トーキングヘッド用Bロール は何をしますか?
ユーザーの録画は既に完成しています。言葉と配信は最終版です。トーキングヘッドだけでは視聴するのに退屈なので、このフィルムの役割は、音声の各セクションに対して、映像に何を表示するかを決定することです。音声は決して停止せず、映像だけが変化します。
録画は決してカット、移動、トリミング、拡大縮小されることはありません。あなたが作成するものはすべて、その上に描画されるレイヤーです。話者を表示する部分は透明、グラフィックで覆う部分は不透明です。scripts/render.mjs がそのレイヤーを録画の上に重ね、音声を保持します。
一度で完了させてください。録画や常識的なデフォルトで答えがわかる質問はせず、納品時に選択した内容をリストアップしてください。録画と同じフォルダで作業し、スクリプトはそのフォルダから実行してください。出力も同じフォルダに生成されます。以下、<skill> はこのスキルのフォルダ(このファイルがあるフォルダ)を指します。
1. 文字起こし
node <skill>/scripts/transcribe.mjs talk.mp4 # → transcript.json、各行の開始時刻と終了時刻を出力
このスクリプトは、動画のサイズ、フレームレート、長さ(これらはページに使用します)と、文の区切りで分割された文字起こしを出力します。全ての単語のタイミングが transcript.json に記録されます。何かを決定する前に、文字起こし全体を読んでください。whisper.cpp がインストールされていればそれをローカルで使用し、なければ ELEVENLABS_API_KEY を使用します。どちらもない場合は、設定方法を出力します。ポーズは音声自体から取得されるため、文と文の間のギャップは話者が実際に停止している箇所です。文内のタイミングは、数分の1秒の誤差範囲内です。文字起こしは数字を聞き間違える可能性があります。もし発言内容と整合性が取れない数字があれば、それを画面に表示せず、納品時にその旨を説明してください。
2. 計画:3つの処理方法
A. 話者表示。 動画のみで、何も重ねません。話者がポイントとなる場面で使用します。オープニングの一文、個人的な意見やストーリー、感情的なビート、行動喚起、クロージングの一文など。
B. オーバーレイ。 動画はそのまま表示され、その上に透明なモーションレイヤーが重なります。キーワードや短いフレーズ、カウントアップする数字、アイコン、矢印、ロゴ、項目が順に追加される短いリストなど。一文に、話者を見る価値がある一方で、見る価値のある具体的な内容が1つある場合に使用します。オーバーレイは端や画面の上部3分の1、下部3分の1に配置し、話者の顔にかからないようにします。一度に1つのアイデアを画面に表示し、その一文が終わると消えます。
C. カバー。 不透明な全画面モーションシーンで話者を隠し、音声はそのまま続けます。数字や比較、プロセスや手順、仕組みの説明、製品やインターフェース、3つ以上の要素があるものなど、顔で説明するよりも映像で示した方が良い場合に使用します。モーションはその一文を説明するものであり、装飾するものではありません。
文または節の区切りで文字起こしを分割します。各行にA、B、Cのいずれかを割り当て、1文の理由を付け、BまたはCで何を表示するかを記述します。その後、リズムを確認します。
- 視聴者が話者と出会うためにAで開始し、Aで終了します。
- Aが約8秒以上続かないようにし、BまたはCで区切ります。
- Cのセクションは約3~8秒とし、Cのセクションの間には話者に戻り、フィルムがナレーション付きスライドショーのようにならないようにします。
- 処理の変更は行の区切りで計画し、オーバーレイの表示はそれが説明する単語のタイミングに合わせます。以下のタイミングルールを使用して、どの要素が先行するか、または同期するかを選択します。
- 1行ごとに変更するよりも、より少なく、より明確な処理を優先します。
ビジュアルタイミング:ビートごとに決定
Bロールレイヤー全体に対して1回ではなく、意味のある要素ごとにタイミングを選択します。計画に、表示する話された単語/フレーズ、タイムスタンプ、タイミングの選択、短い理由を記録します。
| タイミング | 使用する場面 | クロック |
|---|---|---|
| 約6フレーム先行 | 視覚的な準備ができる文脈:軸、カード、オブジェクト、プロセス構造 | s.now |
| 関連する単語に同期 | 新しい重要な事実:金額、パーセンテージ、価格、ランキング、最終的なチャート値 | s.audioNow |
| 明かされるまで待つ | オチ、否定、保留された回答、結論 | s.audioNow、明かされる単語またはフレーズでゲート |
「収益が30%成長した」の場合、チャート構造を早めに導入し、30%を読みやすくし、最終的なバーの値を「30%」で同時に着地させます。同期とは、情報が読み取り可能または確定していることを意味し、単に長いフェード/カウントアップが開始されたことではありません。準備的なモーションは早めに開始できますが、答えを早期に明かしてはいけません。以前に示された値は、文脈として表示されたままにすることができます。
SCENES.from/to と単語アンカーは、元の文字起こしの秒数で維持します。テンプレートは、構造クロックを VISUAL_LEAD_FRAMES / FPS(デフォルト6フレーム:25fpsで240ms、30fpsで200ms)だけ進めます。s.now、t、s.in、s.out はそのクロックに従います。s.audioNow は実際の再生時間のままです。同期された各事実は s.audioNow >= wordStart でゲートします。アンカー自体をずらしたり、完成したレイヤーをエディターで再タイミングしたりしないでください。正確な同期が要求された場合は VISUAL_LEAD_FRAMES = 0 を使用します。混合シーン内では、事実と保留されたコンテンツをオーディオクロックに保ちます。
録画、音声、キャプション、フィルムの長さは変更しないでください。シフトされたシーンの終了が、同期された表示を隠したり、読み取り可能なホールド時間を短くしたりしないことを確認してください。必要に応じて、そのシーンと隣接するシーンを拡張/再計画してください。話者のみのオープニングとクロージングを維持してください。アンカー周辺を聞いてください。推定された単語時間は、フレーム精度が保証されていません。これは、サンプルレビューに基づいた編集上のデフォルトであり、普遍的な知覚ルールではありません。
