プラグインのインストール: セットアップや更新コマンドを実行する前に、このスキルが HypreFrames プラグイン内にある場合は、[/hyperframes/references/plugin-installation.md](../hyperframes/references/plugin-installation.md)にあるプラグイン実行ルールに従ってください。スタンドアロンでインストールする場合は、以下の更新手順に従ってください。
まず、このスキルを最新の状態に保ってください — ユーザーに確認してから実行:
npx hyperframes skills update talking-head-recut。すべてが最新の場合は即座に完了します。そうでない場合は、このスキルと、それが依存するコアドメインスキルを更新してから使用します。
トーキングヘッドリカット(Talking Head Recut) は何をしますか?
Talking Head Recut は、ローカル動画を完全に再生し、その上にタイミングとデザインが施された一連のグラフィックカード(タイトル、ローワーサード、データコールアウト、引用、サイドパネル、ピクチャーインピクチャー)を、発言内容に同期させて重ね合わせます。エージェントはカードのデザイン(タイミングと内容)を行い、各カードの HTML を会話内で直接記述し、単一の構成 HTML にまとめ、hyperframes を介して MP4 にレンダリングします。固定されたアーキタイプリストや所定のカード構造はなく、オーバーレイはトランスクリプトの実際の内容に基づいて生成されます。
正面玄関は
/hyperframesです。 このスキルは、既存のトーキングヘッドクリップを、デザインされたグラフィックカード(タイトル、ローワーサード、データコールアウト、引用、サイドパネル、PiP)でパッケージングします — 単なるキャプション(テキストとしての話し言葉)ではありません。クリップはそのまま再生されます。 その他の意図(単なる字幕、スタンドアロングラフィック、スクラッチからの動画作成など)や不確かな場合は、まず/hyperframesをお読みください。インテントレイヤーがすべてのルート決定を担当します。
embedded-captionsのグラフィックパッケージング版です。 キャプションは再生中の動画に_話し言葉_を読みやすい字幕として追加します。これは、動画の上に_デザインされたグラフィック_を追加します。単なる字幕 →embedded-captions。スクラッチから動画を作成する → 作成ワークフロー(product-launch-video/faceless-explainerなど)へ。
/hyperframes を経由してルーティングされると、インテントレイヤーは入力(どのクリップか)のみを確認し、レンダリング戦略に関する質問を後回しとして通知します — アスペクト比、レイアウト、スタイルグループ、カード数は、プローブされた映像とトランスクリプトが推奨を裏付けるステップ 7 に残ります。レイヤーの実行形状に関する質問は適用されません。BRIEF.md が存在する場合、確認された入力とユーザーノートが含まれているため、最初にそれを読んでください。
ワークディレクトリ内の検査可能な中間ファイル:
metadata.json— 再生時間 / 幅 / 高さ / fpsaudio.mp3— 抽出された音声transcript.json— フラットなワード配列[{ text, start, end }, …](Whisper;segmentsやwordsラッパーはありません)storyboard.json— 簡易カード概要(エージェントの計画)public/cards/card-XX.html— カードごとの HTML フラグメントpublic/index.html— 最終構成output.mp4— レンダリングされた動画
CLI リゾリューション
# hyperframes — 文字起こし(ローカル Whisper)+ 構成された HTML の MP4 へのレンダリング
npx hyperframes --help
このスキルは、hyperframes CLI とシステムの ffmpeg / ffprobe のみに依存します。文字起こしはローカルの Whisper を介して hyperframes transcribe で行われ — サードパーティサービス、API キー、レート制限付きプロキシは不要です。
ワークフロー
1. 環境チェック
npx hyperframes doctor # ffmpeg, ヘッドレスブラウザ、レンダリングの依存関係
# バンドルされたアセットを確認:
ls "<SKILL_DIR>/assets/fonts" "<SKILL_DIR>/assets/vendor/gsap.min.js"
必須:
ffmpeg/ffprobe(システム)<SKILL_DIR>/assets/fonts/*.woff2、<SKILL_DIR>/assets/vendor/gsap.min.js(このスキル内にバンドルされ、ステップ 9 でワークディレクトリにステージングされます)
文字起こしにキーは不要 — hyperframes transcribe は Whisper をローカルで実行します(ステップ 4)。
macOS で hyperframes render に強く推奨:
export PRODUCER_BROWSER_GPU_MODE=hardware
2. ワークディレクトリを作成する
すべてのアーティファクトは videos/<project-name>/ 以下に配置されます — これは他の動画ワークフロー(product-launch-video / faceless-explainer / pr-to-video)と同じ規則です。カレントワーキングディレクトリ(cwd)をワークスペースルートに保ちます。以下のすべては、この 1 つのサブディレクトリ以下に書き込まれます。
