自律型AIショートクリッパー & フォーマット認識バイラル動画制作 (clip-short v2.4)
長時間のソース素材を取り込み、ソースの形式とストーリーを理解し、適切なビジュアル処理を選択し、モバイルファーストの縦型動画をレンダリングし、エクスポートされたMP4から結果が正しいことを証明するエージェント型動画エンジニアリングスキルです。
v2.4は3軸ルーターを維持し、主張された品質と目に見える品質のギャップを埋めます：フェイルクローズドなQA、真のマルチモーダル意味レビュー、ナレーションからビジュアルへのタイムスタンプ、ショットレベルのスピーカーチェック、実際のオブジェクト識別、ダイアグラム境界検証、キャプション/オブジェクト衝突テスト、サムネイルOCR、再現可能な証明、キャンペーンパフォーマンス学習。
v2.0は固定された「すべてのソースに単一レシピ」モデルを3つの独立した決定に置き換えました：
- ソースは何か？（視覚アーキタイプ）
- ストーリーは何か？（ナラティブアーキタイプ）
- そのストーリーに最適な処理は何か？（編集処理）
54/46の分割画面は、そのシステム内の強力なプリセットの一つであり、普遍的な法則ではありません。実際のレンダリングファイルに対してプロダクション品質ゲートを通過するまで、クリップは準備完了とマークされません。
使用するタイミング
- 生のライブ配信、カンファレンストーク、ポッドキャスト、数時間に及ぶVODを取り込み、スクリーニングして、高保持率のショート動画候補を特定する場合
- **最高期待値（
EV）**計算式で候補を選択し、キャンペーン適格性でゲートする場合 - ソース素材を3つの独立した軸（
visual_archetype、narrative_archetype、editing_treatment）に沿って分類する場合 - アダプティブレイアウトエンジン（全画面クロップ、スピーカー切替、アダプティブ分割画面、PiP、プログレッシブダイアグラムズーム、シーン単位のストーリーテリング、ミニマリストドキュメンタリー）にルーティングする場合
- キャンペーン認識の言語境界スナップを適用する場合：完全な文でのコールドオープン、ゼロフィラー、終止符、キャンペーンルールに従いペイオフを切り捨てない実行時間
- パッケージング前にトランスクリプトとドメイン専門用語を検証する場合
- 顔認識キネティックタイポグラフィを安全ゾーンクリアランス付きでレンダリングする場合
- 5つの異なるテキストレイヤーを分離する場合：HUDヘッドライン、字幕、YouTubeタイトル、サムネイルヘッドライン、キャンペーンキャプション
- エクスポートされたMP4に対して全フレームポストレンダー検査を実行し、
REJECTED_RENDERにフェイルクローズする場合 - 合格/不合格のプロダクションゲートと編集パフォーマンスポテンシャルスコアでスコアリングする場合
- 実際のキャンペーンメトリクスを記録し、将来の選択にフィードバックする場合
- 人間承認済みのステージングリリース用に検証済み提出パッケージを準備する場合
アーキテクチャとサブスキルインデックス
[ 生 4K / 1440p マスターソース ]
|
v
+-----------------------------------+
| 1. キャンペーンプリフライト | ---> [subskills/campaign-preflight.md]
| - 実行時間 / 音声 / コンテンツ | ルールがない場合、
| - 権利と承認済みソース | HUMAN_REVIEWにフェイルクローズ
+-----------------------------------+
|
v
+-----------------------------------+
| 2. 3軸分類 | ---> [subskills/format-router-templates.md]
| A. 視覚ソースアーキタイプ | [references/clipper-format-archetypes.md]
| B. ナラティブアーキタイプ |
| C. 編集処理 |
+-----------------------------------+
|
+-----------------------+-----------------------+
| |
v v
+-----------------------------+ +-----------------------------+
| 3. トランスクリプト検証 | | 4. 言語境界スナップ |
| - ASR信頼度 | | - 完全な文でのオープン |
| - ドメイン専門用語 | | - 0フィラーワード |
| - エンティティ/頭字語チェック| | - 終止符 |
| - 元の字幕との差分 | | - キャンペーン認識実行時間 |
| [subskills/transcript- | | [subskills/linguistic- |
| verification.md] | | boundary-snapping.md] |
+-----------------------------+ +-----------------------------+
| |
+-----------------------+-----------------------+
|
v
+-----------------------------------+
