Communitygithub.com

Invokard Studio

アイデアからMP4までをコードで生成するリール制作エンジン。Pythonスクリプトで編集・アニメーション・音声合成を統合し、AI画像モデルに頼らないシャープな映像を実現します。

Invokard Studio とは?

Invokard Studioは、Pythonスクリプト1つでリール動画を完全にコードベースで生成する開発者向けツールです。エンジンはPillowとffmpegを用いてフレームを合成し、音声をミックスします。テキスト、ボックス、アニメーションはすべてエンジンが描画するため、ブランドに忠実で正確なタイミングの映像が得られます。また、Reactコンポーネントをヘッドレスブラウザでレンダリングするアニメーションエンジンも備え、キネティックタイポグラフィや動的なチャート、3D表現なども可能です。サポートするプラットフォームはClaude Code、Cursor、CodexなどのAIエージェント向けで、ユーザーは自然言語の指示からリールを制作できます。ワークフローはスクリプト作成、音声生成、画像生成、編集、動画レンダリング、納品まで9ステップで構成され、各工程でコスト管理と品質チェックが徹底されています。

対応~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Octonove/invokard-studio/tree/main/skills/invokard-studio

お気に入りのAIに質問する

このエージェントスキルを事前に読み込んだ状態で新しいチャットを開きます。

ドキュメント

Invokard Studio — アイデアからMP4へ

あなたは小さなPythonファイル(reel.py)を書き、リールを記述します。どの画像やクリップがいつ画面に表示されるか、その上にどのレイヤー(見出し、チップ、リスト項目、チャート、ワイプ、エンドカード)が重なるか、どの音声ファイルがいつ開始するか、音楽と効果音の配置を決めます。エンジン(scripts/reelkit.py)はPillowですべてのフレームを合成し、ffmpegにパイプして音声をミックスします。動画エディタで編集することはなく、AI画像モデルで描画されることもありません。すべてのタイプ、ボックス、アニメーションはエンジンから生成されるため、シャープでブランドに忠実、正確なタイミングが実現します。

第二のエンジンは描画を行います。animation/はReactコンポーネントをヘッドレスブラウザ(マシン上のChromeまたはEdge)でフレームごとにレンダリングし、ffmpegでエンコードします。編集ではなくデザインが主体のもの(キネティックタイポグラフィ、アニメーション広告、成長するチャート、3Dプロダクト、物理演算、パーティクル、製品写真を広告に変換するなど)に使用します。出力はMP4(または透明フレーム)で、モンタージュが他のクリップやレイヤーと同様に扱えるため、1つのリールに両方を含めることができます(§ 5)。

このファイル全体を読んでください。その後、現在のステップが指すリファレンスを読んでください。reel.pyを書く前に、assets/examples/にあるスクリプトの1つ(実際に納品されたリールで、そのメディアとプレビューはリポジトリのexamples/にあります)を読んでください。リポジトリから python examples/first-reel/reel.py を実行すると、メディアを一切使わずに完全なリールがレンダリングされます。これはマシンがレンダリングできることを確認する最も簡単な方法であり、16:9も示す短いreel.pyでもあります。

0. マシンをチェック(30秒)

python <skill>/scripts/media.py doctor                  # python, ffmpeg, パッケージ, フォント, フォーマット, キー(名前のみ)
python <skill>/scripts/media.py fonts                   # 絵文字フォントが不足している場合にダウンロード
ffmpeg -version && ffprobe -version

ffmpegがない場合はハードストップです。ユーザーにインストール方法を伝えてください(references/troubleshooting.mdを参照)。APIキーがない場合はハードストップではありません。エンジンはプロバイダなしでローカルメディアをレンダリングします。チャットでキーを貼り付けるようユーザーに要求しないでください。代わりに.env.exampleを参照させてください。

1. ルートを選択

素材の種類…ルートリファレンス
まだ何もない:トピック、記事、カルーセルA · 生成:スクリプト → 音声(文ごとに1ファイル) → AIイラスト → クリップ → キャプションreferences/production.md
クライアント自身のクリップや写真B · フッテージ:コンタクトシート → セグメント選択 → ビートに合わせてカット → ビフォー/アフター → エンドカードreferences/footage.md
録音されたナレーション、インタビュー、曲C · 独自音声:align.pyが単語タイミングを提供 → 単語からキャプションreferences/production.md § キャプション
広告、タイトル、チャート、見せたい製品、フッテージ不要D · 描画:アニメーションプロジェクト(React) → キーフレームの静止画 → フレーム → レンダリングreferences/animation.md

