Motion Diorama

Motion Diorama — 教育ビデオ制作スキル (v3.0 · 公開版)

基本原則: レンダリング前に確認し、その後に行うこと。 低コストで確認できるもの（タイムライン、スチルフレーム、テキスト幅）は、必ず先にパスしなければなりません。フル解像度レンダリングは、すべてのゲートが緑になった最後の一度だけ行います。

このファイルが核です。各モードのビジュアル詳細は references/ にあります — Mode Aは mode-a.md、Mode Bは mode-b.md、Mode Cは mode-c.md（このビデオの該当モードを、シーン構築前に必ず読むこと）。テストシナリオは evals/evals.md にあります。scripts/ 内のスクリプトは、そのまま正確に実行すること — 機能を書き換えてはいけません。

固定された決定事項（スキル作成者による — 黙って変更しないこと；このスキルを使用して変更する場合は、意図的に変更すること）

• 3つのアクティブモード: Mode A（風景/歴史 + ライブマップバリアント）、Mode B（物体の分解 — 物体/機械の仕組み）、Mode C（解剖学 — 人体シリーズ）。モードはユーザーがビデオごとに開始プロンプトで選択します。セッションはフェーズ2の前にそのモードのリファレンスファイルを読みます。
• 目標: オーディエンスを構築すること。 デフォルトのクロージング = 結論（Mode A）/ コールバック（Mode C）+ フェードアウト。ビデオ内にシリーズカード/ラベルはなく、画面上にフェーズピルや位置インジケーターもありません（2026年11月13日、v2.8でのユーザー決定） — シリーズのアイデンティティはキャプションのみに存在します。コール・トゥ・バリューは、トピックが適切でユーザーがそのビデオで要求した場合にのみ、まれに使用します — 必須要素ではありません。販売CTAは禁止です。
• 数字/データ = ハイブリッド: 画面上の読み上げ（DOMオーバーレイ）がすべての数字の主要システムです。例外: ビデオごとに最大1つのゴールドの3Dヒーロー数字がシーン内に表示されますが、それはそのビデオのピーク数字のみです — そして同じ数字は必ず読み上げ/キャプションとしても表示されなければなりません。3Dバージョンは視覚的な強調であり、情報伝達手段ではありません。
• 最終尺は 30～60秒 で、音声に従います。
• 音声: このスキルは音声に依存しません — ユーザーが public/narasi.mp3 に提供する任意のMP3ナレーションを使用します。
• 音楽: ユーザーからのファイルは public/musik.* に — 音楽を選んではいけません。
• 事実: ユーザーからの情報源が主要な参照であり、矛盾する場合は優先されます。セッションはウェブ調査で補完しても構いません。ただし、情報源を最終レポートに記載し、権威ある情報源（ジャーナル、機関、公式）を優先し、未検証の主張は必ず未確定としてマークすること — 推測を事実として提示してはいけません。
• 単一オペレーター: 1人。すべての成果物はセッション内のファイル（スチル、プレビュー、最終）として表示され、ダウンロード可能でなければなりません。
• 目標ペース: 1日1～2本のビデオ。効率性は設計上の要件です — スキャフォールド、プリミティブ、コンポーネントを再利用し、既存のものを再構築しないでください。
• ゲート — Mode Tinggalが公開版のデフォルト: セッションはユーザーの承認を待ちません。ゲート1（タイムラインサマリー）とゲート2（コンタクトシートスチル）は内部で実行されます: セッションは、このスキルの文書化された基準（バリデーターPASS + QCチェックリスト）に対して自身のフェーズ出力を評価し、最大2回の修正を試みてから続行します。決定はプロンプトの決定ブロックに従います（デフォルト: ナレーションが長すぎる場合は最大1.25倍の速度でテンポ調整、未検証の事実はレポートにマーク）。そのブロックで未回答の質問は、構築開始前に一度のメッセージでまとめて尋ねます — 途中で質問してはいけません。セッションは、ハードブロッカーの場合にのみ途中で停止できます: (a) 素材がないか壊れている、(b) トランスクリプトが作成不可能、(c) 最大テンポ調整後もナレーションが30～60秒の範囲外である。プロンプトが「Mode Tinggal: TIDAK」（いいえ）と明示している場合、クラシックゲートが適用されます — 2回のユーザー承認（フェーズ1後とフェーズ3後）と、証拠に基づくゲート2の緩和階段: 連続3回クリーンパス → シーンあたり1スチル、さらに3回 → 実績のあるシーンタイプではオプション。ゲート1は決して緩和されません。1回の主要なビジュアル修正で完全フォーマットに戻ります。すべての緩和は最終レポートに記録されます。

