redirhan/kisa-video-kurallari

Kısa Video Kural Kitabı（ショート動画ルールブック）

このファイルは、一度決めた判断をその理由とともに記録します。毎回動画ごとにルールをゼロから考える代わりに、これを読み、ユーザーのコメントで更新してください。数値は、過去12ヶ月間に公開された52本のバイラルショート動画（トルコ語および英語、トーキングヘッド主体）と12本の編集チュートリアル動画の測定に基づいています。「測定済み」と記載されたルールは実測値、「チュートリアルより」と記載されたルールは少なくとも3人のインストラクターが共通して主張する内容です。

クリエイティブディレクターはユーザーです。 最初の編集を始める前に、戦略を平易な言葉で提案し（使用するカット、フック、強調、スタイル）、承認を待ってください。AI自身がつけた評価スコアは「完了」を意味しません。ユーザーの評価を必ず尋ねてください。

ワークフロー（トーキングヘッド）

1. 素材を読む： 単語単位のタイムスタンプ付きトランスクリプトを作成します（例：whisper.cpp の -ojf オプション、または WhisperX）。文とポーズがわかる圧縮されたテキストビューを準備します。
2. 判断が難しい箇所だけを確認する： テイクの繰り返し、長めのポーズ、カットポイント。動画全体を通して見る代わりに、該当範囲の数フレームと単語のタイミングを検査します。
3. ブリーフを書く： どのカットショットを使うか、どのラインがインパクトを持つか、どの単語を強調するか。残りは機械的な作業です。
4. 編集する： ご自身のツール（NLE、ffmpeg、Remotion、HyperFrames、CapCut など）で編集してください。元のソースファイルには決して書き込まず、出力は別のフォルダに保存します。
5. 測定して修正する： レンダリング結果を同じタイプのリファレンス動画と比較します（カット頻度、キャプションの高さ、音量レベル）。最もコストのかかる差異を優先して修正し、最大3ラウンド繰り返します。残った問題は明示的にユーザーに伝えます。

カットショットの選択（ディレクターの仕事。コードは最終決定のみ行う）

• トランスクリプトから選択し、動画を前後にスクロールして選ぶのではない。各文に最適なカットショット＝自然な流れを保つものであり、多くの場合、後のテイクが適しています。「えーと」「あのー」、途中で言い直した始まり、繰り返した単語は削除します。
• カットは単語のタイミングに合わせます：最初の単語の約0.12秒前、最後の単語の約0.25秒後。隣接する単語の内部にカットが入らないようにしてください。同じ連続したテイクからカットされた2つのパートは、ポーズの中間点で接合します。
• 要点を述べているラインをインパクトラインとしてマークします（最もタイトなフレーミング、可能であればサウンドパンチを伴う）。
• 動画の長さは素材が決定します：トーキングヘッドのリファレンスは20～150秒、中央値は67秒（測定済み）。

フック（最初の3秒間）

• 会話とキャプションは最初のフレームから始まります。無音のオープニングプランはありません。最初のカットは約1～3秒です。
• インタビュー形式の動画では、最初の数秒間に固定された質問/タイトルボックスが効果的です。新しい要素が現れる前に、それを消してください。
• 測定済み：最も一般的なフックツールはこのタイトルボックスです。14本のトーキングヘッド動画のうち6本で使用されています（6～12秒間、白い大文字の赤いボックス、または文形式のテキスト、白いピル型、または動画全体にわたるタイトル）。
• 測定済み：トルコ語動画における最初のカットの中央値は3.6秒で、フック内にカットはありません。トルコ語のフックはカットではなく、タイトルがその役割を担っています。
• チュートリアルより：最初の3秒間で、視聴者は同時に動き（プッシュイン、収まる要素、物理的なアクション）、音声、画面上のフック文を受け取ります。フック文は視聴者に呼びかけるか、具体的な主張/数字を示し、結果を示唆します。フック以降はテンポを一定に保ち、編集が突然緩む部分を作らないでください。

