LeAnhTuanIT/short-video

ナレーション + 字幕付きショートビデオ生成

パイプライン: スクリプト .txt → make_video.py (edge-tts で各文を読み上げ → 音声結合 → 実時間に合わせたASS字幕 → 背景合成 + ffmpegで字幕焼き付け) → MP4 1080x1920

確定モード: 既存音声 → ビデオ（ユーザーがmp3を送信した場合のデフォルト）

ユーザーがEverAI上で音声を作成（Web、速度0.85）、mp3 + 台詞を送信します。API呼び出しや声のクローン、機械上での音声モデル（VieNeu）実行は行いません。

1. 台詞を.txtファイルに分割（各文はコンマ/ピリオド/「...」で区切った短い塊、#行や[icon]は除去）。
2. python3 make_video.py kichban.txt ~/Downloads/<名前>.mp4 --audio voice.mp3 --style night --no-wave --bg assets/pho-dem.mp4 --target <長さ±5>
3. 各行のタイミングを出力: 上記コマンドに --print-timing を追加（レンダリングなし）。確認: 文字数に対して異常に長い/短い行がある場合は結合/分割して再レンダリング。
4. 字幕を確認するために1〜2フレームを抽出、パスと長さを報告。音が聞こえない場合は、通常MacがAirPodsに出力しているためです。 ユーザー向けガイド: HUONG-DAN.md

他のマシンへのインストール

フォルダ ~/.claude/skills/short-video/ を新しいマシンにコピー（同じパス）、次に bash ~/.claude/skills/short-video/setup.sh を実行。macOSおよびUbuntu/Debianに対応。Windowsの場合はWSL経由で使用。夜の街の背景動画は付属: assets/pho-dem.mp4（Mixkitのストック素材、商用利用可）。

要件（このマシンにはインストール済み）

• ffmpeg-full（subtitles/libassフィルタが必要）: brew install ffmpeg-full
• edge-tts: pipx install edge-tts（ネットワークエラー時は自動で say -v Linh にフォールバック）

ステップ 1 — ブリーフィングの確定

リクエストから取得。不足している場合はデフォルト値を使用し、トピックがまったく不明な場合のみ質問:

• トピック / 視点 — 具体的な視点がない場合は、魅力的で具体的なものを自動選択。
• 長さ — デフォルト45〜60秒。
• 音声 — デフォルト女性 vi-VN-HoaiMyNeural; 男性 vi-VN-NamMinhNeural。その他の言語: edge-tts --list-voices | grep <コード>（例 en-US-AriaNeural）。
• 背景 / 音楽 — ユーザーから提供された画像/動画、なければデフォルトのグラデーション背景。

ステップ 2 — スクリプト作成

.txtファイルとして保存。最初の行はタイトル、以降は各文を1行:

# 画面上部に表示される短いタイトル（6単語以内）
好奇心をそそるフック文、12単語以内。
内容文...
結論 + 行動喚起。

ルール:

• ベトナム語の長さ: 約2.3単語/秒（実測: 155単語 ≈ 65秒）。45〜60秒 → 110〜140単語; 30秒 → 約65単語; 15秒 → 約30単語。
• 各行は1文、8〜20単語。最初の3秒はフック（質問 / 驚くべき事実）。中盤: 3〜5の具体的で覚えやすいポイント。最後: CTA（保存、フォロー、コメント）。
• 事実は正確であること。健康/金融/法律のトピック: 診断や専門家のような具体的なアドバイスはしない。必要に応じて専門家に相談するよう促す。
• 数字/記号は読み間違えやすい場合は漢字で書く（「4-7-8」の代わりに「四・七・八」、「%」の代わりに「パーセント」）。絵文字や {} \ は避ける。