厳格な禁止事項

• シーンとしてAI画像/写真/2D/スプライト/外部テクスチャ/ダウンロードモデルを使用してはいけません。すべてのビジュアル = 手続き型Three.js 3Dジオメトリ。
• レターボックス禁止。カメラはネイティブ9:16。
• 動きは3D空間内のカメラのみ（本物のパララックス）。2D画像のズーム/パンで動きをシミュレートしてはいけません。
• 人間は、顔のない小さな暗いシルエットのみ。Mode Aの主被写体はクローズアップ禁止（風景のヒーロー動物/オブジェクトは最低8mのカメラ距離）— Mode Cではこの距離ルールは適用されません: ヒーロー臓器はフレームを埋めます。Mode Bでは、このルールはコンテキストステージのフレーミングにのみ適用されます — ラボステージのヒーローオブジェクトはフレームを埋めます（references/mode-b.md と references/mode-c.md を参照）。
• すべてのシーンで1つのレンダラー、1つのマテリアルセット、1つのライトリグ。
• 単語数/ストーリーボードから尺を推測してはいけません。タイミングはオリジナル音声からのみ取得します（タイミングのセクションを参照）。
• useFrame()、Math.random()、Date.now()、またはフレーム蓄積からのアニメーションは禁止 — すべての動きは useCurrentFrame() と固定シードによる擬似乱数定数から導出されます。

タイミング — timeline.json が唯一の真実の情報源

1. public/narasi.mp3 が存在することを確認します。存在しない場合: 停止し、ユーザーに通知します。音声が利用可能になる前にタイミングを決定してはいけません。
2. 以下の階層で単語ごとのタイムスタンプを取得します: a. ユーザーが提供する場合、TTSのデフォルトタイムスタンプ（例: ElevenLabs with-timestamps）— 最も正確。 b. フォールバック Whisper: ラージモデルのみ、language="id" を強制（自動検出しない）、Whisperは時間のみを提供 — 文のテキストはユーザーの公式スクリプトから取得し、トランスクリプト結果からは取得しない（インドネシア語ASRは数字や名前で誤認識しやすい）。
3. docs/timeline.json を以下のスキーマで作成します:

{
  "fps": 30,
  "audio_duration_s": 40.20,
  "total_duration_s": 41.00,
  "sentences": [
    {"id": 1, "text": "…", "start_s": 0.00, "end_s": 3.68, "scene": 1}
  ],
  "scenes": [
    {"id": 1, "sentence_ids": [1, 2], "start_s": 0.00, "end_s": 6.44}
  ]
}

4. マッピングルール: シーンの境界 = 次のシーンの最初の文の開始秒数。マッピングは文の内容に基づく — 尺を埋めるために文をグループ化してはいけません。実際のカットとタイムラインの差は0.3秒以下。
5. python3 scripts/validate_timeline.py docs/timeline.json を実行します。FAILの場合: タイムラインを修正し、繰り返します。FAILのまま続行してはいけません。
6. タイムラインサマリー（文の数、シーンマッピング、総尺）を作成し、以下の基準に対して自己評価します — これがゲート1です。Mode Tinggal: 停止しないでください。サマリーを最終レポート用に保存します。クラシックゲートモード: ユーザーに表示し、承認を待ちます。
7. total_duration_s は30～60秒でなければなりません。範囲外の場合: Mode Tinggal — プロンプトポリシーを適用します（長すぎる場合は最大1.25倍の速度調整、短すぎる場合はクロージングポーズを伸ばす）、レポートに記録します。それでも範囲外の場合、それはハードブロッカーです: 停止して報告します。クラシックモード: ユーザーに報告します — 黙ってカットやパッチを当ててはいけません。理由のない沈黙は禁止。クロージングでの0.3～1秒のポーズは許可され、合計に含まれます。