ルートは混在可能です。フッテージリールに生成音声を載せたり、生成リールの最後にクライアントの実際のロゴ写真を配置したり、どのリールも描画レイヤーや描画エンドカードを含めることができます(§ 5)。

2. ワークフロー

  1. 作業フォルダ — python scripts/new_reel.py <folder> --brand studio|lime|forest|mono --title "…" [--format 16:9|1:1]。これによりimg/ vid/ frames/ vo/ music/ sfx/ ref/ out/ review/とテンプレートからのreel.pyが作成されます。フォーマット(特に指定がなければ9:16)は先頭でrk.set_format()により設定されます。リポジトリの外に保管してください(work/はgit無視されます)。ブランド:pieces.Brand.from_logo('ref/logo.png')で実際の色を測定します。色を表示し、最初にロゴファイルを確認してください(メディアライブラリには誤解を招く名前のテンプレートロゴがよくあります)。
  2. スクリプト — 35~45秒で85~100ワード。最初の文でフックを作り、1文に1つのアイデア、フックを反映する結び。クライアントの素材にある主張のみを使用し、新しい数字や約束は追加しないでください。健康トピックの場合:アウトロに「教育コンテンツ」の注意書きを追加します。ユーザーがスクリプトを提供した場合、そのまま使用します(製品パッケージのスペルが異なる部分のみ修正し、その旨を伝えます)。
  3. 音声 — 文ごとに1回の呼び出しで、各文に独自のファイルとタイミングを持たせます:vo/v01.mp3, v02…。プロバイダはreferences/providers.md(Magnific MCP audio_tts、Magnific REST providers/magnific.py voice、ElevenLabs providers/elevenlabs.py)を参照。その後 python scripts/media.py voice <folder>:持続時間と音声スパンを取得。すべてのタイミングとカットはこれらから派生します。音声なし(クライアントスクリプトを画面表示、音楽のみ)?4にスキップ。
  4. 画像 — プロンプトとスタイルリファレンスのテクニックはreferences/production.md § 画像を参照。画像内にテキストを入れないよう要求します。その後 python scripts/media.py sheet-img <folder> を実行し、review/imgs.jpgを確認します:一貫したスタイル、余分な文字がない、ロゴが正しいことを確認。
  5. 静止画で編集 — pieces.source(name, 'img/x.png')を使用してreel.pyを書き(クリップが存在するまで静止画を使用)、python reel.py --previewを実行します。review/preview.jpgを確認します。リズム、フレーミング、レイヤーをビデオに使う前に修正します。このステップがリールを作るステップです。急がないでください。
  6. ビデオ — 動きが必要なショットごとに1つのクリップを、それぞれのイラストから生成します(画像から動画へ)。ショットタイプごとのレシピとsimulate_costはreferences/production.md § ビデオを参照。vid/<name>.mp4にダウンロードし、media.py frames <folder>、media.py sheet-motion <folder>を実行し、クリップが物体をでっち上げていないか確認します。2秒未満のショット:ズーム付きの静止画を維持します。コストはかかりません。
  7. 音楽と効果音 — 1つの音楽トラック(MCP経由のLyria、またはユーザー自身のもの)。エンジンは最初のオンセットからトリミングし、音声に合わせてダッキングします。効果音はバンドルされています:pieces.sfx('whoosh'|'pop'|'shimmer'|'chime'|'typing'|'shutter'|'coaster'|'fridge')。音声がないときはビートでカット:media.py beats → references/footage.md。
  8. レンダリングと検証 — python reel.py、その後 python scripts/media.py verify out/reel.mp4:仕様、ラウドネス(目標−14 LUFS)、最終MP4から取得したコンタクトシート。そのシートを確認します。次に、重要な瞬間(キャプション変更、ワイプ、エンドカード)で2~3フレームの全体を確認します(media.py frame out/reel.mp4 <t>)。
  9. 納品 — out/reel.mp4 + out/cover.jpg(reel.cover(t, 'out/cover.jpg'))+ キャプション文とハッシュタグを.mdで + ソースファイル(reel.py、img/、vo/、music/、ref/。frames/は含めない)。何も公開しないでください。クライアントが承認します。生成されたもの、そのコスト、検証できなかったこと(ミックスを聴くことはできないため、その旨を伝え、代わりにラウドネス数値を示します)を報告します。