比較のために、ビジュアルを固定し、音声と共にレビューしてください。scripts/compare-timing.py は古いレイヤー全体のシフト実験です。ゼロリードのベースラインアルファレイヤーにのみ使用し、選択的にタイミングが設定された、または既に進められたレイヤーには使用しないでください。これらの要素ごとの選択を検証することはできません。
完全な焼き込みキャプションはこの機能の一部ではありません。ユーザーが明示的に要求した場合のみ追加してください。Bオーバーレイのテキストは、話されている文ではなく、いくつかのキーワードです。
画面のテキストは、話者が実際に言った単語、または文字起こしやユーザーの資料からの数字や名前を使用します。数字、主張、引用をでっち上げないでください。
3. ページを構築する
<skill>/templates/b-roll.html を録画の隣に page.html としてコピーし、以下を設定します。
VIDEO、W×H(動画の形状:1920 × 1080、または縦長の場合は 1080 × 1920。4Kファイルでも1920 × 1080のページを維持できます)、FPS、DURATION。これらはtranscribe.mjsが出力した値です。FACE:話者の頭の位置(髪の毛を含み、少し余白を持たせる)を、フレームに対する比率で指定します。node <skill>/scripts/render.mjs page.html face --stills 2s,20s --faceで録画とボックスを表示します。全てのスチルで頭が収まるまで調整します。SCENES:BまたはCのセクションごとに1エントリ。{ from, to, kind: 'overlay' | 'cover', draw }。時刻はtranscript.jsonの単語タイミングから取得します。シーンに含まれないすべての部分はAになります。2つのシーンは隣接できます(一方のtoが次のfromになります)。間にわずかな話者表示があると、ちらつきとして認識されます。- シーンごとに1つの
draw(t, s)。その行の内容に合わせて記述します。テンプレートの2つの例(キーワードカードと同期された数字)は構造を示すものであり、見た目を示すものではありません。s.inとs.outは入り口と出口を示します。s.nowは進められた構造クロックです。同期された事実や保留された表示にはs.audioNowと元の単語アンカーを使用します。
サーフェイスのデフォルトはLIGHTです。以下の場合のみダークにします。(a) ユーザーまたはブランドが明示的に要求した場合、または (b) 主題が本質的に暗いサーフェイス(ターミナル/コード、夜空、映画館)上にある場合。ネオンオンブラックは、あらゆるAI動画の決まりきったデフォルトであり、依頼なしにそれを選択することはデザインの失敗です。
フォント:使用するウェイトごとに1つのGoogle Fonts <link> を追加し、描画するすべてのフォントを FONTS にリストします。これにより、フォールバックフォントでレンダリングされることがなくなります(レンダリングにはフォントをロードするためのネットワークアクセスが必要です)。
4. 確認する
node <skill>/scripts/render.mjs page.html --check # 計画を文字起こしとピクセルに対して確認
node <skill>/scripts/render.mjs page.html film.jpg --sheet 1 # フィルム全体を1秒1フレームで録画の上に重ねて確認
node <skill>/scripts/render.mjs page.html shot --stills 12s,20s # テキストとスペーシングを読むためのフルフレーム
--check はパスしなければなりません。すべてのカバーは、表示中は話者を完全に隠し、オーバーレイは FACE 領域にまで達しておらず、元の音声アンカーはすべて単語間にあり(表示されるグラフィックは先行しても構いません)、シーン外には何も描画されておらず、テキストがフレーム外にはみ出したり、他のテキストに重なったりしていないことを確認します。テキストがフレーム端から3%以内にある場合、一部のプレーヤーでクリップされる可能性があるため警告を出します。また、各セクションで何が言われているかのタイムラインと、リズムに関する警告(話者のみの長いセクション、3秒未満または8秒を超えるカバー、カバーが連続する、話者で開始または終了しないなど)を出力します。理由がある場合は警告を許容できるので、その理由を説明してください。
グラフィックがその行の内容を正しく表現しているか、テキストが判読可能か、カードやチャートの線からはみ出していないかは判断できません。シートで流れを確認し、すべてのシーンのスチルでテキストを確認してください。問題がなくなるまで修正と確認を繰り返してください。
5. レンダリングと納品
node <skill>/scripts/render.mjs page.html film.mp4 # 完成フィルム:録画、その上のBロール、元の音声
node <skill>/scripts/render.mjs page.html b-roll.mov # Bロールのみ、アルファチャンネル付き:Premiere Pro、Resolve、Final Cut用のProRes 4444
node <skill>/scripts/render.mjs page.html b-roll.webm # 同様のもの、VP9 + アルファ:小さく、ブラウザやOBS用
film.mp4、ページ(ブラウザで開くとフィルムを音声付きで再生し、シーンをスクラブできます)、および短い表形式の計画(時間、発言内容、処理方法、画面表示内容)を引き渡します。ユーザーがPremiere Pro、DaVinci Resolve、Final Cutで編集する場合(.mov:ProResは大きく、1080pで1秒あたり約5MB)、アルファレイヤーも提供します。これは録画の上のトラックに配置され、0から開始します。ユーザーから要求されなかった選択内容を説明してください。
必要環境:Node 18+、作業フォルダまたはその上位フォルダ(またはスキル自身のフォルダまたはその上位フォルダ)に npm i playwright-core、ffmpeg、Chrome(または npx playwright install chromium)、および文字起こし用のwhisper.cppまたはElevenLabsキー。