Video VIP Pro は何をしますか?
生の動画を入力するだけで、一発でプレミアムな編集済み動画を返します。その後、ユーザーは短いプロンプト(「câu 3 đổi hiệu ứng」「màu cam」「bỏ VHS」「chữ to hơn」)で操作を指示し、毎回小さなビルダースクリプトから編集が再構築されます。
スクリプトはこのファイルの隣にある scripts/ ディレクトリに配置されています。python -X utf8 <skill>/scripts/<name>.py のように実行します。初回セットアップは setup.ps1(Windows)または setup.sh で行います。これにより scripts/get_sfx.py も実行され、トレンドSFXパック(約130個のMixkitサウンド、19ファミリー)がこのコンピュータにダウンロードされます。コマンドがモジュール不足やフォント不足で失敗した場合は、セットアップを実行してください。
読み込むべきファイル
| タイミング | 読むファイル |
|---|---|
| 常に、計画を立てる前に | references/edit_brain.md(クリエイティブパス、7つの編集スタイル、バラエティルール、トレンドサウンドデザイン)+ references/style.md(すべてのエフェクトとプロップ、カメラ、テーマ) |
| ビジネスに合ったエフェクト・色を選ぶとき | references/industries.md の該当行 |
| 計画フィールドが不明なとき | grep references/plan.md(完全なスキーマ) |
| トーキングヘッド以外のジャンル(モンタージュ、スライドショー、チュートリアル、ポッドキャスト) | references/recipes.md の該当セクション |
| ビルダーの作成を開始するとき | templates/build_vip.py をコピー |
ワンコールワークフロー(選択が結果を大きく変える場合を除き、すべてを質問せずに実行)
-
ブリーフィング 以下を推測します:
- 業界: 発言または映像から判断。
- テーマ:
- ユーザーが指定した色があればそれ。
- なければブランドの色(ロゴ、看板、制服)。
- それもなければ業界のデフォルト色。
- アスペクト比: 9:16(ただしソースが横長でYouTube向けの場合は16:9)。
- 長さ: 良い文はすべて残す。
ユーザーが関連のない複数ファイルをヒントなしで渡した場合のみ質問します。
-
映像確認
analyze.py SRC --every 2を実行し、シートを読みます。以下の点に注意:- 顔の位置(これが
FACEになります) - 空白スペースの位置
- 焼き付けられたテキスト
- シャツの色(胸のテキストが読みやすいように)
- 顔の位置(これが
-
文字起こし
transcribe.py SRC --prompt "<ブランド、商品、名前>"を実行。その後.transcript.jsonを校正します:- 聞き間違えた単語を修正し、可能な限り単語数を維持。
- 価格はベトナム式に「8.190.000đ」または「8,19 triệu」と記述。
-
文の選択
edited/cuts.jsonに、残す文を順に1エントリずつ記述:- リテイク(後に取ったきれいなテイクを残す)、言い直し、「cắt nhé」、無音部分は削除。
- in = 最初の単語 −0.08 秒、out = 最後の単語 +0.15 秒。「transcripts」(元の .transcript.json ファイル)も追加して、aroll.py がキャプションやサウンドブレイン用に aroll.transcript.json も書き出すようにします。
次に
aroll.py edited/cuts.json -o edited/aroll.mp4 --speed 1.1を実行。リップシンクが安全な単一のAロールと、文の開始時間を持つaroll.jsonを生成します。 -
ビルド まず
references/edit_brain.mdのクリエイティブパスを読みます。編集スタイル、3つのモチーフ、リズムマップを選び、ストーリーボードテーブルを書きます。前回の動画のシーケンスを再利用しないでください。templates/build_vip.pyをedited/にコピーし、以下のように記述します:THEME、FACE、CAP_Yを設定。- 各文に
cap(i, top, text)を設定。 - 各文にカメラ移動(
cam)を設定。文0はHOOK、2〜3の最重要キーワードはSNAPまたはEMPH、残りはPUSH / PUNCH / PULLを交互に配置。 - 3〜5秒ごとに1つのVIPエフェクトを追加。業界行から選び、そのエフェクトを名付ける単語の上に配置(価格なら
CountUp、「3 điều」ならNumberList、「đau đầu」ならCracks)。 - サウンドブレインをオンにする(
"sound_design": {"style": "trend", "brain": {...}}、edit_brain.md §4a 参照):効果音は映像に合わせ、ストーリー音は言葉に合わせます。その後sound_brain.pyの提案を読み、意味を追加しないものは削除します。 - 以前は
"sound_design": "trend"は、すべてのエフェクトにトレンドパックから自動でレイヤー音が追加されることを意味していました。そのため、手動で音を追加するのは、ストーリーを運ぶ場合(ライザーで演出への導入、パンチライン前の静寂)のみにしてください。 - 1分あたり2〜4つのフロストシーンを追加。
- 最後にCTAを配置。
-
レンダリング
build_vip.pyを実行し、その後render.py plan_vip.json --draftを実行。2分を超えるレンダリングはバックグラウンドで実行。各モーションアイテムの初回レンダリングには3〜5秒かかり、人物マット処理はエフェクト1秒あたり約1秒かかります。 -
自己チェック