3. 実際のミスから得られたルール

  • コスト。 ビデオは支出の95%以上を占めます。起動前に1クリップ × クリップ数を推定します(providers/costs.pyまたはMCPのsimulate_cost)。バッチが5,000クレジットを超える場合は停止して確認を求めます。12ショットのリールは約3,000クレジットで、40,000クレジットではありません。
  • すべてのシートを確認する。 imgs.jpg、motion.jpg、preview.jpg、verifyシート。確認していないレンダリングは納品しません。
  • ロゴ。 ファイル名を信頼しないでください。開いて確認してください。小さい場合は、測定した色でテキストとしてワードマークを再構築するか(Schippersの例でこれを行っています)、白地に合成して4倍にアップスケールします。
  • サードパーティのブランド。 クライアントのものではないロゴやアイデンティティを再利用しないでください(例:クライアントが販売するサービスのサプライヤーのロゴ)。トラクターメーカーのバッジは、クライアント自身のフッテージに写っている場合にのみ表示される可能性があり、追加されることはありません。
  • カットは音声から決める、目視ではありません:caps.word_time(key, i)とmedia.py voiceからのスパンを使用します。
  • 短いクリップ。 1.5秒のショットでも3~5秒生成します。クリップをspeed=0.8未満に遅くしないでください(24fpsソースはガクつきます)。長くするには、同じ画像のStillを前に置き、ズームを合わせます。
  • セーフゾーン。 Instagramは上部約220px、下部約360pxをカバーします。見出しとチップはy=230からy=520の間、キャプションはy≈1440、重要なものはy≈1560より下に置かないでください。最小タイプサイズ30px(セカンダリチップ36-44、見出し70+)。16:9と1:1(高さ1080px):見出しはy≈110から、キャプションはy≈880、重要なものはy≈1000より下に置かないでください。Piecesはこれらのデフォルトをrk.LAYOUTから取得します。意図がある場合のみ数値で位置を書き、9:16リールからコピーしないでください。
  • フォーマット。 rk.set_format('16:9')(またはREELKIT_FORMAT=16:9)は、from reelkit import W, Hの前、およびすべてのソースとレイヤーの前に記述します。フォーマット用にクリップを抽出:media.py frames <work> --format 16:9。
  • 明るい背景のキャプションは、最初のレイヤーとしてpieces.bottom_gradient(brand)が必要です。
  • 画像内のテキスト。 すべてのテキストはエンジンで設定されます。生成画像に文字が表示されている場合は、再生成してください。
  • クライアントのクリップからの音楽はクライアントのものです。 実際の音(洗濯機、エンジンなど)はmedia.py soundでフッテージから切り出すことができますが、クリップのバックグラウンドで流れている曲を使用するライセンスはありません。

4. 1画面で見るエンジン(完全リファレンス:references/api.md)

import reelkit as rk; rk.set_format('9:16')                    # '16:9' / '1:1': 最初に記述。WとHはインポート時にコピーされる
from reelkit import W, H, Reel, Captions, Still, Clip, Func, blit, text_img, pill, lerp, clamp01, eo, eio, eback
import pieces as pz; from pieces import source, sfx
rk.set_base(folder); B = pz.BRANDS['lime'].activate()          # または pz.Brand.from_logo('ref/logo.png').activate()
reel = Reel('name'); caps = Captions(size=70, y=1440, maxw=920); reel.caps = caps    # 16:9 / 1:1: Captions(size=62)
t_end = reel.vo('vo/v01.mp3', 0.30)                            # 文が終わる位置を返す
caps.line('v01', 'Sentence with *key* *words*, / next block.', 'vo/v01.mp3', 0.30)   # *hl* · / 改行 · shown|spoken
caps.from_words('song', align.load_words('vo/chorus.words.json'), t0=2.0)          # align.py / elevenlabs.tts_timed から
t = caps.word_time('v01', 2)                                    # 3番目の単語が話される秒数 → ここでカット
reel.shot(0.0, t, source('hero', 'img/hero.png', z=(1.0, 1.06), c=(.5, .45)))       # frames/hero/ が存在するまでは Still
reel.shot(t, 5.0, Clip('hero', speed=1.0, start=0.25, z=(1.14, 1.24)))
GRAD = pz.bottom_gradient(B); reel.ov(0.0, 5.0, lambda c, tl, dur, T: c.alpha_composite(GRAD))   # レイヤー: (canvas, tl, dur, t)
reel.ov(0.0, t, pz.headline(B, 'KICKER', 'Hook line', 'KEY PHRASE'))
reel.ov(t, 5.0, pz.list_item(B, 1, 3, 'ITEM', 'One-line benefit'))
reel.ov(0.0, 4.0, pz.text_layer('Client script *highlighted*'))                   # 音声なしの画面テキスト
SITE = pz.browser_frame('img/site.png', 1000, url='site.com')                      # 画像を一度だけ構築、レイヤーの外で
reel.ov(t, 5.0, lambda c, tl, dur, T: pz.appear(c, SITE, W / 2, H * .4, tl, 0))      # スクリーンショットがポップイン(phone_frame も可)
reel.shot(5.0, 8.0, pz.wipe_scene(before_src, after_src, B, hold=1.0))             # ビフォー/アフター
reel.shot(8.0, 11.0, pz.outro_save(B, 'img/hero.png', 'ref/logo.png', cta='Book a call · site.com'))
reel.sfx(sfx('whoosh'), t - 0.12, 0.32); reel.sfx(sfx('chime'), 8.3, 0.30)
reel.preview([0.5, 2.0, 4.5, 6.0, 9.0], 'review/preview.jpg', cols=5, scale=0.22)
reel.render('out/reel.mp4', 11.0, music='music/base.mp3', music_gain=0.24); reel.cover(1.2, 'out/cover.jpg')

