Communitygithub.com

long-video-voice

承認済みのビデオスクリプトに対し、ナレーションとキャラクターボイスからなる音声ファイルを作成します。

long-video-voice とは?

このスキルは、long-video ワークフローの第7段階であり、動画の台詞音声(ナレーションとキャラクターボイス)を生成・管理するためのものです。まず、動画に音声が必要かどうかを判断し、ユーザーの確認を求めます。必要と判断された場合、ナレーターと各キャラクターからなるボイスキャストを構築し、ElevenLabs MCPなどのツールで短いサンプル音声を生成してユーザーの承認を得ます。その後、シーン番号と話者で命名された音声ファイルを1台詞ごとに出力します。ユーザーが自分で録音・生成する場合には、スクリプトとファイル名一覧を提供します。対応プラットフォームは Claude Code などの AI エージェント環境で、long-video-clips や long-video-keyframes の後に使用します。

対応✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/samanfirouzi/long-video-skill/tree/HEAD/skills/long-video-voice

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

Long video voice(ロング動画音声)

ロング動画ワークフローの第7段階。出力:音声ファイルのフォルダ(1台詞につき1ファイル、シーン番号と話者で命名)。または、動画に音声が不要という判断。

シーンとは、スクリプトの1クリップ(1ショット、最大10秒)を指し、動画全体を通して番号が振られています(前の段階と同様)。

開始前

  1. プロジェクトを ~/.long-video/projects/<slug>/ 内で見つけてください。status: approved の video-script.md と film-style.md が必要です。
  2. プロジェクト設定を読み込みます:言語、ナレーションソースとプロバイダー(audio.voiceover)、providers.tts、承認レベル、予算。
  3. film-style.md から発話モードと音声の説明を読み取ります。
  4. 既に audio/ または voice-scripts/ が存在する場合、次のいずれかを尋ねます:続行(完了したものをリストアップ)、またはやり直し。

ステップ1: 動画に音声は必要か?

尋ねる前に判断します。以下を確認:

  • film-style.md 内の発話モード(ナレーター、キャラクター、混合)、
  • 設定内の audio.voiceover.source(none、self-recorded、cloud-tts、local-tts)、
  • スクリプトにナレーションまたはダイアログの行がいくつあり、それが何シーンに含まれているか。

その後、理由とともに推奨事項を示し、確認を求めます。例:「スクリプトには104シーン中96シーンに142のナレーション行があり、設定はクラウドテキスト読み上げを使用しています。ナレーション付き動画をお勧めします。音声を作成しましょうか?」

  • スクリプトに台詞行がない場合、または設定がナレーションなしの場合:理由とともにスキップを推奨。
  • 承認された場合。ステップ2に進む。
  • 不要な場合。project.json に "voice_mode": "none" および "stage": "voice-skipped" を設定。後の段階では音楽と効果音のみを使用することを伝えます。停止。
  • 推奨と異なる場合。ユーザーに従います。音声が none で、ユーザーが希望する場合は、設定ノートを更新します。

ユーザーの確認なしに音声を作成しないでください。

ステップ2: ボイスキャストを構築する

  1. すべての話者をリストアップ:ナレーター(いる場合)とダイアログを持つ各キャラクター。それぞれの行数を数えます。
  2. 各話者について、film-style.md から音声の説明(年齢、トーン、アクセント、速度)を取得します。説明がない場合は、visual-bible.md のキャラクター説明から提案し、「提案」とマークします。
  3. キャストを表で表示:話者、ID、行数、音声説明。ユーザーに確認または編集を求めます。
  4. 話者ID:narrator、またはキャラクターIDから char- プレフィックスを除いたもの(例:char-mara は mara)。これらのIDはファイル名に使用されます。

ステップ3: 音声の作成方法を選択する

「Claude が音声を生成しますか?それとも、ご自身で作成(録音またはご自身のツールを使用)しますか?」と尋ねます。

  • Claude が生成。ステップ4へ。
  • 自分で作成。ステップ6へ。
  • 両方。音声スクリプトを書き(ステップ6)、生成も行います(ステップ4)。
  • audio.voiceover.source が self-recorded の場合、直接ステップ6へ。

ステップ4: 音声ツールを見つけてサンプルを作成する

references/voice-generation.md を読んでください。要約:

