無音カット(パイプラインエージェント1)
自動編集の最初のステップ。生録画とそのワードレベルのトランスクリプトを受け取り、無音のみ(最初の単語の前と最後の単語の後のデッドエア、および閾値より長い単語間のポーズ(自然な呼吸の長さに短縮され、完全にゼロギャップにはならない))を除去します。話者の言葉はそのまま維持され、言い間違い、リテイク、吃音は cut-mistakes エージェント(エージェント2)の担当です。
このエージェントは決定論的かつトランスクリプト駆動であるため、その出力 (*.silence-transcript.json) は次のエージェントやビート同期バリデーターにそのまま渡せます。
使用するタイミング
- 「無音をカットして」「ポーズをトリミングして」「間を削除して」「テンポを詰めて」
- マスター編集ワークフローの最初のステージとして、文字起こし直後に実行します。
前提条件
ワードレベルのトランスクリプトJSONが必要です。ElevenLabs Scribe形式
({ words: [{ text, start, end, type }], audio_duration_secs }) または汎用の
{ words: [{ text, start, end }] } のいずれかに対応しています。ワークスペースの文字起こしツールで生成してください:
node scripts/transcribe-elevenlabs.mjs path/to/raw.mp4 # -> path/to/raw.json
使い方
# 1) 計画のみ — カットを計算し、EDLと再調整済みトランスクリプトを書き出します(ビデオには触れません)
node .agents/skills/cut-silences/scripts/cut-silences.mjs <transcript.json> \
--out-dir video-projects/<slug>/assets
# 2) ビデオあり — ffmpegコマンドも書き出します(まだレンダリングはしません)
node .agents/skills/cut-silences/scripts/cut-silences.mjs <transcript.json> \
--video video-projects/<slug>/assets/raw.mp4 --out-dir video-projects/<slug>/assets
# 3) カット済みビデオをレンダリング(ローカルffmpeg、再エンコード、音声・映像同期)
# --apply を追加して実際にffmpegを実行します
node .agents/skills/cut-silences/scripts/cut-silences.mjs <transcript.json> \
--video video-projects/<slug>/assets/raw.mp4 --apply \
--output video-projects/<slug>/assets/edited-silenced.mp4
オプション
| フラグ | デフォルト | 意味 |
|---|---|---|
--video <path> | — | ソースビデオのパス。指定するとffmpegコマンド生成/レンダリングが有効になります |
--out-dir <dir> | トランスクリプトと同じディレクトリ | 出力先ディレクトリ |
--output <path> | <video-stem>.silenced.mp4 | カット済みビデオの出力パス |
--gap <s> | 0.55 | トリミング対象とみなす最小のポーズ(秒) |
--head-pad <s> | 0.22 | 最初の単語の前に残す無音の長さ(秒) |
--tail-pad <s> | 0.34 | 最後の単語の後に残す無音の長さ(秒) |
--apply | off | 実際にffmpegを実行してカットをレンダリングします |
判定方法(無音ルール)
--gap(0.55秒)未満のポーズはそのまま維持されます — 自然な発話リズムの範囲です。- トリミングされるポーズの場合、自然な呼吸の長さが保持され、文脈に応じて調整されます:長いポーズ(2秒以上)では
0.24秒、文末記号(. ! ?)の後では0.20秒、それ以外では0.14秒。保持される呼吸は、直前のフレーズの終わり側にやや寄せられます。 - 先頭/末尾のデッドエアは
--head-pad/--tail-padにトリミングされます。 - 削除範囲はマージされ、保持範囲はその補集合となります。カットはffmpegの
trim/atrim+concatフィルターグラフ(*.silence-filter.txtファイルに書き出され、-/filter_complex経由で渡されます)でレンダリングされるため、映像と音声の同期が保たれます。
出力(--out-dirに書き出されます)
| ファイル | 目的 |
|---|---|
<stem>.silence-edl.json | 保持/削除範囲、時間、パラメータ — 編集リスト |
<stem>.silence-transcript.json | 編集後のタイムラインに合わせて再調整された単語(エージェント2 + ビートで使用) |
<stem>.silence-decisions.md | 人間が読める形式のサマリーと、トリミングされた最大のポーズ一覧 |
<stem>.silence-filter.txt | ffmpegフィルターグラフ(--video指定時のみ) |
<video-stem>.silenced.mp4 | カット済みビデオ(--apply指定時のみ) |
標準出力に表示されるJSONサマリーには、removed、removedPct、範囲数、出力パスが含まれます。マスターワークフローでのログ記録や連鎖に便利です。
チューニングの注意点
- トーキングヘッドYouTubeのデフォルト(
--gap 0.55)では、通常の生テイクの約15〜20%が純粋な無音として削除されます。--gapを下げるとよりタイトで速いカットに、上げるとより自然な呼吸の間隔が維持されます。 - 文境界でのカットが強すぎると感じる場合は、文末の呼吸の長さを引き上げるか、
--gapを引き上げてください。
次のエージェントへの引き継ぎ
<stem>.silence-transcript.json(およびレンダリングされていればsilenced.mp4)を cut-mistakes エージェントに渡します。タイムスタンプがすでに編集後のタイムラインに基づいているため、下流のビートタイミングやscripts/validate-beat-sync.mjsは追加調整なしで動作します。