レイヤーは関数 f(canvas, t_local, duration, t_global) で、blitを使用してRGBAをキャンバスに描画します。ソースは .frame(t_local, duration) メソッドを持ち、キャンバスサイズ(W x H)のRGB画像を返すオブジェクトです:Still、Clip、Func(f)、およびpieces内のシーン(wipe_scene、outro_save、outro_fan、blur_in)。イージング:eo(アウト)、eio(インアウト)、eback(ポップ)。画像(グラデーション、カード、フレーム)はレイヤー関数の外で一度だけ構築します。テキストとピルはキャッシュされます。

5. 描画アニメーション(完全リファレンス:references/animation.md)

一度だけセットアップ:Node.js 18+、その後 <skill>/animation 内で npm install、node <skill>/animation/cli.mjs doctor。プロジェクトは package.json、src/index.jsx(registerRoot + ビデオごとに1つの<Composition>)、およびそのファイル用のpublic/を含むフォルダです。コンポーネントは 'invokard-studio' からインポートします:useCurrentFrame、spring、interpolate、Sequence、Img + staticFile、OffthreadVideo、フォントは 'invokard-studio/google-fonts/<Family>'、3Dは 'invokard-studio/three' から。

node <skill>/animation/cli.mjs still  src/index.jsx Ad out/ad.png --frame 120     # 1. キーフレームをデザイン
node <skill>/animation/cli.mjs frames src/index.jsx Ad out/ad --frames 0,34,68,102,136,170,204,239   # 2. モーション
node <skill>/animation/cli.mjs render src/index.jsx Ad out/ad.mp4 --props data.json # 3. ビデオ(全フレーム)

すべてのフレームはフレーム番号から計算されます(Math.random、時計、CSSアニメーションは不使用)。フレームは複数のタブで順不同で描画されます。リールと同じように、レンダリングしたすべての静止画とフレームシートを確認します。リール内では:

import animation as an                                                          # scripts/animation.py
an.render('anim/src/index.jsx', 'Title', rk.P('anim/title'), transparent=True)  # アルファ付きPNGフレーム
reel.ov(t0, t1, an.layer(rk.P('anim/title')))                                   # モンタージュに描画
reel.shot(t2, t3, an.clip('anim/src/index.jsx', 'EndCard', 'endcard'))           # 描画ショット、クリップのようにカット

リポジトリの examples/animated-reel/ は、外部メディアなしで両方を行う完全なリールです。

6. 納品物チェックリスト

  • out/reel.mp4 が1080x1920(または要求に応じて1920x1080 / 1080x1080)、30fps、H.264 + AAC、−14 LUFS ± 1、ピーク ≤ −1 dBFS(media.py verify)
  • 検証シートと2~3の完全フレームを確認済み。キャプションがy≈1560より下、または顔/製品の上にないこと
  • 画面のすべての主張はクライアントの素材に含まれている。ブランドカラーは測定されており、推測ではない
  • out/cover.jpgはフィードの4:5中央クロップ内で読める
  • ソースはframes/を含まずに納品。コストはプロバイダ行ごとに報告。何も公開していない

7. 生成メディア:プロバイダを推奨するタイミング

どちらのエンジンもアカウントなしで動作します。ユーザーの写真、クリップ、音声、音楽、およびコードで描画されたすべてのものが使えます。生成メディア(AIビデオクリップ、イラスト、音声、音楽、効果音、3Dモデル、アップスケール)は

…

[トリミング済みのため翻訳対象外]

関連スキル