  1. 設定(providers.tts)に保存されている方法があれば、それを使用します。テストしてください。
  2. このセッションで接続されている、音声を生成するツール(ElevenLabs MCP など、または音声ツールを持つスキル)を探します。
  3. デバイス上のAPIキー環境変数を確認します。「設定済み」または「未設定」のみを表示します。
  4. ローカルのテキスト読み上げツールを確認します。
  5. 何も見つからない場合、ユーザーにAPIキー(環境変数として、チャットに貼り付けない)、接続するMCPサーバー、またはブラウザ内の音声サイトがあるか尋ねます。またはステップ6へ。

音声サンプルが先です。ユーザーが音声を承認する前に、完全な音声を生成しないでください。

  1. 各話者について、説明に合った音声を選びます。ツールの音声一覧を表示し、そこから選択します。記憶から音声IDを使用しないでください。ツールが説明から新しい音声をデザインできる場合、合いにくい音声にはそれを提案します。
  2. 話者ごとに短いサンプル(5~15秒)を1つ作成します。その話者が実際にスクリプトで言う台詞を使用します(設定の言語で)。ナレーターの場合は冒頭の行を使用します。台詞に演技指示がある場合はそれを含めます。
  3. サンプルを audio/samples/ に sample_<speaker>.mp3 として保存します。
  4. 各サンプルを、話者、音声名、台詞とともに提示します。ユーザーに承認または別の音声を依頼します。別の音声が要求された場合、新しいサンプルを1つ作成します(一度に1つ、バッチ再試行はしません)。各話者が承認されるまで繰り返します。
  5. 承認された音声を voice-cast.md(話者、音声名、音声ID、設定、サンプルファイル)に記録します。film-style.md の音声一覧を一致するように更新します。

再試行のために生成呼び出しを繰り返さないでください。各呼び出しで再度課金される可能性があります。

ステップ5: 台詞を生成する

  1. references/voice-script-format.md を読んでください。スクリプトから台詞一覧を作成します:1台詞につき1アイテム、シーン順。
  2. ユーザーに行数、合計発話時間、おおよそのコストを伝えます。開始前に確認を求めます。範囲(例:シーン1~10)で開始することを提案します。
  3. テストシーン。 最初のシーンの音声を生成します。再生するか、その長さを報告します。出力が正しいか確認します。まず設定を修正します。
  4. 承認された音声のみを使用して、シーン順に生成します。演技指示を適用します。台詞一覧の発音注意事項を使用します。
  5. 各行を audio/lines/scene-<NNN>_<speaker>_<NN>.<ext> として保存します。確認せずにファイルを上書きしないでください。
  6. 各ファイルの後、ffprobe で長さを測定します。スクリプトのシーン時間と比較します(適合ルールについてはフォーマットリファレンスを参照)。結果を記録します。
  7. 台詞がシーンに合わない場合、文言は変更しません。選択肢を提示します:少し速い発話(最大10パーセント)、長めのシーン(ただし10秒制限内)、またはユーザーの承認を得て台詞を2シーンに分割。
  8. 一括か1つずつか:ユーザーに尋ねます。1つずつの場合、各行の結果を再生し、承認または再実行の要求を待ちます。
  9. ツールがビデオクリップ内で独自のオーディオ(リップシンク)を作成する場合、そのオーディオを保持するか、これらのファイルを使用するか尋ねます。回答を audio/status.md に記録します。

生成が失敗した場合、またはユーザーが辞退した場合、残りのシーンについてはステップ6にフォールバックします。

ステップ6: ユーザー向け音声スクリプト

  1. 完成した音声ファイル用に audio/lines/、台詞一覧用に voice-scripts/ を作成します。フルパスを表示します。
  2. 20シーンごとのバッチファイル(scenes-001-020.md)と voice-scripts/index.md を、フォーマットリファレンスに従って作成します。各行には以下を含めます:
    • 保存するファイル名:audio/lines/scene-007_narrator_01.mp3
    • 話者と音声説明
    • 正確なテキスト、演技指示、発音注意事項
    • シーン時間(音声をチェックするため)
  3. 尋ねます:一括、または1つずつ。
    • 一括。 フォルダパスと1つの例を表示します。ユーザーはバッチファイルを通して作業します。
    • 1つずつ。 最初の行とそのファイル名を表示します。ユーザーが保存したと言うのを待ちます。ファイルが正しい名前で存在し、その長さを測定したことを確認します。その後、次の行を表示します。
  4. いつでもフォルダの確認を申し出ます:ファイルをインデックスと比較し、欠落、誤った名前、または長すぎる音声をリストアップします。

