プラグインインストール: セットアップまたは更新コマンドの前に、このスキルが HyperFrames プラグイン内にある場合は、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、以下の更新手順を参照してください。
まず、このスキルを最新の状態に保つ — 実行前にユーザーに確認すること:
npx hyperframes skills update talking-head-recut。すべてが最新の場合は何も行わない高速な操作です。それ以外の場合は、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。
Talking Head Recut
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を合わせたデザイン済みのグラフィックカードのシーケンスを重ねます — 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など、発言に同期させます。エージェントはカードを(タイミングと内容を)デザインし、各カードの HTML を会話内で直接記述し、単一の合成 HTML にまとめて、hyperframes 経由で MP4 にレンダリングします。固定のアーキタイプリストや、規定のカード構造はありません — オーバーレイはトランスクリプトが実際に言っていることから生成されます。
入り口は
/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)でパッケージするものです — プレーンなキャプション(言葉をテキストにしたもの)ではありません。クリップはそのまま再生されます。 他の意図 — プレーンな字幕、スタンドアロングラフィック、ゼロからの動画作成 — または不明な場合は、/hyperframesを最初に読んでください:インテントレイヤーがすべてのルートを決定します。
embedded-captionsのグラフィックパッケージ版です。 キャプションは 発言 を読める字幕として追加しますが、これは再生中の動画の上に デザインされたグラフィック を追加します。プレーンな字幕 →embedded-captions。ゼロから動画を作成 → 作成ワークフロー(product-launch-video/faceless-explainer/ …)。
/hyperframes 経由でルーティングされる場合、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は後回しの問い合わせとして通知します — アスペクト比、レイアウト、スタイルグループ、カード数は Step 7 まで保留され、そこでは調査した映像とトランスクリプトが推奨事項の基礎となります。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。
作業ディレクトリ内の検査可能な中間ファイル:
metadata.json— 長さ / 幅 / 高さ / fpsaudio.mp3— 抽出された音声transcript.json— フラットな 単語配列[{ text, start, end }, …](Whisper;segmentsやwordsラッパーはなし)storyboard.json— 軽量なカード概要(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— 最終的な合成 HTMLoutput.mp4— レンダリングされた動画
CLI 解決
# hyperframes — 文字起こし(ローカル Whisper) + アセンブルされた 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 だけで完全に動作します。文字起こしは hyperframes transcribe によるローカル Whisper です — サードパーティサービス、API キー、レート制限のあるプロキシは不要です。
ワークフロー
1. 環境確認
npx hyperframes doctor # ffmpeg, ヘッドレスブラウザ, レンダリング依存関係
# 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"
必要条件:
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、Step 9 で作業ディレクトリにステージングされます)
文字起こしにはキーは不要です — hyperframes transcribe は Whisper をローカルで実行します(Step 4)。
hyperframes render のために macOS で強く推奨:
export PRODUCER_BROWSER_GPU_MODE=hardware
2. 作業ディレクトリの作成
すべてのアーティファクトは videos/<project-name>/ の下に配置されます — 他のビデオワークフロー(product-launch-video / faceless-explainer / pr-to-video)と同じ規則です。cwd はワークスペースルートに保ちます。以下のすべての書き込みは、この1つのサブディレクトリの下で行われます。
VIDEO_PATH="/絶対パス/input.mp4"
WORK_DIR="videos/$(basename "$VIDEO_PATH" | sed 's/\.[^.]*$//')"
mkdir -p "$WORK_DIR"
3. 音声とメタデータの抽出
# メタデータ — 長さ / 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 を読み取る; fps = 評価された r_frame_rate 分数、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 キー不要、プロキシ不要、レート制限なし。作業ディレクトリに単語レベルの transcript.json を書き込みます(単語 text + start / end タイムスタンプ)。Step 6 でカードのタイミングを決定するための単語 / 文のタイミングを読み取ります。必要に応じて、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を取得します。
メディアの長さにクランプすること。 Whisper は最後の単語の end が実際のクリップ長よりわずかに後ろになることがあります — すべてのカードの endSec と composition.durationSeconds を metadata.json の duration にクランプしないと、レンダリング時に動画の後に黒いテールが表示されます。
5. トランスクリプトの修正
transcript.json は 単語オブジェクトのフラット配列 です — [{ "text": "...", "start": s, "end": s }, …](segments 配列や words ラッパーはなし。単語ごとのキーは text)。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、技術用語、句読点
- 単語の
textをその場で編集;start/endタイムスタンプは保持 - 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てください(終止符やポーズで分割)
6. 軽量なストーリーボードの作成(チャット内)
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 — それを消費する CLI コマンドはありません。これは、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 Step 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時の魂の問いかけ",
"detail": "クライアントの60秒のボイスメッセージ: '人民元が上昇したら、私の米ドル保険は大損ってことですか?'"