キャプションと強調

• 1セルあたり1～3単語。句読点および0.3秒以上のポーズで区切ります。カットをまたいでは絶対に配置しないでください。0.35秒未満のセルは作成しないでください（次の単語を巻き込みます）。0.25秒以下のポーズでは、テキストを画面に表示し続けてください（ちらつきを防ぐため）。
• キャプションはトランスクリプトです：話されていない単語は決して書き加えないでください。認識エラーのみを修正します。
• 強調は意味に基づいて選ばれます（数字、利益、固有名詞）、リズムではありません。1単語だけでなく、表現全体を強調します。上限：6～8秒間に約1つの強調。
• 測定済み：優れたクリエイターは、キーワードをフローキャプションの内部で、同じサイズのまま色を変えて強調します（黄色/緑）。金額の数字のみが拡大され、約1.2～1.4倍になります。別個で1.5倍に拡大された強調セルは、すべてのリファレンスの中で最も大きいため、使用は稀にし、数字に限定します。
• 外観：太字のシンプルなサンセリフフォント。白文字に黒い輪郭＋ソフトシャドウ、ハードエッジ。強調：さらに太く、暖かい黄色、一回だけバウンドする「ポップ」効果。色付きの発光（グロー）は使用禁止。
• オープンライセンス（OFL）フォントを選択：Montserrat、Inter、Poppins、Figtree など。
• 高さ（フレームの上端から。0＝上端、1＝下端）：顔の中心＋0.26、0.45～0.70の範囲に収めます。測定済み：Hormozi は0.50。トルコ語クリエイターは約0.67、英語トーキングヘッドは0.56、B-rollナレーション動画は0.72～0.78。
• キャプションスタイルは動画スタイルに合わせます。落ち着いた専門家スタイル：文形式、4～6単語の2行、ソフトシャドウまたは白いピル型。ハイエナジースタイル：1～4単語の太字。ナレーション動画：より小さく、細いフォントで、フレーム下部に配置。リファレンスでは、行の高さはフレームの0.023～0.04。
• チュートリアルより：最大3単語、フレームの下部中央（目は上部3分の1に）、各キャプションに音声はなし、フィラーワードはなし。キーワードは意味に基づいて色分け（多くの編集者：緑＝ポジティブ、赤＝ネガティブ、黄＝その他）。

フレーミング

• カットにおけるリフレーミングはスタイルの選択であり、ルールではありません。測定済み：8本のトルコ語トーキングヘッド動画と、1カメラの落ち着いた専門家動画では、カットの0%がリフレーミングされていました。英語/ハイエナジー編集では71～75%（Hormozi は0.90）。
• ハイエナジーキット：すべてのカットで視認可能なフレーミング変更：ワイド1.0 / タイト1.28 を交互に、インパクトラインは1.38。1.1の変更は認識されません。ズーム中心＝顔。最長の4～5カットにスロープッシュイン（×1.08）。
• 落ち着いた専門家キット：固定フレーミング、リフレーミングなしのジャンプカット（または2カメラのワイド/タイトカット）、長いカットには最大でスロープッシュイン（×1.03～1.05）。
• 話し手の背後にテキストを配置（人物マスク/セグメンテーション使用）：動画中に1～2回、壁の空きスペースに収まる大きな強調単語のみ。マスクウィンドウは短く（12秒以下）。
• チュートリアルより：何も突然現れてはいけません。すべての要素は動きを伴って登場：高速イン/スローアウト、小さな浮上＋フェードイン＋ぼかしからシャープへ。写真やスクリーンショットはフレームに収まるように配置します。固定カットには3～10%のスロープッシュイン。
• チュートリアルより（視線追従）：カット全体でフォーカスポイント（顔、最新のカード、キーワード）は、以前の位置の約10%以内に収めること、特にフック部分で。意図的に壊す場合を除きます。

