clementsprs/ai-video-director

AIビデオディレクター

このスキルは、アイデアを完成された動画に変えます。その動画の各シーンは、実際のカメラで撮影されたように見え、登場人物は人間らしく動きます。このスキルは、数十本の制作フィルムや広告（ソーシャル広告、UGCホスト、ストーリーフィルム、プロダクトフィルム、Webサイトループ）から抽出されたメソッドと、すべてのカットをレビューした結果生まれた修正点を集約したものです。

中心となる信念：AI動画は、実際のクルーが反射的に処理するエッジで失敗する。 継続性、アイライン、動かないはずの小道具、変わらない顔、部屋の中で聞こえるような声。モデルはピクセルを作るのが得意です。あなたは監督、スクリプトスーパーバイザー、編集者になる必要があります。

参考文献（オンデマンドで読み込み）

ファイル	読み込むタイミング
references/storyboard.md	あらゆるフィルムの企画時：ショット文法、絵コンテテーブル、ビートシート
references/prompting.md	静止画または動画のプロンプト作成時（写実語彙、タイミングビート、スタイルトリガー、物理ピン、アイライン、チェイニング）
references/prompt-library.md	ショットタイプ別に実績のあるプロンプトを流用したいとき
references/models-and-costs.md	モデル選択、クレジット見積もり、プロバイダーの注意点
references/dialogue-and-voice.md	画面上の人物が話す、VO、非英語の台詞、リップシンク
references/review-qa.md	編集前のテイクレビュー、マスターのQA
references/post-production.md	編集、UI・テキストのコンポジット、キャプション、レベル調整、エンコード、プラットフォーム、ループ
references/compliance.md	生成された人物、証言、ロゴ、実在の企業、実データ

scripts/ 内のヘルパースクリプト（bash + ffmpeg、他依存関係なし）：コンタクトシート、チェイニング用最終フレーム抽出、ソーシャルマスタリング、シームレスループ書き出し。

10のルール

1. 紙で計画し、画面上でコストを払う。 ショットごとの絵コンテが完成し、カメラセットアップごとに1枚の静止画が用意され、動画の所有者が承認するまで、動画モデルには何も投入しない。静止画はわずかなコスト、動画テイクはドル単位でコストがかかる。絵コンテで悪い静止画を見つければ百単位のクレジットを節約できる。編集で悪いテイクを見つければクレジットを無駄にする。
2. 二度支払わない。 生成の前に、既存のものを探す：プロバイダーでの最近のタスク、ディスク上のクリップ、プロジェクトドキュメント内のタスクID。最初のAPI呼び出しの前に、計画のクレジット総計を見積もる。修正が編集で可能なら、編集で行う。同じショットに対して二度セッションを実行しない。
3. デフォルトは低解像度、意図的に高解像度を使う。 Bロール、タイル、PiP、およびフルブリード以下には480p（またはプロバイダーの最低ノンドラフト層）で生成する。フルブリードの顔、会話主体のストーリーフィルム、Webサイトヒーローには、1回のテストテイクの後、720p/1080pにする。ドラフト/ターボ/プレビューモードは明らかにAIに見える：プロンプトの比較に使い、納品には決して使わない。
4. 決してストック映像ではなく、率直なドキュメンタリーのように。 最大のリアリズムレバー。手持ち35mm、自然な混在光、モデルではない人々、少し乱雑なセット、ポーズを取らない、ホストが視聴者に語りかける場合を除きレンズを見ない。ストック映像の兆候を禁止する：笑顔のヘッドセットコールセンターエージェント、ガラス張りのオフィスにスーツ姿、完璧な歯、「DREAM BIG」と書かれたネオンロフト、対称的なヒーローフレーミング。
5. 長回しは多くのクリップに勝る。 ストーリービートごとに1つの連続した8〜15秒のテイクはストーリーとして読まれる。15の3秒クリップはストック映像のモンタージュとして読まれる。テイクNの最終フレームがテイクN+1の最初のフレームになるようにテイクをチェーンする。実際の編集者がカットする場所でカットする。
6. 同じ顔、同じ服、同じ世界。 キャラクターごとに1つの確定した開始静止画を用意し、その人のすべてのショットで再利用または編集する。すべてのショットペア間で、顔、髪、衣装、小道具、セットを確認する。ずれがあれば、再撮影またはカット。決して「誰も気づかない」としない。
7. 物理は指示するものであり、期待するものではない。 プロンプトが動かすと明示しない限り、物体は静止している。そして、どのように動くかを正確に指示する。人数と手の数を数える。野心的なカメラワーク（オービット、一人称視点から三人称への切り替え、ドアを通る長いドリー）は避ける：ゴースト、人物の重複、衣装変更を引き起こす。
8. すべてのアイラインには、フレーム内に対象が存在する。 聞き手がフレーム外にいる話者は、1秒以内にレンズの方を向く。会話はツーショットまたは聞き手の肩を前景に入れて撮影し、テイク全体を通して頭の向きを固定する。アイラインは後で修正できない。
9. テキスト、UI、ロゴはコンポジットするものであり、決して生成しない。 シーン内の画面は背を向けるか、読めるコンテンツを表示しない。実際のUI、キャプション、タイトル、ロゴは編集で追加し、画面上のサーフェスにトラッキングする。生成しても問題ない唯一のシーン内マークは、壁、マグカップ、ステッカーなどに画像参照として渡される、大きくシンプルなワードマークのみ。
10. 画面上の話者にはネイティブ音声、それ以外にはリアルな音声を。 口が動くキャラクターには、ビデオモデルが与えた声をそのまま残す。見える口にTTSを吹き込むと、すぐに違和感が生じる。TTSは決して姿を現さないナレーター、およびモデルの発音が悪い言語（その場合は適切にリップシンクする、dialogue-and-voice.md参照）のために使用する。声は、スタジオブースではなく、その部屋の響きを帯びているべきである。