| 5. アダプティブレイアウト & 意味 | ---> [subskills/pip-split-screen-geometry.md]
| ビート編集 |
| - フォーマット駆動のクロップルーティング|
| - 被写体変更に応じた視覚フォーカス |
| - プログレッシブダイアグラム追跡 |
+-----------------------------------+
|
v
+-----------------------------------+
| 6. タイポグラフィ & メタデータ | ---> [subskills/kinetic-typography-safe-zones.md]
| - 顔認識安全ゾーン | [subskills/faithful-metadata-packaging.md]
| - 5つの分離テキストレイヤー |
| - 専用サムネイルビルド |
+-----------------------------------+
|
v
+-----------------------------------+
| 7. プロダクションゲート & スコアリング| ---> [subskills/pre-render-quality-gates.md]
| - プリレンダー技術ゲート | [references/viral-scoring-rubric.md]
| - 全フレームポストレンダーQA | [subskills/regression-fixtures.md]
| - 合格/不合格ゲート + 編集 |
+-----------------------------------+
|
v
+-----------------------------------+
| 8. 人間承認リリース | ---> [subskills/fleet-staged-publishing.md]
| - 提出パッケージ | [subskills/autonomous-10m-cadence-daemon.md]
| - 人間承認必須 | [subskills/performance-feedback.md]
| - メトリクスフィードバックループ |
+-----------------------------------+
コアプロダクションスタンダード（必須）
1. 3軸分類は必須
ソースを固定の編集テンプレートに直接マッピングしないでください。独立して分類します：
- 軸A — 視覚ソースアーキタイプ：映像が物理的に何であるか（単独トーキングヘッド、マルチカメラポッドキャスト、コーナー顔出し+画面共有、全画面スクリーン録画、ホワイトボード/ダイアグラム、スライドデッキ、ゲーム実況+顔出し、全画面ゲーム、ナレーション付きイラスト/アニメーション、ナレーション付きドキュメンタリー/Bロール、スポーツ/アクション、ライブパフォーマンス、製品デモ、二人討論）。
- 軸B — ナラティブアーキタイプ：ストーリーが何であるか（好奇心/ミステリー、逆張り意見、説明/教育、討論/意見の相違、個人のストーリー、デモ/結果、コメディ/オチ、リアクション、リスト/ステップ、感情的な暴露）。
- 軸C — 編集処理：この特定のストーリーをどのように見せるか（全画面クロップ、動的スピーカー切替、アダプティブ分割画面、ピクチャーインピクチャー、プログレッシブダイアグラムズーム、シーン単位のストーリーテリング、アニメーションキャプション、コンテキストBロール、ミニマリストドキュメンタリー処理）。
6つのレガシーFORMAT_*テンプレートは、処理プリセット（3軸の名前付き組み合わせ）として引き続き有効です。これらは分類器ではありません。
2. アダプティブレイアウトエンジン（ゴールデン54/46はプリセットであり、法則ではない）
レイアウトはソースコンテンツから選択され、デフォルトで適用されるわけではありません：
| ソースコンテンツ | レイアウト |
|---|---|
| ポートレートスピーカー/トーキングヘッド | 全画面ポートレートクロップ |
| ランドスケープポッドキャスト | 顔認識縦方向クロップ |
| 2人のスピーカー | 最小滞留時間付き動的スピーカー切替 |
| コーナー顔出し+画面共有 | アダプティブ54/46またはPiP |
| ワイドなアーキテクチャダイアグラム | プログレッシブ水平追跡とコンポーネントズーム |
| スクリーン録画 | アクティブウィンドウクロップとズーム |
| イラストアニメーション | 全画面シーン追跡 |
| ナレーション付きBロール/ドキュメンタリー | 全画面コンテクスチュアルビジュアル |
| スライドプレゼンテーション | スライド分離、スピーカーインセットは有用な場合のみ |
| ゲーム/スポーツ | アクションセーフクロップと顔出しインセット |
| ライブパフォーマンス | 全ステージフレーミング、ビートマッチカット |
| 製品デモ | オブジェクトフォーカスクロップ、手/結果の可視性 |
ゴールデン54/46モバイルスプリットは、コーナーPiPストリーマー映像のデフォルトプリセットのままです：
- 上部ペイン：$1080 \times 1040$（$54.17%$）、バストショットクロップ。
- 下部ペイン：$1080 \times 880$（$45.83%$）、顕著性分離されたサポートカード。
- シーム：$y = 1038$で4px
#1E293B。