}
}
]
}
必須のカードフィールド:
| フィールド | 種類 | 目的 |
|---|---|---|
id | string | カード HTML と 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ます |
startSec / endSec | number | 秒単位の時間(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どれか |
zone | 列挙型(下記参照) | キャンバス上のカードの位置 |
contentHints | オブジェクト | 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/引用をここに配置します |
archetype (オプション) | string | カードのパターンを覚えておくために付ける自由形式のラベル。なし = 自由形式(デフォルト) |
transition (オプション) | 列挙型: 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 | 解決された境界線 | 使用するタイミング |
|---|---|---|
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 マージン(またはポートレート高さの45%)でインセット | 密度の高いデータ / 注釈付きコンテンツ |
lower-third | 下部30%の帯領域 | 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、動画は反対側 |
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 |
Step 9 でコンポジションを組み立てるとき、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一度だけ設定されます(videoTrack.bounds); 動画がカード間で「移動」しているように見せるには、コンポジションの <script> 内で #video-wrap に対する GSAP トゥイーンを作成します(Step 9 参照)。
規定されたカードの役割はなく、規定されたナラティブアークもありません。 カードは動画が実際に言っていることから現れます — すべて引用やデータになることも、数字で始まってもストーリーで始まってもかまいません。トランスクリプトがリズムを決定するようにしましょう。
テイクアウトの数は? — 長さと密度から自動推定。 固定された上限はありません。動画の長さから基本ペースを選択し、次に情報密度で調整します。唯一の下限は固定: 最低5枚のカードなので、短い動画でもリズムがあります。
Step 1 — 長さによる基本ペース(中程度の密度の場合の自然な秒/カード):
| 動画の長さ | 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 | 視聴者は短尺で素早いカットを期待する |
| 60秒 – 3分 | 8–12秒 | 通常のソーシャルペース |
| 3 – 10分 | 12–20秒 | 余裕を持たせる; 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、ほぼチャプターのような感覚 |
Step 2 — 密度乗数(基本ペースに乗算):
| 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、リストのような列挙、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 |
| 中程度の密度 — データとナラティブが混在した流れ | × 1.0 | 基本ペース |
| 低密度 — 1つの拡張ストーリー、繰り返しのリフレーミング、ゆっくりとした内省的なペース、単一の議論が展開 | × 1.5 | より遅くカット、より少ないカード |
Step 3 — 計算:
secPerCard = basePace × densityMultiplier
cardCount = max(5, round(videoDurationSec / secPerCard))
例(注意 — 上限はありません; 長い動画は自然とより多くのカードを生成します):
- 30秒リール、単一のオチ(低密度) → 7 × 1.5 = 10.5秒/カード → round(30/10.5)=3 → floor で 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 → floor で 5 カード
- 豊富なデータを含む121秒のトーキングヘッド(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、中程度の密度 → 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~15秒より長く保持される場合、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秒を超え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にチャンク分割することを検討してください(チャプターごとに1つの .html、data-composition-src でマウント) — ファイルごとの GSAP タイムラインを管理可能に保つためです。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のに適した任意の形状を取ることができます。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含まれていません。ユーザーが終了カードを希望する場合は、自分でニュートラルなものをデザインしてください(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)、それを cards[] に追加し、composition.durationSeconds をその終了時間まで拡張します。