ワークフロー

0. ツールボックスを確認する（2分、毎プロジェクト）

• どの生成プロバイダーが接続されているか（RunwayなどのMCPサーバー、またはfal/Replicate/モデルベンダーのAPIキー）？そのアカウントまたは whoami エンドポイントを呼び出す：利用可能なモデル、非推奨情報、クレジット残高。
• どの編集ツールが利用可能か：UI、キャプション、モーションデザインがある場合はRemotion（Node）; 単純なカットのみの場合はffmpeg単体。ffmpeg -version でlibass（キャプション）の有無を確認する。
• どの音声ツールか：ビデオモデルのネイティブ音声、ElevenLabsまたは別のTTS、リップシンクモデル。
• 見つけた情報をプロジェクトドキュメントの先頭に書き込む。記憶からモデルを想定しない。

1. ブリーフ

何かを消費する前に、プロジェクトフォルダに brief.md を作成する：

• 目標と配置: 広告（どのネットワーク）、オーガニックソーシャル、ウェブサイト、営業アセット。オーディエンス。
• フォーマット: アスペクト比、尺、言語、サウンドオンまたはサイレントファースト。
• ビートシート: 各ビートに1行とその長さ。最初の2秒以内にフック。広告の場合、約3秒までにブランドが見えて聞こえること。
• 誰が話し、どのような立場か: 視聴者に語りかけるホスト、シーン内のキャラクター、ナレーター、誰もいない。これがモデル選択とコンプライアンスを左右する。
• コンプライアンスチェック （references/compliance.md に従う）。

2. 絵コンテ（ゲート）

references/storyboard.md に従う。1画面につき1行：タイムコード、目的、ショットサイズ、アングル、レンズ、カメラワーク、アクション（秒単位）、アイライン、サウンド、コンポジット要素、トランジション、ソース、クレジットコスト、そしてフレーミングを示す実際の静止画1枚。ショットのバラエティが重要：ワイドリビール、続いてクローズアップ、インサート。ボードを視覚的に（HTMLページ、PDF、画像グリッド）納品し、承認を待つ。「小さなフィルム」だからといって例外は認めない。

画像予算：カメラセットアップごとに1枚の静止画。ボード上にバリエーションは不要。カード、UIインサート、エンドカードは生成せず、HTMLモックアップとしてレンダリングする。

3. ショットごとにモデルを選ぶ

references/models-and-costs.md に従う：各ショットの要件（ネイティブ音声、リップシンク会話、ショット間の同一性、開始/終了フレーム、尺、解像度）を能力にマッピングし、その要件に対してプロバイダーが推奨する最新モデルを優先し、次にターゲット解像度での秒あたりのコストが最も安いモデルを選ぶ。使用したことのないモデルは、計画に依存する前に1回安価なテストテイクを行う。モデル、解像度、秒数、ショットあたりのクレジットをブリーフに記載し、合計も記す。

4. 静止画を確定する

• 最初に references/prompting.md の写実語彙を使って各キャラクターのヒーロー静止画を生成する。次に、その静止画を編集することで（新しいアングル、新しいセット、新しいフレーミング）、他のすべてのセットアップを構築する。このとき、顔を参照として渡すことで、同一性は引き継がれ、再ロールされることはない。
• 静止画のサイズをターゲット動画に合わせる：720pxの静止画をアニメーション化してアップスケールしてもシャープにならない。フルブリードのものは、静止画の幅を最低1440pxにする。
• すべての静止画を検査する：偽のフィルムストリップ枠やスレートテキスト、「Webカメラ」フレームのデバイスベゼル、カップやノートPCの無関係なブランドロゴ、余分な指、背景にいるべきでない人物、間違ったアイライン。静止画を編集して修正する。修正には数セントかかる。悪い静止画をアニメーション化するには1テイクのコストがかかる。

