Video Motion — チャット経由で音声付き動画を作る標準ワークフロー
統合ワークフロー。3つのソースにはそれぞれ役割があり、プロジェクトごとにすべてを読む必要はなく、フェーズに応じて呼び出します。
| フェーズ | ルールソース | スキル |
|---|---|---|
| ブリーフ、スタイル、脚本、VO、チャット経由の作業順序 | motion-format | skill_view('motion-format') |
| デザイン&映像の法則(動画≠スライド、決定論的、スタイルはテーマから、落とし穴) | bang-motion | skill_view('bang-motion') |
| 技術的レンダリングパイプライン(whisper、SFX、CDPフレーム、監査、安全な字幕) | html-motion-pipeline | skill_view('html-motion-pipeline') |
どのスキルをいつ使うか
- 具体的なスタイルにレシピがある場合(アイソメトリック、セルアニメ調、3D歴史、製品プロモーションなど)
→ motion-format (
mf.py) + スタイルレシピを使用。 - フラットモーション2D解説図 / リレー図 / テック解説(Function Calling動画など) → html-motion-pipeline(GSAPアーキテクチャ + CDPレンダリング)を使用し、bang-motionのデザイン法則に従います。
- プロモーション/オープナー/バンパー/キネティックタイポグラフィ → bang-motionを法則・アーキテクチャのソースとして使用。
ここから開始 — シーケンスゲートウェイ(スキップ禁止)
動画タスクのHTML、脚本、VOを一行も書く前に以下を実行します。
0. まず USER.md と style-reference/STYLE.md(このスキルのフォルダ)を読んでください —
USER.md = Hasbiの好みと標準(すでに書かれていることは再度質問しないこと);
STYLE.md = ゴールデンビジュアルスタイル + 参照フレーム。style-reference/内のフレームを
vision_analyzeしてからHTMLを書き始めることで、目標とするビジュアルを見て、説明から想像するだけではないようにします。これらのファイルは、ワークフローに触れずに更新しやすいよう、意図的にSOPから分離されています。
- まず
skill_view('video-motion')— 次に、フェーズに応じたサブスキル(上の表)。 - トピックに事実/実際の内容が必要な場合は、まずリサーチを行います(教育トピック、「Xの方法」、比較、ニュースなど):本物のソース(
web_search/web_extract)から重要なポイントと強力なフックを収集してから脚本を構成します — 記憶から内容を捏造しないでください。角度の選び方とバリエーションについてはreferences/topik-riset.mdを参照。 - 作業順序はユーザーに従い、上のフェーズ表には従いません。 ドキュメントのデフォルト順序は ブリーフ→スタイル→脚本 ですが、Hasbiユーザーは意図的にこれを逆にすることがよくあります:トピックリサーチ → トピック選択 → 脚本 → その後にスタイルのブリーフ。 ユーザーが「トピック/脚本から始めて、その後ブリーフ」と言った場合は、それに従ってください — トピックが合意される前にスタイルを提案したり、スクリプト草案を見せたりしないでください。各フェーズはユーザーの承認(オプションから1つ選択)を得てから次に進みます。
- シーン1のビジュアルテスト + 承認を先に行い、その後VOと残りのシーンに進みます。 シーン1がユーザーに承認される前に、動画全体(全シーン + MP4レンダリング)を構築しないでください。
- 以前のプロジェクトの負荷を持ち越さないでください。 各動画 = 新しいフォルダとクリーンなブリーフから開始;ユーザーは「以前のプロジェクトは忘れて、最初からリサーチして」と頻繁に要求します。
高コストな落とし穴: サブスキルを読まずに記憶/直感で構築すると、スライドデッキになります — 各シーンがフェードイン/アウトする <section> になります。これは法則#1に違反し、フルレンダリング(約9分)するまで「めちゃくちゃ」だと気づきません。まずbang-motionを読み、index.fc-reference.html から始め、ゼロから書かないでください。
SOP ポジショニング&ワークフロー(セッション間の一貫性のための標準)
ソース:プロジェクト #11「従業員のいない会社」(7シーン、55.8秒)は、レイアウト修正が一度もなく完了しました。これが初回からきれいに仕上がる正しい方法です。順序を正確に守ってください — 一つのステップを飛ばすと、レンダリング全体をやり直すことになります。