スタイルロック（要約 — 詳細は各モードの references/ にあり）

Mode A（詳細は references/mode-a.md）

• 半写実的なスタイリングされた3Dジオラマ: シネマティックな暖色パレット、固定された夕方のライトリグ、クリーンで滑らかなサーフェス、簡略化された背景。パレットはトピック/季節に合わせて調整可能。ライトリグとマテリアルは変更不可。
• トピックタイトル: 動くエスタブリッシングショットの上に、大文字のセリフタイポグラフィ。フック = ナレーションの最初の文（質問 / 神話への反論 / パラドックス）で、最初の約1.5秒以内にテキスト+音声+ビジュアルで提示。
• 字幕: 1単語ではなく、2～4単語のページ単位での単語ごとのカラオケ。アクティブな単語は太字、キーワードはアクセントカラー、下部の安全ゾーンに配置。
• データ読み上げ: ナレーションで数字が言及された瞬間にカウントアップするアニメーションカウンター + 小さなラベル + ポインターライン。後続の読み上げも同じスタイル。表示が許可される唯一の3Dテキスト: ピーク数字用の1つのゴールドヒーロー数字（固定された決定事項を参照）。
• カメラ: セグメント内での連続的な移動。ズームステップによる議論構造。事実のセグメント間のハードカットのみ、約0.1秒の黒フェードとして。
• ナレーション構造: システム/フローのトピックには「1つの流れを追う」を使用。1本のビデオで、デモンストレーションセグメントを持つ1つのトピックの2つの事実を含めることができます。
• クロージング: ビューティーショット + タイトル/時代のセリフ繰り返し + 結論文。黒にフェード。ビデオ内にシリーズのラベル/カードなし（v2.8）。（コール・トゥ・バリューは、このビデオで要求された場合のみ。）

Mode B — 物体の分解（詳細は references/mode-b.md）

• 2つの世界ステージ: Mode Aスタイルの暖色系コンテキストジオラマ（物体が生息地に完全な状態で表示） → 物体が分解される暗い技術グリッド背景のラボステージ。移行は連続ズーム（背景がフェード/アイリス）で、ハードカットなし。
• 1つのヒーローオブジェクトモデルが一度だけ手続き型で構築。爆発図と断面図は同じモデルから派生。
• タイトルカードなし（フック = コンテキストショットでのナレーションの最初の文）および永続的なHUDなし — ブレッドクラム、ズームカウンター、ミニマップ参照は破棄されます（リサーチ + v2.8の方向性による決定）。ナビゲーションは連続カメラ、リーダーラインラベル、瞬間的なフェーズタイトルから。
• 標準フェーズ: コンテキスト → ズーム + オブジェクトラベル → 分解（部品ラベルはインドネシア語 + 英語用語、ナレーションの順に出現） → 断面（プロセスがアニメーション + プロセス読み上げ） → 動作中（断面が動作、1つの流れを追う、プロセスラベル、セマンティックカラーコード化されたフローパーティクル） → 決定メカニズムのマクロ → カメラがズームアウトする際の一行原則ラベルのペイオフ。
• Mode Bのクロージング: 結論/原則の文 + 黒フェード。シリーズカード/ラベルなし（v2.8）。

Mode C — 解剖学（詳細は references/mode-c.md）

• ジオラマではない: 1つの光沢のある3Dヒーロー臓器が、暗い紫色のボケた虚空に浮かぶ。1つの臓器モデルが一度だけ構築され、すべてのシーンで使用。デフォルトのシリーズ名例: 「人体シリーズ」（あなたのシリーズ名に置き換えてください）。
• 絶対的なフローカラーコード: 青 = 酸素不足、明るい赤 = 酸素豊富 — このビデオ内でもシリーズ全体でも、決して逆にしてはいけません。細胞パーティクルは交換ポイントで、その文に正確に合わせて色が変わります。
• 必須の1つの流れを追う構造: カメラが1つのパケットを回路全体に導く。臓器 → システム → 顕微鏡 → 臓器 → 全身（シルエット）へのズームステップ。
• フック = 視聴者のリアルタイム参照 + 最初の1秒から臓器の視覚的鼓動と同期して動作するライブカウンター。セリフタイトルは約5～8秒後（フックの後）まで遅延され、事実の注釈が続きます。
• ステージピルやHUDなし（v2.8）: フローの位置はカメラの移動から読み取れます。解剖学ラベルチップが臓器に貼り付き、その部分がアクティブになると点灯します。
• Mode Cのクロージング: アニメーション化されたファイナルカウンター + フックを反映するコールバック文。黒にフェード。シリーズカード/ラベルなし（v2.8）。グラフィックな血液描写や医療リアリズムは禁止。