VIDEO_PATH="/絶対パス/input.mp4"
WORK_DIR="videos/$(basename "$VIDEO_PATH" | sed 's/\.[^.]*$//')"
mkdir -p "$WORK_DIR"
3. 音声とメタデータを抽出する
# メタデータ — 再生時間 / 幅 / 高さ / fps
ffprobe -v error -select_streams v:0 \
-show_entries stream=width,height,r_frame_rate \
-show_entries format=duration -of json "$VIDEO_PATH" > "$WORK_DIR/metadata.json"
# 音声
ffmpeg -y -i "$VIDEO_PATH" -vn -acodec libmp3lame -q:a 2 "$WORK_DIR/audio.mp3"
出力: metadata.json(width/height/duration を読み取ります。fps は r_frame_rate の分数を評価した値です(例:30000/1001 → 29.97))+ audio.mp3。
4. 文字起こし
npx hyperframes transcribe "$WORK_DIR/audio.mp3" -d "$WORK_DIR" --json --model small.en
ローカル Whisper — API キー、プロキシ、レート制限なし。ワークディレクトリにワードレベルの transcript.json を書き込みます(単語の text + start / end タイムスタンプ)。これを読み取って、ステップ 6 でカードのタイミングを決定する単語/文のタイミングを取得します。句読点やポーズで自分で単語を文にグループ化して、セグメントレベルのチャンクが必要な場合に使用します。
メディアの再生時間にクランプする。 Whisper は最後の単語の end を実際のクリップ長よりもわずかに超えて返す可能性があります。すべてのカードの endSec と composition.durationSeconds を metadata.json の再生時間にクランプしないと、レンダリングで動画終了後に黒いテールが表示されます。
5. トランスクリプトを修正する
transcript.json は、ワードオブジェクトのフラットな配列です — [{ "text": "...", "start": s, "end": s }, …](segments 配列や words ラッパーはなく、単語ごとのキーは text です)。これを読み取り、明らかな ASR エラーを修正します:
- 同音異義語、製品名、専門用語、句読点
- 単語の
textをその場で編集します。start/endのタイムスタンプは保持します - 事前にグループ化された
segments配列はありません — カードのタイミングにセグメントレベルのチャンクが必要な場合は、自分で単語を文にグループ化します(終止符/ポーズで分割)
6. 軽量なストーリーボードをドラフトする(チャットで)
CLI は関与しません。 transcript.json + metadata.json を読み取り、カードを直接デザインします。storyboard.json はエージェント内部の計画アーティファクトです — これを消費する CLI コマンドはなく、各カードの HTML を記述する前にタイミングと内容について明確に考えるために存在します。以下の例と一貫した形状を保ち、同じ概要がステップ 9 で作成する構成を駆動できるようにします:
{
"schemaVersion": 3,
"composition": {
"fps": 30,
"width": 1080,
"height": 1920,
"durationSeconds": 121.2,
"layout": "portrait",
"themeId": "noir",
"seed": 42
},
"videoTrack": {
"sourcePath": "input-video.mp4",
"startSec": 0,
"endSec": 121.2,
"bounds": { "x": 0, "y": 0, "width": 1080, "height": 1920 }
},
"subtitles": { "enabled": false },
"cards": [
{
"id": "card-01",
"intent": "話者の深夜の不安な質問でフックする",
"startSec": 0.5,
"endSec": 13.0,
"accentIndex": 0,
"zone": "fullscreen",
"contentHints": {
"kicker": "正直な質問",
"title": "午後11時に行う魂の探求",
"detail": "クライアントからの60秒の音声メッセージ: 「人民元が値上がりしたら、私の米ドル保険はひどい損失になるということですか?」"
}
}
]
}
必須カードフィールド:
| フィールド | タイプ | 目的 |
|---|---|---|
id | string | カード HTML および GSAP セレクタで使用される安定した ID |
intent | string | 自然言語での説明; カード合成に供給される |
startSec / endSec | number | 秒単位の時刻(endSec > startSec) |
accentIndex | 0 | 1 | 2 | 3 | 4 | このカードが使用する5つのテーマアクセントカラーのうちの1つ |
zone | enum(以下参照) | キャンバス上のカードの位置 |
contentHints | object | 自由形式のバッグ; エージェントがキッカー/タイトル/詳細/データ/引用をここに配置する |