analyze.py <draft> --every 1を実行し、すべてのシートを読みます。以下の点を確認:- テキストが顔にかぶっていないか。
- エフェクトが間違った単語に配置されていないか。
- このテーマで色が読めないものがないか。
- 黒画面やフリーズフレームがないか。
- ラウドネスが −14 LUFS から外れていないか。
ビルダーを修正して再レンダリング。セグメントとモーションのキャッシュにより高速です。問題1つにつき最大3ラウンドまで許可。
-
最終レンダリング
render.py plan_vip.json(--draftなし)を実行。 -
納品 MP4を送信(利用可能な場合は
SendUserFile経由)。その後:- 3〜5行のサマリーを提供:長さ、テーマ、使用したエフェクトとその文、推測した内容。
- バックグラウンドでVIP Editorを起動:
python -X utf8 <skill>/editor/server.py edited/plan_vip.json。ユーザーがドラッグ、リタイム、再入力、色変更を手動で行え、トークンは消費しません。
複数音声 動画がカメラ前のスピーチとナレーションを混在している場合、scripts/voice_match.py を実行して両方の声を一致させます(references/edit_brain.md §5 参照)。すべてのクリップをスキャンして良いカメラ前のセリフを探し(すべてを一度に文字起こし)、ナレーションのみを使用するかどうかを決定します。
プロンプトによる微調整(初回編集後)
-
常に
build_vip.pyを編集し、生成された計画は編集しないでください。 ユーザーがVIP Editorで変更を加えたと言った場合は、まずplan_vip.jsonを再読み込みし、直接計画を編集します。再構築すると手動編集が失われるためです。どのアプローチを取るかユーザーに伝えてください。 -
リクエストを編集操作にマッピング:
リクエスト 編集 「đổi màu …」 THEME「câu N …」 文Nのブロック 「bỏ / thêm hiệu ứng X」 該当する motion(...)/layer(...)行を削除または追加「chữ to / nhỏ」 size「chữ thấp / cao」 CAP_Yまたはy「zoom nhiều / ít」 cam/cycleの移動「nhạc khác」 MUSIC「nhanh hơn」 aroll.py --speed(その後再ビルド) -
フルレンダリング前に確認: 変更範囲だけ
render.py plan_vip.json --preview A-Bを実行し、確認後、フルレンダリングを1回行います。
品質ルール
- キャプション 各フレーズに1つの
BlueTextを使用し、プレーンな字幕を置き換えます。1行あたりの**キーワード**は最大1つ。実写素材にはtone: "video"、薄いフロストにはtone: "light"を使用。 - クリーンフレーム キャプション以外に、画面上に最大1つの要素のみを配置。顔を覆わないこと。9:16の場合、テキストは上部10%および下部20%の範囲外に配置。
- カメラ 3〜6秒ごとに1つのカメライベント。大きな動き(SNAP、EMPH)は10秒に1回まで。
- ポップアウトクロップ
popoutクロップはあごの下から始める必要があります。そうしないと頭が枠から飛び出しません。 - 正直さ 映像またはユーザーのメッセージに表示されている価格、スペック、名前、引用のみを使用。
- ライセンスメディアのみ バンドルされた合成SFX、ユーザー自身のファイル、ロイヤリティフリーの音楽のみを使用。著作権のある曲や再アップロードされたクリップは決して使用しないでください。
環境メモ
- Python と Node Python 3.10+ と
requirements.txt(faster-whisper、rembg、onnxruntime、opencv、numpy、fonttools、Pillow、edge-tts)、Node 18+(motion/用)。motion/内でnpm ciを実行(セットアップで実行)。 - FFmpeg libass を含むフルビルドである必要があります。
- GPU
- NVIDIA GPU は Whisper と NVENC エンコーディングを高速化。
- GPUがない場合、Whisper は CPU で動作。速度を上げるには
--model smallを使用。 - rembg は DirectML または CUDA が利用可能な場合に使用。
- フォント Be Vietnam Pro と Playfair Display は
assets/fontsとmotion/public/fontsにバンドルされています。 - Windows での印刷 アドホックスニペットからベトナム語を印刷する前に
PYTHONIOENCODING=utf-8を設定。 - キャッシュ
<plan>_work/に保存。キャッシュが壊れた場合のみそのフォルダを削除。
トラブルシューティング
- モーションコンポが白紙でレンダリングされる:
motion/render_motion.py COMP '<props>' --duration 2 --still 1 -o x.pngで静止画をレンダリングして確認。 - マットに間違った人物(壁のロゴやポスター)が映る:
popoutの"head": [x, w]で飛び出し可能な列を制限するか、より落ち着いた瞬間を選ぶ。 - カット後に音がずれる: 複数の会話クリップをセグメントごとに連結しないでください。必ず
aroll.pyを使用。 - 「sound effect not found」: レシピ名は内蔵サウンドに対応(
render.pyのSFX_ALIASESを参照)。独自のname.mp3をassets/sfx/に配置して上書き可能。 - スクリプトで対応できないエフェクト: 直接 ffmpeg コマンドでレンダリングするか、
motion/src/blue/に色をT('…')でラップした新しいコンポを作成し、計画で使用。