テキストルール（重なり防止 — 改訂の第一位の原因）

• 読む必要のあるすべてのテキストはDOMオーバーレイ（Remotionコンポーネント）であり、WebGLキャンバス内のテキストではありません。唯一の例外: 固定された決定事項にあるハイブリッド3Dヒーロー数字 — それ以外の3Dテキストは禁止。
• すべてのテキストを、@remotion/layout-utils の measureText/fitText で、フォントが読み込まれた後に測定します。fontSize = min（モードの制限、フィット結果）。最大幅はフレーム幅の90%。すべての辺に5%の安全マージン。プラットフォームの安全ゾーンを尊重（重要なテキストは上部±250px、下部±310pxを避ける）。
• テキストが読みやすさの下限サイズで収まらない場合: 2ページ/行に分割 — 読めなくなるまで縮小してはいけません。はみ出したままにしてはいけません。
• コントラスト: 明るい背景の上の明るいテキストには、暗いアウトライン/シャドウが必要。
• リーダーラインラベルも同じルールに従います。

音声

• ナレーションがマスタークロックです: すべてのシーン境界、キャプション、カウンター、カメラは docs/timeline.json を読みます — 2番目のタイミングソースはありません。
• ユーザーファイルからの音楽は、ナレーションの下のベッドとして配置されます（シンプルなダッキング; 単語を覆い隠さない）。ユーザーからの音楽ファイルがない場合: 音楽をでっち上げてはいけません — ユーザーに通知します。
• 最終版は −14 LUFS にノーマライズ、ピーク ≤ −1 dB。

制作フロー（順序はスキップ不可）

• フェーズ0 — スキャフォールド: 既存のプロジェクトスキャフォールドを使用。レンダラー、カメラリグ、スタイルロック、プリミティブは書き換えません。リポジトリにRemotionプロジェクトがまだ含まれていない場合（初回プロダクション）: このスキルパッケージリポジトリの starter/ フォルダからスキャフォールドを構築（動作が確認された正確なバージョンの依存関係を使用）、その後、既存のスキャフォールドとして扱います。
• フェーズ1 — タイムライン: タイミングのセクションに従う → バリデーターPASS → ゲート1（Mode Tinggalでは内部、クラシックモードではユーザー承認）。
• フェーズ2 — シーン構築 timeline.json とこのビデオのモードリファレンスファイル（references/mode-a.md、references/mode-b.md、または references/mode-c.md）を読みます。
• フェーズ3 — スチルゲート: シーンあたり3つのスチル（シーン開始/中間/終了）+ コンタクトシートをレンダリング。Mode Tinggal: このモードのQCチェックリストに対してコンタクトシートを評価し、スチルフェーズ内で問題を修正（シーンあたり最大2回）、その後続行 — ユーザーを待たない。コンタクトシート + 評価リストを最終レポート用に保存。クラシックモード: 表示し、ユーザーの承認を待つ。スチルフェーズで修正 — ビデオで修正するよりもはるかに低コスト。
• フェーズ4 — プレビュー + セルフQC: 0.5スケールのプレビューをレンダリング、自身の出力に対して以下のQCを実行し、すべての問題を修正（変更されたシーンのみ再レンダリング）してから報告。
• フェーズ5 — 最終版: フル解像度で一度だけレンダリング。bash scripts/check_output.sh out/<slug>-final.mp4 を実行。ファイル + QCレポートをセッションに表示。

高速レンダリング（固定パイプライン）

• シーンごとにレンダリング: out/scenes/scene-N.mp4。FFmpeg concat -c copy で結合（コーデック/解像度/fpsパラメータはシーン間で同一必須。一致しないと結合が壊れます）。
• --concurrency = セッションのCPUコア数（nproc で確認）。デフォルトは使用しない。
• プレビューは常に --scale=0.5。フル解像度 1080×1920 はフェーズ5のみ。
• フレームあたりのコストを低く保つ: プリミティブジオメトリ、多数の要素にはインスタンシングなど。