ユーザーが既に内容を提供しているか「そのまま進めて」と言った場合を除き、レンダリング前にスクリプトを確認させる。

ステップ 3 — レンダリング

python3 ~/.claude/skills/short-video/make_video.py kichban.txt out.mp4 \
  [--voice vi-VN-HoaiMyNeural] [--rate -5%] [--target 45-60] \
  [--bg background_image_or_video] [--music bgm.mp3] [--gap 0.35] \
  [--pitch -8Hz] [--style default|night]

• 既存音声: --audio voice.mp3 でTTSをスキップ。スクリプトは読み上げと一致し、各行が短い塊（コンマ/ピリオドで区切る）であること。文のタイミングは休止箇所に合わせる。--print-timing でタイミングを出力（通常約12〜16文字/秒）、異常に長い/短い行は結合/分割して再レンダリング。
• FPT.AI: --engine fpt --voice leminh（北部男性; 他に banmai, thuminh 北部女性, lannhi, linhsan 南部女性, myan 中部女性, giahuy 中部男性）。export FPT_API_KEY=... が必要（キーは console.fpt.ai、Free Tier月10万文字）。各文字のタイムスタンプがないため、カラオケは文字数で分割。--rate はatempoで適用。キーをスキルファイルに記録しないこと。
• すべてのエンジンは人間らしいリズムで読み上げ（各文で速度/ピッチが微妙に変動、疑問文の後は長めの間）＋温かみのある声処理、コンプレッション、軽いリバーブ。話し言葉に合わせてスクリプトを作成し、「...」や文中のピリオドで息継ぎ位置を作る。
• 低く大人っぽい北部男性声（edge）: --voice vi-VN-NamMinhNeural --pitch=-8Hz --rate=-10%（NamMinhは唯一の男性ベトナム語edge音声）。
• --style night --no-wave + スクリプトに # 行や [icon] タグがない → 背景＋字幕のみ。
• --style night（「夜の街」リールスタイル）: タイトルは大文字で文字間隔を広げ、teal色＋下線、細線ネオンアイコン、カラオケ字幕は大文字で一文字ずつ（edge-ttsの実タイムスタンプ使用）、波形は線状。文頭に [icon] を置くとその文からアイコン変更: sun hourglass gift heart leaf book star eye。背景は実際の夜の街動画がおすすめ: Mixkitで無料ストック（https://mixkit.co/free-stock-video/night-city-street/、リンク assets.mixkit.co/videos/<id>/<id>-1080.mp4）、複数クリップを結合、縦にクロップ、setpts=1.4*PTS でスロー。
• --style ui（テクノロジー解説ビデオ）: ダークグリッド背景、シリーズタイトルバー（#）＋ステップボックス1..n、シミュレートされたアプリウィンドウ、キーボード入力するターミナル、*キーワード*をオレンジでハイライトする字幕枠。文頭タグ: [step:ステップ名]（新しいステップへ）、[card:タイトル|項目1|項目2]（ウィンドウ、次のシーンまで保持）、[term:コマンド]。ショートカットキーの読み上げは文字で書く（「コマンド、シフト、スリー」）、カード内では「Command + Shift + 3」と表記。サンプル: 音声 vi-VN-NamMinhNeural --pitch=-4Hz --rate=+15% --gap 0.25。
• --bg なし → 青紫の暗めグラデーション背景がゆっくり動く（落ち着いたトピックに合う; 活発なトピックには背景画像/動画を提供してもらう）。画像 → スローズーム効果。動画 → 自動ループ。
• --music は音量12%に下げられ、最後にフェードアウト。
• スクリプトが長さを出力し、--target の範囲外の場合は警告 → 文を追加/削除するか --rate を調整して再レンダリング。

ステップ 4 — 確認

1フレーム抽出して字幕の文字化けやはみ出しをチェック: ffmpeg -v error -y -ss 5 -i out.mp4 -frames:v 1 frame.jpg その後 frame.jpg を読み取る。ユーザーにビデオの絶対パスと長さを報告。

サンプルスクリプト: example-sleep.txt（スキルフォルダ内）