フェーズA — 準備(HTMLに触れる前)
- 最初にVO、ビジュアルは後。 ユーザーがVOファイルを送信したら、すぐに処理:
(loudnormは必須 — Whisperの幻覚を防ぐため)。ffmpeg -i vo_raw.mp3 -af loudnorm=I=-16:TP=-1.5:LRA=11 -ar 16000 -ac 1 vo_norm.wav - 単語単位の文字起こし(モデル
small、language="id"、word_timestamps=True、vad_filter=True、temperature=0、beam_size=5、int8)。soundfile→numpyを介して手動デコード (avのバグを回避)。結果:vo_words.json= すべてのタイミングの真実の源泉。 - タイムスタンプからシーンの境界をマッピング、脚本からではありません。実例:
VO #11は8シーンに分割 →
0/7.7/16.3/22.4/29.1/36.4/41.6。各シーンの開始 = そのシーンの最初の文の最初の単語のstart。ビジュアルは、フレーズが発声された瞬間に正確に表示されます。
フェーズB — ポジショニング(きれいさの鍵)
きれいさ = グリッドの規律 + 各シーンに一つの焦点。具体的なルール(#11からの証拠):
- 役割ごとに一つの垂直ゾーン。 1080×1920の場合:キッカー/タイトルは上部バンド(y≈300)、 メインビジュアルは中央バンド(y 560–1250)、シーン終わりのキャプションは下部バンド(y≈1330)、 字幕は常に y≈1460。バンドをまたいで役割を混在させない。
- ノード/カラムは対称、左–中央–右を使用:
left:250/540/830px(中央は540)。 中央はtopが端より少し高いと構図が生きるが、3つの水平距離は同じ。 - カードのバランス(A-vs-B比較):両方のカードで
width、top、パディングは同じ; 異なるのは内容のみ。片方を太らせ、もう片方を細くしない。 - 字幕は
#worldの外(#stageの子、#worldではない)に配置し、カメラの影響を受けないようにする。 - 推測するな、計測しろ。 すべてのテキストは
audit_overlap(0のオーバーラップ)およびaudit_center(中央からの偏差 <250px)を合格しなければならない。バウンディングボックスを使用し、目視ではない。
フェーズC — アニメーション(「生きているが落ち着いている」の鍵)
- 完全に決定論的。 すべて =
tの純粋な関数。Math.random()はゼロ。 アンビエント(マトリックスレイン、パーティクル)はシード付きRNG(mulberry32(seed))を使用し、 毎回のレンダリングが同一になるようにする。 - rAF = レンダリングの敵。
window.requestAnimationFrameをpage.evaluateOnNewDocument(()=>{window.requestAnimationFrame=()=>0;})で無効にし、gotoの前に実行 — そうしないと、autoplayループが__seekを上書きしてフレームがランダムになる。 (パターン:rAFはブラウザプレビュー専用、ヘッドレスレンダリングでは使用しない。) - フレーズとの同期。 すべてのビジュアルビートは
vo_words.jsonの単語のタイムスタンプを トゥイーンのアンカーとして使用(例:RISETノードは「riset」という単語のstartに出現)。 - 継続的な動き: シーンごとの滑らかな垂直カメラドリフト(
y:-55→0)、 リングの脈動(scale 1↔1.06 yoyo)、カウンターの上昇、コインの雨。すべてが 動作の平均差分しきい値を通過(Gotcha #12)。 - フックはセット、フェードインではない。 フレーム0 = TikTokサムネイル → テキストフックは
t=0ですでに完全に表示(
tl.setを使用し、fromToopacity 0は使わない)。最初のフレームを空にしてはいけない。
フェーズD — フルレンダリング前の検証
node snap.mjs→ 15以上のキーフレームをキャプチャ → visionで確認(DOM監査だけでなく)。 スナップショットファイル名 = 秒、シーンインデックスではない(snap_00003= t≈0.3秒、シーン3ではない)。 visionで評価する前に、監査ポイントを正しいシーン番号にマッピング — 「六角形シーン」のフックフレームをチェックすると空で通過し、 そのシーンがすでに正しいと誤って確信する可能性がある。- スナップでもrAFを無効化(レンダリングと同じ)→ スナップショットが決定論的になる。
- シーンごとに確認:テキストが切れていないか?オーバーラップしていないか?過剰な空白はないか?アイコンは読み取れるか?
