映画風科学解説短編 · 統一制作仕様 v1

出典：『人類簡史 · 宇宙的自画像』（4K / 4'58" / 14場）および『向下 · DESCENT』（2K / 1'30" / 90秒垂直断面図）。両作品の仕様、ワークフロー、スタイル、そして踏んだ罠のすべてをここに収めています。新作はまず第0、1章を読み、その後今回関連する章を読んでください。

0. 鉄則（一つでも破るとやり直し）

音声を先に決め、映像を後で決める。ナレーションを一文ずつ生成 → 尺を計測 → 尺から各シーンのフレーム数を逆算する。決して映像を先に組んでから音声を合わせない。
ナレーションとデータは一致させること：映像内に出てくる数字、単位、桁数は、事実表と一つ一つ照合する。ナレーションで98と言ったら、映像に90と書いてはいけない。単位の間違い（例：圧力の atm ↔ t/m²）は色合わせのミスよりはるかに重大。
一つのカットにつき一つの情報：各シーンでは、主要テーマ1つと最大3つの数値情報のみ許可する。それ以上の情報はナレーションに任せる。
文字は常に可読であること：全ての文字の下には必ず背景のベタ引きがあるか、暗くすること。階層名 ≥ 30px、数値 ≥ 13px。小さな文字の不透明度は0.6以上。
ハードカット禁止：シーン間の切り替えは、ディゾルブ / 黒で一呼吸入れる / 連続した動きを用いる。同一作品内では一貫したトランジション手法のみを使用する。
無音レンダリング：Remotion内の <Audio> は常に {false && ...} でオフにし、音声はffmpegで外部から合成する（長いWAVがあるとレンダリングがaudio preprocessingで止まる）。
レンダリング前に必ず npx tsc --noEmit を実行し、エラーがない状態にすること。さもないと、大量の不良フレームがレンダリングされ、やり直しになる。
納品前の3つのチェック：全体の長さの検証、最初と最後のフレームの検証、主要トランジションの1フレーム単位での検証（各箇所3～6フレーム）。

1. 標準パイプライン（順序通りに行うこと。飛ばし不可）

script.json ──► VO生成 ──► VO後処理 ──► 尺表 ──► タイムライン
                                   │
                                   └──► BGM（numpy）──► ミックス ──► master.m4a
映像（Remotion）──► 無音レンダリング ──► ffmpeg mux ──► 納品

1.1 脚本

1作品につき1ファイル：script.json、フィールドは id / act / text / caption。
中国語ナレーションの場合、約 4.2 文字/秒。60秒の作品で約200～230文字、90秒で約300～340文字。
数字は中国語の読み方で書く（「三千六百八十八」）。そうしないとTTSが間違えて読む。映像内ではアラビア数字を使う。

1.2 ナレーション（Qwen3-TTS VoiceDesign、男性ドキュメンタリーボイス）

INSTRUCT = ("A deep, calm, authoritative male documentary narrator. Slow, deliberate, cinematic. "
            "Low register, warm, intimate, restrained emotion, close-mic. Consistent, even pacing. Mandarin Chinese.")
generate_audio(text=..., model=model, lang_code="zh", instruct=INSTRUCT,
               temperature=0.65, top_p=0.9, repetition_penalty=1.05,
               output_path="vo_raw", file_prefix=id)

モデルは mlx-community/Qwen3-TTS-12Hz-1.7B-VoiceDesign-bf16、mx.random.seed(11) で固定。
各生成後、すぐに ffprobe で尺をチェック：もしも1行が30秒を超えていたり、同じ文が繰り返されている部分があれば、TTSが劣化している証拠。削除して再生成する（seedを変更するか、repetition_penalty を1.12に上げる）。
ASRによる再チェック：mlx_whisper で書き起こし、数字や難しい漢字（水素→清、ケイ素→龟、鉄→体など）を確認する。

1.3 音声後処理（統一チェーン。各トラックで変えてはならない）

highpass=f=70,
asetrate=24000*0.912341, aresample=48000, atempo=1.096081, atempo=1.055,
equalizer=f=190:t=q:w=1.0:g=1.4, equalizer=f=3300:t=q:w=1.4:g=-1.8, equalizer=f=7200:t=q:w=1.8:g=-1.0,
acompressor=threshold=0.14:ratio=2.2:attack=10:release=200,
loudnorm=I=-20:TP=-3:LRA=7

さらに、20msのエネルギーエンベロープで先頭と末尾の無音部分をカットし、0.34秒を超えるポーズは0.34秒に圧縮。両端に12ms/50msのフェードイン/アウトを適用する。