ステップ7: ステータスと完了

  1. audio/status.md をフォーマットリファレンスの表で最新に保ちます。ステータス値:pending、done、needs-manual、skipped。
  2. project.json を更新:台詞一覧が保存されたら "stage": "voice-prompts-done"、すべての台詞行に音声ファイルがありユーザーがセットを承認したら "stage": "voice-done"。
  3. ユーザーに audio/ と voice-scripts/ のパス、ビデオ時間に対する合計発話時間、欠落または長すぎるものを伝えます。
  4. 作業ツールを設定(providers.tts)に保存することを提案します(メソッドと名前のみ)。
  5. long-video-sound(効果音、環境音、BGM)に進むことを提案します。ユーザーが同意した場合のみ開始します。ユーザーが要求し、その段階が存在しない限り、他の後の段階を開始しないでください。

ルール

  • ステップ1でユーザーの確認なしに音声を作成しないでください。
  • 音声サンプルが承認される前に、完全な音声を生成しないでください。
  • スクリプトの文言を変更しないでください。台詞が合わない場合は、まず尋ねてください。
  • ツール自身の音声一覧またはユーザーから得られなかった音声IDを使用しないでください。
  • チャットでAPIキーを尋ねないでください。ブラウザでパスワードを入力したりCAPTCHAを解決したりしないでください。
  • 再試行のために生成呼び出しを黙って繰り返さないでください。各呼び出しで再度課金される可能性があります。
  • 台詞一覧が承認された後は、ファイル名を変更しないでください。
  • チャットメッセージは短く保ちます。完全な台詞一覧はファイルに置いてください。

Individual skills in this repo

This repo contains 6 individual skills — each has its own dedicated page.

long-video-assets

Video and animation skill. Build the visual foundation for a long video from an approved story. Extracts the recurring characters, environments and key objects, helps the user choose one art style from suggested options (10 at a time, more on request), then writes image generation prompts for every character (portrait plus character sheet), environment and object, all sharing one locked style. Can also generate the images (installed tool, API, MCP or browser) or hand the user a folder and file names to fill. Use after lon

long-video-director

Turn an approved story into a shot-by-shot video script, acting as the director. Asks whether the video uses a narrator or characters who speak (or both), suggests professional filming choices (camera type, lenses, camera movement, lighting, color, pacing), saves them as a separate film style file, then writes a script that matches the project config. Outputs film-style.md and video-script.md. Use after long-video-story (and long-video-assets) are done, or when the user asks for the video script, shot list, camera style or lighting plan.

long-video-keyframes

Create the start and end frame image for every scene (clip) of the approved video script. Writes one image prompt per frame with a fixed file name that holds the scene number and start or end, makes a folder for the images, and can generate the images with an available image tool, or hand the prompts to the user all at once or one by one. Use after long-video-director, or when the user asks for start frames, end frames, keyframes or scene images.

long-video-render

Assemble the finished video and run the review loop. Builds the edit from the clips (or images with camera moves), voice, sound stems and captions, renders a low quality review version with scene numbers and time burned in so a client can review it, collects and applies changes (re-rendering reviews as often as needed), and when the user approves, renders the high quality final video. Uses a video editor with a CLI or MCP (FilmCraft, EffectCraft or another) if one is available and the user wants it, otherwise the bundled ffmpeg renderer. Use after long-video-sound, or when the user asks to render, assemble, export, preview or finalize the video.

long-video-sound

Video and animation skill. Create the sound effects, ambience and background music for the video and place them on the timeline. Plans the sound design from the approved script, sources or makes each sound (Openverse for openly licensed recordings and music, Earshot to make sounds from words and to listen to and judge sounds, Clipwing real-sfx to place real sounds on exact frames), records licences and credits, and mixes separate stems (effects, ambience, music) with the music ducked under speech. Or gives the user a fold

long-video-story

Agree on the story for a long video. The user either supplies a story or asks Claude to write one. When Claude writes, it first asks which story style to use (for example niche discovery, or a provocative-questions narration), runs that style's skill, and revises until the user approves. Use after long-video-setup, or when the user says "story for my video", "give me an idea", or wants to change an unapproved story. Ends only when the user explicitly approves the story.

関連スキル