- その後でフルレンダリング(最初は
--sampai 3でテストし、その後フル + resumeでOOM防止)。 - 再テーマ(暗↔明)の落とし穴:背景は、メインカラーを変更しても暗いままになる可能性がある。
動画のテーマを明るい/暗いに変更した後、GLOBALな色変更(body背景、テキスト)は、個別に書かれた
シーンごとのグラデーション背景(例:
#sc7 .bg{background:linear-gradient(180deg,#0a2a3a…)})や CTA要素の暗い影を変更しない — そのシーンは「すべて変更した」と思っていてもMP4では暗いまま。 修正: 再テーマ後、grepでhtml内の各シーンのグラデーションパターンと背景色を検索(grep -nE "gradient|#0[0-9a-f]{5}" index.html)し、 各シーンが確実に変更されていることを確認する。目ではなくピクセルで客観的に検証: MP4から各シーンのフレームを抽出し、 背景領域の明るさを測定(np.array(Image.open(f).convert('RGB'))[:80,:80].mean();>180 = 明るい、<100 = まだ暗い)。 値は1フレームではなくシーンごとに評価。これは、デスクトップセッションでタイムアウトしたり画像の読み込みを拒否したりすることが多いvision_analyzeよりも信頼性が高い。
セッション間の一貫性を見越して: この方法が機能する理由は、(a) VOがビジュアルの前に処理され、(b) ポジショニングが 感覚ではなくグリッドに基づき、(c) 決定論的でrAFがオフになっているためです。 フェーズA→Dに正確に従ったセッションは、プロジェクト#11と同等のきれいさを達成します。
標準ワークフロー(適応性 — 関連する部分を使用)
- 5つの質問によるブリーフ(motion-format):何を、トピック+素材、誰に向けて、尺、アスペクト比+字幕。 最大1回質問し、残りはデフォルト。
- スタイル — ユーザーが指定したらすぐにそれを使用;まだなら → 3つ+1つのおすすめを提案。
gaya.mdを書く(16進数カラーパレット+ソース、フォント、背景、モーションの特徴、1つの差別化ポイント)。 背景のデフォルトは暗くない。 スタイルはテーマ/ブランドから派生し、スターター/参考からではない。 - シーン1のテスト画像(約8秒、最終品質)→ キャプチャ → 表示 → ユーザーが承認。
- シーンごとの脚本 →
naskah.md。またはユーザーが自分で録音する場合:VOファイルを依頼。 チャットで表示するときの脚本フォーマット = 段落、表ではない。 Hasbiユーザーは脚本を 流れるようなストーリー(段落ごとの散文)として読みたいのであり、# | ビジュアル | VO | 秒の表ではない。 内部設計図としてnaskah.mdに表を書く(ビート→ビジュアルをマッピングするため、Gotcha #18参照)、 しかしユーザーに承認のために表示するのは段落バージョン。Hasbiの動画脚本には必ずTelegramグループの宣伝を入れる (グループdiskusitentangai、VOテキスト内のCTA + エンドスクリーンにグループロゴ)— CTAを 脚本自体にVOの締めくくりの文として入れ、単なる最後のビジュアルにしてはいけない。 - VO + タイミング
- ユーザーが自分で録音(ElevenLabsなど):ファイルを処理。単語単位の文字起こし + タイムスタンプ をfaster-whisper(パイプライン)経由で取得。速すぎる → テンポバリエーションを提案(0.75/0.90/0.97)、1つ選択。
- ElevenLabs API経由:シーンごとのクリップ、最初にシーン1をテスト。許可なくクレジットを消費しない。
- 文の同期は呼吸の間隙(
silencedetect)を使用。
- 全シーンを構築 — シーン時間はVO時間に従う。2~3シーン構築 → キャプチャ → 修正 → 繰り返し。最も弱いシーンに「さらに詳細」を追加。JSエラーはゼロ。
- レンダリング前のレイアウト監査(必須、パイプライン参照):0オーバーフロー、要素の衝突なし、
字幕は下部UIゾーン(Reels/TikTok ≈360px)から安全。さらに空フレームゼロ —
各シーンの開始フレーム(t0..t0+0.5)をチェック:コンテンツ要素(字幕以外)は必ず opacity>0。
衝突/オーバーフローのみをチェックするDOM監査ではこれを捕捉できない(Gotcha #6参照)。
7b. 納品前の動作監査(必須、レイアウト監査とは別)。 レイアウト監査と「空フレーム」監査は
コンテンツが存在することのみを証明し、動画が動いていることは証明しない —
静止動画(死んだスライドデッキ)は両方を通過し、ユーザーの目には完全に失敗する。
実際の動きを測定:一つのシーンの途中(シーンをまたがない、例:t と t+0.4)から
MP4の2フレームを抽出 → 平均絶対ピクセル差
mean(|A-B|)を計算。 平均差 < 1.0 = そのシーンは静止、却下。 すべてのシーンが合格しなければならない — コンテンツがあることとフレーム間で動きがあることは別々のゲートであり、一方を通過しても他方を通過したことにはならない(Gotcha #12参照)。 - レンダリング:約8秒を確認 → ユーザーが聞く/見る → フルレンダリング → MP4。