パノラマダイアグラム、ナレーション付きイラスト、全画面ドキュメンタリー、またはスプリットによってラベルがモバイル可読性を下回るソースには強制しないでください。ダイアグラム全体を縮小して収める必要がある場合は、ダイアグラムを意味的なビートに分割し、各コンポーネントを個別にズームします。
3. 意味的ビート編集が固定時間フェーズを置き換える
視覚的なフォーカスは、任意のタイムスタンプに達したときではなく、被写体または議論が変わるときに変更されます：
- Lexスタイルポッドキャスト：質問中は質問者、説明中は回答者、矛盾点では関連するスピーカー、結論ではそれを伝えるスピーカーを表示。
- Veritasiumスタイルミステリー：興味を引く導入イラスト、設定中の調査者と農家、ハエでのプログレッシブリビール、ペイオフのために鎌と自白を保持。
- Theoスタイル技術説明：アナロジー中のスピーカー、メカニズム中のインターフェース/ハーネスダイアグラム、特別な構文中のターゲットズーム、ツール実行中の最終ノード。
5フェーズのタイムスタンプ進行は、ビート検出が利用できない場合のフォールバックとしてのみ使用できます。固定フェーズは意味的フォーカスを決してオーバーライドしません。
4. ナラティブファーストの実行時間とキャンペーン準拠
持続時間の解決順序：
- キャンペーンルール（明示的な
min_seconds/max_seconds）— 最優先。 - ナラティブ完了 — デフォルトの数値に合わせるために最終的なペイオフを決してカットしない。代わりにセットアップを圧縮する。
- デフォルトターゲット $18.0\text{s} - 22.5\text{s}$；思考を完了するために必要な場合は、柔軟な上限 $23.5\text{s}$。
キャンペーン要件は、持続時間、音声、コンテンツ、ハッシュタグ、メンション、アカウント、オーディエンス、および開示に関するハウスデフォルトをオーバーライドします。欠落または曖昧なキャンペーンルールはHUMAN_REVIEWにフェイルクローズします。
5. パッケージング前のトランスクリプト検証
Whisperや任意のASRモデルを盲目的に信頼しないでください。スコアリングまたはパッケージングの前に：
- ドメイン専門用語、頭字語、および名前付きエンティティを辞書と照合して検証する。
- 利用可能な場合、元のソース字幕と比較する。
- ASR信頼度を確認し、異常な置換をフラグする。
- 低信頼度の専門用語については人間のレビューを要求する。
- 未検証のエンティティに基づいて構築されたタイトルやキャプションを公開しない。
6. 顔認識タイポグラフィと5つの分離テキストレイヤー
これらのレイヤーは意味的に一貫性を持たせつつ、テキスト的に異なるものにします：
- ビデオHUDヘッドライン — 上部の好奇心バッジ、3～6語、最大38文字、末尾に句読点なし、フックの後にフェードアウト。
- 音声字幕 — 逐語的なワードアライメントキャプション。
- YouTubeタイトル — 検索可能で忠実、信頼できるパラフレーズを使用可。
- サムネイルヘッドライン — 1つのプライマリヘッドライン、専用のサムネイルステージで構築。
- キャンペーンキャプションとハッシュタグ — キャンペーン固有の要件。
顔認識配置：検出された顔のランドマークからヘッドラインとキャプションを配置し、単一の固定座標から配置しない。目、口、またはスピーカーの重要な表情を決して覆わない。キャプションは54/46プリセットでMarginV = 920（ベースライン $y = 1000$）を維持する。アダプティブレイアウトは、被写体の顔とソーステキストをクリアする同等の安全ゾーンを計算する。
サムネイルルール：1つのヘッドラインのみ、字幕の断片なし、重複したヘッドラインカードなし、顔と目が遮られていない、サポート画像がすぐに被写体を伝える、モバイルサイズで読み取り可能。
7. 全フレームポストレンダーQAとプロダクションゲート
すべての品質決定は、レンダリング設定ではなく、実際にエクスポートされたMP4に対して行われます。重大な失敗がある場合は拒否（REJECTED_RENDER）します：
- デバッグオーバーレイ：コード、フィルター式、または内部変数が任意のフレームに表示されている。
- カーソル：マウスカーソルが意図せず表示されている。
- クロップ整合性：重要なダイアグラム、テキスト、または被写体が切り取られている。
- グラフィック可読性：サポートビジュアルがモバイルサイズで読み取れない。
- 顔の隠蔽：ヘッドラインまたはキャプションが重要な顔の特徴を隠している。
- テキスト衝突：キャプションが既存のソーステキストと重なっている。
- サムネイル整合性：重複したヘッドラインまたは過剰なテキスト。
- キャプション精度：話された言葉が表示されたキャプションと異なる。
- 視覚的連続性：黒フレーム、フリーズ、または偶発的なトランジション。
- キャンペーン準拠：持続時間、音声、コンテンツ、またはアカウント要件が違反されている。
0.25秒、1.0秒、すべての主要シーントランジション、すべての主要キャプション/グラフィックトランジション、中間点、および最後の2秒でコンタクトシートを生成します。準備完了とマークする前に、完全な再生レビューを実行します。
8. 2つの別個のスコア
- プロダクション品質ゲート — 合格/不合格。 キャンペーン準拠、レンダリング整合性、キャプション精度、音声、ビジュアル可読性、権利。1つの重大な失敗は拒否を引き起こします。
[以降の内容は翻訳のため省略されました]