5. アニメーション化

• デフォルトは確定静止画からの画像-to-動画。保持すべき同一性がない一般的なBロールにのみテキスト-to-動画を使用する。
• references/prompting.md の骨格とタイミングビートを使ってプロンプトを作成する。毎秒をカバーする。すべての小道具を固定する。すべてのアイラインに対象を与える。
• 編集用の無音Bロール：音声オフ。会話やストーリーショット：ネイティブ音声オン、プロンプトで音を説明する。テイクごとに音声は無音から再開するため、ビルドアップはすべて1テイク内に収める必要がある。
• シームレスループ：開始フレーム = 終了フレーム = 同じ静止画、「正確に開始ポーズに戻る」、カメラ固定。
• 生成は非同期。60〜120秒ごとにポーリングする。キューには数時間かかることがある。遅いタスクを再送信しない（2回支払うことになる）。

6. すべてのテイクをレビューする

references/review-qa.md に従う：1fpsのコンタクトシート、会話テイクは4fpsで顔を精査し、すべてのラインを聞き、文字起こしする。同一性のずれ、余分な人物や指、動く小道具、セットの変更、レンズを見つめる目、不明瞭なマーク、発音の間違い、同じキャラクターのテイク間での声の変化があればリジェクトする。すべてのテイクについて、判定結果とタスクIDを記録し、既に判断されたテイクを誰も再生成しないようにする。

7. 編集、音声、マスタリング

references/post-production.md に従う。UI、キャプション、モーションデザインがある場合はRemotion、単純なカットの場合はffmpeg。すべてのテキストとUIをコンポジットする。サイレントファーストプラットフォーム用にキャプションを焼き付ける。すべての納品物をマスタリングする（カラータグ、ラウドネス、faststart）。生のレンダリングはソーシャルプラットフォームで色がずれ、フィード内で音が小さく聞こえる。

8. 納品と記録

• まずレビュー用カット（1080p以下、所有者がスマートフォンで視聴できるリンク）を提出する。承認後にのみ最終マスターを作成する。
• すべての出力パスを貼り付ける。プロジェクトドキュメントに記録する：使用したタスクID、消費クレジット、バージョン、レビュアーが行ったすべての修正。
• すべての修正はルールとなる：同じ日にこのスキル（またはあなたのフォークのテイストノート）に追加し、次のフィルムで繰り返さないようにする。

フォーマット別レシピ

フォーマット	形状	主な選択
UGC / ストリートホスト広告, 9:16, 15-25秒	ホストがカメラに向かって話すネイティブ会話テイク1-2本、ffmpegでカット、キャプション焼き付け	ホストが視聴者に語りかける。偽の顧客の声は決して使わない。≤3語/秒。街頭アンビエンスベッド
ストーリーフィルム, 30-60秒	チェーンされた8-15秒テイク4-6本、会話はツーショット、意図的な黒カットは最大1回	720/1080p、ネイティブ音声、絵コンテ承認済み、各テイクに継続性ブロックをそのまま記述
フィーチャー / プロダクト広告, 15秒	フックとクローズで人物フルブリード、中央に製品UIコンポジット、パンチインズーム、ワードポップキャプション	人物タイルは480p（YouTube用にアップスケール）、実際の製品からUIを再構築
ナレーションプロダクトフィルム	生成人物なしまたは少数のBロールタイル。実際のUIアニメーション。TTSナレーター	VOラインはビートスロットの2/3以下。音楽は-18dB相対でアンダー
ポッドキャスト / ヤッパークリップ	2人の話者、1回の生成内のマルチショットまたはツーショット	ポッドキャストの美学に名前を付ける、ウィップパン、パンチラインでズームパンチ
Webサイトヒーローループ, 5-8秒	1回の固定テイク、開始=終了フレーム	≥1440px静止画、720pテイク、約400KB以下のWebM + MP4、ポスター=フレーム0
リターゲティング / カスタマーフィルム	画像参照により壁に手描きされた実際の顧客ロゴ、率直なチームシーン	公開前に顧客の書面による承認を得る

「リアルに見える」ためのクイックチェックリスト

• カメラにボディがある：手持ちの揺れ、レンズ（24/35/50/85mm）、センサー（35mmフィルム、スマートフォン、Webカメラ）
• 光に光源がある：窓、実用的なランプ、曇りの街路、木漏れ日
• 肌に質感がある：毛穴、不均一なトーン、毛羽立ち、すっぴん風
• 衣装が普通で具体的：「アンズタンのキャンバスジャケットの下に紺のパーカー」
• セットが生活感がある：カップ、ケーブル、付箋紙、観葉植物、焦点の合わない通行人
• 動作が連続的で動機付けられており、開始と終了のポーズがある
• アイラインがシーン内のどこかに向かっている
• 小道具が適切に動作する：指示がない限り静止、這ったり滑ったり変形したりしない
• 音に部屋の響きがある：室内のノイズ、交通騒音、ざわめき、マイクの特性
• 読めるものは生成されていない：画面は背を向け、テキストは編集で追加