archetype(オプション) | string | 自由形式のラベル; カードのパターンを記憶するために付けることができます。ない場合は自由形式がデフォルトです。 |
transition(オプション) | enum: cut | fade | slide | wipe | 宣言的なカード間トランジション |
5つの zone 値:
| zone | 解決された境界 | 使用タイミング |
|---|---|---|
fullscreen | キャンバス全体をカバー | ヒーローモーメント、大きな数字、マントラ |
whiteboard-area | 40px のマージン(またはポートレート高さの45%) | 密集したデータ/注釈コンテンツ |
lower-third | 下部30%の帯 | 表示中の動画上の注釈 |
side-panel | 右42%(ランドスケープ)または下部40%(ポートレート) | データ側、動画反対側 |
video-overlay | キャンバス全体。ほぼ透明なカードを想定 | フルブリード動画上の注釈オーバーレイ |
ステップ 9 で構成を組み立てる際には、各カードの zone を上の表に従ってカードホストラッパーのピクセル境界に解決します。動画の境界はコンポジションレベルで1回だけ設定されます(videoTrack.bounds)。動画がカード間で「移動」しているように見せたい場合は、構成の <script> 内で #video-wrap に対して GSAP トゥイーンを作成します(ステップ 9 参照)。
所定のカードの役割や、所定のナラティブアークはありません。 カードは動画が実際に言っていることから生まれます — すべて引用またはすべてデータの場合もあれば、数字やストーリーで始まる場合もあります。トランスクリプトにリズムを決定させてください。
重要なポイントはいくつにするか? — 再生時間と密度から自動推論。 固定の上限はありません。動画の再生時間から基本ペースを選び、次に情報密度で調整します。下限のみ固定: 最小5枚のカード — これにより、短い動画でもリズムが生まれます。
ステップ 1 — 再生時間による基本ペース(中程度の密度の場合の自然な秒数/カード):
| 動画の再生時間 | 基本ペース(カードあたりの秒数) | 根拠 |
|---|---|---|
| < 60秒(ショートリール) | 6–8秒 | 視聴者はショートフォームで高速カットを期待する |
| 60秒 – 3分 | 8–12秒 | 通常のソーシャルペース |
| 3 – 10分 | 12–20秒 | 息継ぎの時間を与える; 各カードがより多くの情報を運ぶ |
| 10 – 30分 | 20–35秒 | 長尺の講義/インタビューのリズム |
| > 30分 | 30–60秒 | エピソード的で、章のような感覚 |
ステップ 2 — 密度乗数(基本ペースを乗算):
| トランスクリプト内のシグナル | 乗数 | 効果 |
|---|---|---|
| 高密度 — 多くの数字、明確な主張、スタッカート調のペース、列挙的な列挙、1〜2文ごとに新しいアイデア | × 0.7 | より速くカット、より多くのカード |
| 中密度 — データとナラティブが混在したフロー | × 1.0 | 基本ペース |
| 低密度 — 1つの拡張されたストーリー、繰り返されるリフレーミング、ゆっくりとした内省的なペース、1つの議論が展開 | × 1.5 | より遅くカット、より少ないカード |
ステップ 3 — 計算:
secPerCard = basePace × densityMultiplier
cardCount = max(5, round(videoDurationSec / secPerCard))
例(注意 — 上限はありません。長い動画は当然より多くのカードを生成します):
- 30秒のリール、1つのオチ(低密度) → 7 × 1.5 = 10.5秒/カード → round(30/10.5)=3 → 下限 5 カード
- 60秒の内省的なモノローグ(低密度) → 10 × 1.5 = 15秒/カード → 4 → 下限 5 カード
- 121秒のトーキングヘッド、豊富なデータ(高密度) → 10 × 0.7 = 7秒/カード → 17 カード
- 5分のインタビュー、混合密度 → 16 × 1.0 = 16秒/カード → 19 カード
- 10分のディープダイブ、高密度 → 16 × 0.7 = 11秒/カード → 55 カード
- 30分の講義、中密度 → 28 × 1.0 = 28秒/カード → 64 カード
- 1時間のポッドキャスト、低密度 → 45 × 1.5 = 67.5秒/カード → 53 カード
カードが約15秒以上保持される場合は、よりリッチなカード(データブロック、マルチステップリビール、段階的なアニメーションで展開するいくつかのサブポイント)を計画してください — 静的なワンライナーは8秒を過ぎると退屈になります。多くのカードが30秒を超える長い作品の場合は、タイムラインをサブコンポジション(data-composition-src でマウントされた、チャプターごとに1つの .html)にチャンク化することを検討してください。これにより、ファイルごとの GSAP タイムラインが管理しやすくなります — HyperFrames の lint 警告 timeline_track_too_dense を参照してください。
contentHints は自由形式のオブジェクトです。そのキーとネストは、データをキャプチャするために任意の形状をとることができます。エージェントがカードごとに形状を決定します。
オプションのアウトロ。 このスキルには固定のブランドアウトロは付属していません。ユーザーがクロージングカードを希望する場合は、自分でニュートラルなもの(ワードマーク + 1行のタグライン、約1.5〜2秒、フェードイン → 短いホールド → フェードアウト)をデザインし、それを cards[] に追加し、composition.durationSeconds を対応する値まで延長してください。