音声

• まず音声（会話）。効果音は、見えているもの（カット、収まる強調）にのみ関連付けます。
• カット時の効果音はスタイルに依存します。測定済み（ステム分離による）：14本の優れたトーキングヘッド動画のうち8本は、カットに全く効果音を入れていません（Hormozi：12%、偶然のレベル21%）。B-rollや顔出しなしのナレーション動画では、視覚的変化の20～80%にwhoosh/パンチを入れています（偶然のレベルを大幅に上回る）。ハイエナジークリエイターは、効果音をカットではなくグラフィックイベント（カウンター、リストに収まる要素）に同期させています。 注意：ミックスされたオーディオ内の急激な音量上昇は、会話中にすでに毎秒約4回発生します。効果音をカウントするには、ミックスされたオーディオではなく、分離されたステムを測定してください。
• 強調へのパンチサウンドは、ハイエナジーキットのみで使用します。
• 音量レベル：会話のp95ピークを基準。UI/ポップ音：-14 dB、whoosh：-12 dB、パンチ：-8 dB、ミーム音：-3 dB。立ち上がる音はピークをカットに合わせ、パンチ音は開始をカットに合わせます。10秒間に最大4.5個の効果音、間隔は0.25秒以上。
• ミーム音は決して単語の上に重ねてはいけません。
• 納品：-14 LUFS、トゥルーピーク ≤ -1 dBTP（測定し、推定しないこと）。
• 音楽。測定済み：14本の優れたトーキングヘッド動画のうち7本には音楽トラックがありません。音楽がある場合、音楽は会話より約16 LU低い（中央値、統合値）。ハイエナジーのトラックはより近い（10～12 LU低い）、ナレーション動画は16～22 LU低い。音楽なしバージョンを、単なる代替案としてではなく、真剣な選択肢として提案してください。
• チュートリアルより：大きな動き（ズーム、スライド、ホイップ、シーンチェンジ）では、効果音のピークが動きのピークに合うようにします。軽いクリック/UI音は、テキストやアイコンのポップに合わせます。Riserは、本当に何かが始まる場合（結論への導入）にのみ使用し、キーラインの直後にパンチを置きます。使用は控えめにすることで効果を維持します。音楽には役割があります：会話より15～25 dB低く保ち、ターニングポイント（問題→解決）で盛り上がり、終了を知らせるためにフェードアウトします。

エンディングとトランジション（現場からのフィードバック）

• 話し手が続けているうちに終わらせる場合（「だから」「なぜなら」、次の単語が0.7秒未満後）：思考の終わりまで延長します。最後のパートは映像＋音声とともに0.6秒でフェードアウトします。
• トランジション音は柔らかいwhoosh：低周波、ハードアタックなし、会話に対して-18 dB。
• 長いカットは、単語のポーズでジャンプズームパートに分割します（≤ 4.2秒、フックでは ≤ 2.6秒）。強調表現の内部では絶対に分割しないでください。これらのカットにはwhooshは入れません。
• チュートリアルより：大きなトランジションは大きな瞬間（セクションや場所の変更）にのみ使用します。それ以外の場所では、ストレートカット＋J/Lオーディオ。

強度

• 編集はコンテンツをサポートするものであり、主役ではありません。落ち着いた、または個人的な会話では、カットや効果音は少なくします。カットするためにカットしないこと。興味深いカットは長くても構いません。
• カット頻度はタイプ固有です：グラフィックが豊富なワンカットショート動画（MrBeast、Zach King）は、ほとんどカットせずに成功しています。同じタイプとのみ比較してください。
• AIエージェントはカットを控えめにし、主張を誇張しすぎないようにします：検証されていないことは明確に述べてください。

禁止事項

• 単語の内部でのカット。顔や被写体に重なるキャプション。カットをまたぐキャプション。
• すべてのカットにwhooshを入れること。会話よりも大きい効果音（意図的なミーム音を除く）。
• テンプレートに残ったプレースホルダーテキスト（「ここにテキストを入力」）：必ず埋めて、読み返してください。
• テキストに色付きの発光（グロー）。次のシーンが来たときにまだ画面に残っているテキスト。
• リファレンス動画の映像や音声を編集素材として使用すること（リファレンスは測定のみを目的とします）。

スタイルキット（概要）

キット	カット時のフレーミング	カット時の効果音	キャプション	音楽
落ち着いた専門家	なし（または2カメラ）	なし	文形式、2行、4～6単語	なし、または約16 LU以下
ハイエナジー	毎カット1.0 / 1.28、インパクトライン1.38	グラフィックイベントに連動、強調にパンチ	1～4単語の太字、数字は拡大	10～12 LU以下
B-rollナレーション	—	視覚的変化の20～80%	小さく、細く、下部（0.72～0.78）	16～22 LU以下
トルコ語トーキングヘッド	なし	なし	高さ約0.67、タイトルボックスでフック	多くの場合なし