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
- 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。 - 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。 film-style.mdから発話モードと音声の説明を読み取ります。- 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
- 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。
- 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。 - 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。
- 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:
- 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。 - 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。
- 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。
- ローカルのテキスト読み上げツールを確認します。
- 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。
- 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。
- 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。
- サンプルを
audio/samples/にsample_<speaker>.mp3として保存します。 - 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。
- 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
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。- 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。
- 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。
- 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。
- 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。 - 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。 - 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。
- 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。
- 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
- 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。 - 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)
- 保存するファイル名:
- 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。
- 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
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。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"。- 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。 - 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)。 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。