1.4 タイムライン

frames = round(seconds * 24)；ナレーションの開始オフセット = シーンの開始フレーム + lead（通常18～24フレーム）。
各シーン：lead + vo + tail、tailは16～90フレーム（最後のカットは余裕を持つ）。
timeline.ts を生成する（自動生成。手動で編集しない）。フィールドは { id, from, dur, voAt, voDur }。

1.5 BGM（純粋なコード合成、numpy）

構造を持たせ、埋め尽くさない：タイムコードに沿って「イベント」を書く。パッド一本で通してはいけない。
和声：12～18秒ごとに変え、境界部分はクロスフェード。低音は55Hz以上の持続音のみ。
低音の轟音は避ける：視聴者は「ゴーゴーいう」「うるさい」と評する。低音は85～100Hzでカット。長音は純粋なサイン波を使用し、オクターブの倍音は加えない。
静けさ優先：BGMのレベルはナレーションの約 −20〜−27 dB。ナレーション中はさらに40～70％抑える（サイドチェイン・ダッキング）。
最終的なラウドネス：ドキュメンタリーとして −18〜−24 LUFS（−14ではない。それはストリーミング配信のポップス向け）。
チュートリアル風の「効果音」（水中に潜る音、ソナー、金属の軋む音など）はクライアントから明確に要求された場合のみ追加する。一度却下されたことがあるため、デフォルトでは使用しない。

1.6 映像（Remotion）

第2章を参照。

1.7 レンダリングと合成

npx tsc --noEmit
npx remotion render Film4K out/silent.mp4 --codec=h264 --crf=18 --concurrency=7
ffmpeg -i out/silent.mp4 -i public/audio/master.m4a \
  -map 0:v -map 1:a -c:v copy -c:a aac -b:a 320k -shortest -movflags +faststart out/final.mp4

4K = 1920×1080 レイアウト + transform: scale(2)；2K = scale(2560/1920)。レイアウトは1セットのみ記述する。
部分的な修正：該当フレーム範囲のみ再レンダリング → ffmpeg で trim/concat して3つのセグメントを結合 → -c:v copy で音声トラックのみ差し替え。映像を変更する場合は3セグメントを再エンコードして結合する（約5～10分）。

2. ビジュアルシステム

2.1 ベースレイヤー

キャンバス 1920×1080、24 fps。AbsoluteFill の背景はほぼ黒（#01050A / #010407）。純粋な黒 #000 は絶対に使わない。
3層構造：背景グラデーション → ボリューメトリックライト/パーティクル → 情報レイヤー（テキスト、深度スケール、数値表示）。
統一された仕上げ：Vignette + 静的 Grain（0.04、必ず animate={false} を設定。動的ノイズは細線をチラつかせる）。

2.2 フォント

タイトル/詩句：Songti SC（セリフ体）、文字間隔 0.4～0.6em、大きなサイズ（90～250px）。
データ/数値表示：SF Mono、8～14px、文字間隔 0.16～0.36em。
説明文：PingFang SC、14～19px、不透明度 0.55～0.7。

2.3 カラーパレット（各作品の「世界観を示す色」）

作品タイプ	上部（明るい部分）	中間部	下部（暗い部分）	アクセントカラー
宇宙 / 時間	`#050506` 背景	クリーム `#F3E7D0`	—	琥珀 `#E8B06A`
海 / 深度	`#1E7C93` 水面	`#07232E`	`#01050A`	シアン `#4FE0C0`

ルール：同一作品内ではアクセントカラーは1色のみ。生物発光や熱水などの例外は最大2色までとし、それぞれ特定の物理量に紐付ける。

2.4 パーティクルエンジン（Canvas 2D）

決定論的乱数（ハッシュ関数）。同じフレームでは常に同じ結果。クラウドタイプ：ball / filament / disk / globe-surface / sphere-shell / figure / city / helix / neuron / glyph / single / text / timeline。
2回描画：最初に大きな半径で低い不透明度のグロー、次に小さな半径で高い不透明度のコア。globalCompositeOperation = 'lighter'。
点群の境界は画面外に出すこと：makeCloud('text', n) は3×1.2のボックスになる。投影すると矩形のエッジが現れる（視聴者から最も頻繁に指摘されるバグ）。expand(cloud, kx, ky, kz) で2.4～3.2倍に拡大する。

2.5 生物と地形（SVG）

全て横向き、頭を進行方向に向ける。目、ヒレ、口のライン、のどのヒダ、フジツボなどの解剖学的ディテールを少なくとも4箇所に配置。そうしないと貼り付けたように見える。
シルエット + エッジライト（不透明度0.2～0.35）。身体に feTurbulence を重ねない（花崗岩のようになる）。
地形：複数セグメントのポリライン + 地層線 + 砕屑物 + 堆積物。三角形は使わない。山のベースラインは描かない（グラフのようになる）。
生物の出現ウィンドウは「深度/時間」に基づいて設定し、一度に3種以上出現させない。

