920(--preview の場合は 540×960)、30 fps、h264 + aac;長さ ≈ ナレーション + 0.6 秒。
  • フレーム:最初/中間/最後が黒でないこと。キャプションが読めること。ショットが固着していないこと。
  • 音声ゲートは PASS しなければなりません:−14 LUFS ±1.5、トゥルーピーク ≤ −1.0 dBTP、音声エネルギーが存在すること。

8. 修復ループ、そして納品

すべてのゲートを通過するまでステップ 4→7 をループします。予算:ゲートごとに最大 3 回の修復ラウンド。それでもゲートが失敗した場合は、何が残っているかを明記して納品します(既知の失敗を黙って出荷したり、納品なしで停止したりしてはいけません)。

セットとして納品します:MP4、script.md、fact-check.md、sync-map.md、ストーリー JSON、新しいライブラリアセット、そして正直な限界(検証済みの事実 vs. 脚色されたもの、どのゲートが実行され、どのようにチェックされたか)。

品質基準(交渉不可)

  • 同期: 映像はナレーションが伝える内容を正確に示す。矛盾ゼロ、デッドショットゼロ。ナレーションとアニメーションが 2 つの異なるストーリーを語る場合は、ストーリーボードを書き直す。
  • 表現力豊かなキャラクター: ビートでの反応、シルエットで読めるポーズ、シーンごとに一貫した光源ひとつ。アイドル時の動き(呼吸/まばたき/歩行)は自動 — 意図的な動きはその上に。
  • 撮影技術: シーンごとのフレーミングラダー、カメラのバラエティ(同期ゲートは同一のフレーミング+カメラショットが 3 回連続するとフラグを立てる)、ショットごとにひとつの明確な視覚的目的。
  • 音声が声と競合しない: ダッキングは自動。特定の瞬間のみ手動 sfx。オーディオゲートはラウドネスとクリッピングなしを強制。
  • 繰り返しなし、手抜きなし: フレーミング、トランジション、リアクションを変化させる。ショットあたりの fx は 2 つまで。8〜10 ショットあたりのインサートは 1 つまで。
  • AI 生成画像や動画、画像生成サービス、有料 API は一切使用しない。永久に。
  • 英語のみ — ナレーション、台詞、画面上のテキスト、キャプション。

詳細なリファレンス資料(一度にすべて読まず、各ステージで読む)

ファイルこれについて読む
references/01-animation-principles.mdモーション、イージング、アンティシペーション、セカンダリアクション — エンジンが実装する方法
references/02-character-system.mdスティックマンリグ:プロポーション、ビルド、ポーズ、顔、一貫性
references/03-scenes-camera-light.mdパララックスレイヤー、フレーミング、カメラムーブ、照明、固定パレット
references/04-script-craft.mdスクリプト構造、フック、類推、ワード予算
references/05-storyboard-craft.mdショット文法、ビート、トランジション、同期契約
references/06-sound-design.mdダッキング、自動 SFX マップ、音楽ムード、快適ルール、オーディオゲート
references/07-rendering-qa.mdすべての QA ゲート、ピクセルチェック、ffprobe、修復ループ
references/08-extending-assets.mdレシピ:3D ロケーション/オブジェクト、2D プロップ/背景、衣装、sfx
references/09-schema-reference.mdすべてのストーリー JSON フィールド、デフォルト値と制約付き
references/10-english-voice-direction.md英語音声カタログ、方向性、テンポ、オフライン時のフォールバック

関連スキル