必須の法則(bang-motion + motion-formatからの要約)
- 動画であって、スライドではない。 カメラ/ワールドは動く;シーンはワールドが動くことで移り変わり、
<section>がフェードすることで移り変わるのではない。一つの主題/ビジュアルの赤い糸が持続する。 - 決定論的。 すべてのビジュアル =
t/tl.time()の純粋な関数。Math.random()は 真に必要でなければゼロ、Date、performance.nowもゼロ。 - スタイルはテーマから派生し、スターター/参考からではない。 参考はリズムであって、外見ではない。
2つの異なる動画は、パレット、フォント、背景、モーションの特徴のうち少なくとも3つが異なる。
シリーズ(パート1、2、…)は除く:一貫性必須。
- 以前の動画のレイアウトを複製しないでください。 パレットとフォントを変更し、同じ
<上部のタイトル> + <小さな画像> + <下部のカード>構造を使用すると、ユーザーには 「非常に似ている」と映ります — 色が違うだけではデザインが違うことになりません。新しい動画(シリーズではない)を 始めるときは、各シーンの構成を再構築し、テンプレートの色を変えるだけにしないでください。 - 各シーンに中央バンドに一つの大きな焦点(一つのヒーロー)を置き、重なり合う要素は排除します。 ユーザーは雑然とした/重なったレイアウトを拒否します。ヒーローを中央エリアに配置し、残りは下部/端に 補助として配置 — 同じ大きさの2~3ブロックを隣接させないでください。
- 以前の動画のレイアウトを複製しないでください。 パレットとフォントを変更し、同じ
- テキストは生き生きと、背景は控えめに。 文頭のみ大文字;意味やリズムを変える場合のみ句読点を使用;
強いコントラスト;背景はフラットな単色ではない。
- テキストをフレームに密着させないでください。 大きなフォント(≥56px)で幅広テキスト(
width:100%+text-align:center)は 左右の端に触れたりくっついたりする可能性があります。ユーザーはこれを拒否します(「めっちゃフレームに密着してる」)。 大きな一行テキストには、左右に最低50pxのパディングを付けるか、width:100%をleft:50px; right:50pxに変更してください。 DOMで検証:テキストのバウンディングボックスはキャンバスの左と右から少なくとも40pxの距離が必要。
- テキストをフレームに密着させないでください。 大きなフォント(≥56px)で幅広テキスト(
- フックはフレーム0から動く。 重要な瞬間には約2.5秒の時間を割り当てる。
- 9:16の場合は単語単位の字幕;キーワードはアクセントカラー;安全ゾーン内に配置。
- 画面上の事実 = 脚本内の事実。 数字を捏造しない。
- 接続線(ノード図):SVGはシーンの最下層、アンカーは端から端(ロゴの中心ではない)、 滑らかな曲線 — 決してアイコンやテキストを貫通しない。
- IDロゴ = ユーザー/ブランドの実際のアセット(必要に応じてWebから取得)、一般的な絵文字ではない。
検証(あなたは動画を視聴できない — フレームのみを見ることができる)
snap.mjs(パイプライン)/mf.py potret(motion-format)でキーフレームをキャプチャ。- コンタクトシートを整理 → 評価:テキストが切れている?重なっている?線が貫通している?まだスライド?
- フルレンダリング前にDOM経由でレイアウト監査(
getBoundingClientRect)。 - MP4は最終エクスポート時のみ — 確認ツールではない。
- ピクセル分析による「空フレーム」監査(visionバックエンドがダウンしている場合に信頼性あり):
MP4から0.25秒ごとにフレームを抽出し、シーンゾーン(y 200–1300)の暗いピクセル(lum<100)の割合を計算。
フレームの<0.5% = シーンがほぼ空。各シーンの「最小」フレームがちょうど
t0にある場合 → シーン開始時に空白の間隙がある(Gotcha #6)。DOM経由でも可能:各シーンのt0とt0+0.1で、 opacity>0の非字幕要素をカウント。
納品
index.html/scene.htmlはブラウザで開ける(ファイル経由またはローカルサーバー)。gaya.md= この動画のスタイルリファレンス。naskah.md= 脚本。vo_words.json= 単語単位のタイムスタンプ。*.mp4= 最終動画ファイル。
参考
references/:topik-riset.md— トピックリサーチのベストプラクティス。mf-scene-components.md— motion-formatのシーンコンポーネントリファレンス。detik-kosong.md— 空フレームの詳細な説明。gotcha-*.md— 一般的な落とし穴の詳細。
style-reference/:STYLE.md— ゴールデンビジュアルスタイル。- 参照フレーム(画像)。
- (その他のサブスキル:
motion-format、bang-motion、html-motion-pipelineをskill_view()で参照。)