2.6 情報レイヤー（HUD）

階層帯のネームプレート：暗いグラデーション背景（0.72→0）+ 左側2pxのアクセントカラー縦線 + 中国語 30～35px の純白テキスト。
数値表示：階層あたり2～3グループ。LABEL 8.5px / VALUE 13～14.5px。
スケールバー：目盛り線 + 現在値を太字表示。現在値はリアルタイムで計算すること、ハードコードしない（ハードコードするとインジケーターと矛盾する）。
全ての数字は単位付き。単位はスペースで区切る（1,093 atm）。

2.7 トランジション

第一選択は連続した動き（ワンカメラ、ワンカット風）：深度/時間は連続量であり、コンテンツはそれに伴って画面の出入りを行う。
第二選択は短いディゾルブ（4～6フレーム。新しいカットだけがフェードインし、古いカットは不透明なまま重なる）。輝度が落ちず、HUDのテキストも重ならない。
禁止：斜め方向のスイープ、長いクロスディゾルブ、垂直方向のプッシュ（暗いエッジが露出する）、黒フェード後のハードカット（「水中への潜入」などの物理的動機がある場合を除く）。

3. 事実とデータ

facts.md を作成する。各項目は 数字 / 単位 / 出典範囲 / 映像内での表記。
最も間違いやすい3箇所：① 単位換算（1 atm ≈ 10.3 t/m² ≈ 1.03 kgf/cm²）；② 「平均」と「極値」の混同（平均 3,688 m vs 最深 10,935 m）；③ 簡略化した表現（90種類 vs 98種類の元素）。
作品全体で一貫した精度バージョンを使用する。ナレーションと映像は同じ出典に基づくこと。

4. 納品物リスト

deliverables/
  作品名-4K-ナレーション版.mp4           # メインバージョン
  作品名-4K-音楽のみ版.mp4         # 必要な場合
  ポスター-4K.png / プレビュー-4K.png    # キーフレームの合成
  カバー/                        # 1920 PNG + 4K PNG + 1146×717 JPG
  ディレクターズノート.md                  # 構成、音声、修正履歴
  公開用コピー-Bilibili.md              # タイトル/概要/タグ/固定コメント/カバー案
  事実表.md

公開パッケージには必ず含めるもの：AI生成に関する声明、制作クレジット（モデルが何をしたか、人間が何をしたか）、「間違えやすい数字」をまとめた固定コメント。

5. トラブルシューティング（発生頻度順）

現象	根本原因	修正方法
レンダリングがaudio preprocessingで止まる	長いWAV + `<Audio>`	無音レンダリング、外部mux
パーティクル上で文字がぼやける	背景のベタ引きなし + 不透明度0.4～0.5	背景のベタ引き + 純白 + フォントサイズ拡大
規則的な矩形が画面に現れる（視聴者が最も質問する）	点群のボックスエッジが画面内に入る	`expand()` で2.4～3.2倍に拡大
細線/山のちらつき	動的なフィルムグレイン	`Grain animate={false}`
クジラ/魚が「逆さまに泳ぐ」	頭と尾が逆、目が尾側にある	横向きに再構築：頭を+x方向に
山がグラフのようになる	パスで `L ... Z` を使い水平ベースラインを閉じた	底辺を画面外に沈める
トランジションで視線が途切れる	スイープ/長いクロスディゾルブ	短いディゾルブまたは連続した動き
BGMが「ゴーゴー」いう	27～80 Hzの持続低音	85～100 Hzのハイパス、サブドローンを除去
音と映像が同期しない	映像のビートとナレーションの内容が一致しない	深度/時間曲線をナレーションの内容に合わせて再配置
TTSが1行600秒になる	モデルの劣化ループ	削除して再生成、`repetition_penalty` 1.12
4Kの修正が遅すぎる	全編再レンダリング	変更したフレーム範囲のみレンダリング + concat

6. 2つの参考作品の場所

『人類簡史 · 宇宙的自画像』：~/dsh-video-remotion/film/src/scenes/*、14場、4K、4'58"。
『向下 · DESCENT』：~/dsh-video-remotion/film/src/ocean/*、6層帯、2K、1'30"。ナレーションとBGMは ~/dsh-video-remotion/ocean/。
両作品とも src/engine/particles.tsx（パーティクル）、src/engine/atmos.tsx（Vignette/Grain）、src/theme.ts（フォント/カラーパレット/イージング）を共有。

Moosphan/cinematic-shortfilm

cinematic-shortfilm とは？

お気に入りのAIに質問する

ドキュメント