zhengshuyuan2023uk/cartoon-audio-short

カートゥーン短編：アイデア → 脚本 → ナレーション → 完成MP4

見た目： 平たい2Dの豆ヘッドカートゥーンキャラクター（キャンバスに描かれた「カード」、プラム色の輪郭線）が、カラフルな3D世界の中で動きます。黒インクの輪郭線、ペイント風テクスチャ、被写界深度、滑らかなカメラワークが特徴です。出力は1080x1920、30fpsで、ナレーションの長さと正確に一致します。ユーザーの声はそのまま保持されます。BGMと効果音は合成され、音声レベルの50% で配置されます。実績あり：「決して去らなかった兵士」（19.7秒、8ショット）

ルール

• ストーリー、キャラクター、ショットは常にオリジナルであること。決して他のクリエイターの動画をショットごとに再現しないこと。代わりに、同じアイデアに対する独自の解釈を提供すること。
• 実在する有名人をキャラクターにしないこと。ブランドのマスコットやロゴも使用禁止。
• ユーザーが要求しない限り、キャプションは付けないこと。作中内のテキスト（刻まれたメッセージ、看板など）は可能です。ただし、正しく読めること（反転していないこと）。
• 音声を編集したり、タイミングを変更したりしないこと。映像は音声に合わせてタイミングが調整され、すべての視覚的なリアクションは、その単語が発声される0〜3フレーム前に配置されます。
• オーディオレベル： BGMは音声レベルの50%（−6dB、ゲートRMS）に設定します。効果音は50%以下に設定し、ピークがナレーションを超えないように制限します。ミキシングは常にmix.pyを使用し、手動では行いません。この比率を変えるようなダッキングや圧縮は使用しないこと。ミックス全体には1つのリニアゲインとピークリミッターのみを適用します。
• タスクリストでユーザーに進捗を伝えること。長尺レンダリングの前にスチルコンタクトシートを送信すること。

ステージ1：受け付け（常に最初）

オーディオファイルが既に添付されている場合は、ステージ4にスキップします。脚本も渡されている場合は、それをタイミング調整に使用します。それ以外の場合は、1つのAskUserQuestion（またはそのツールがない場合はプレーンテキスト）を送信します：「どこから始めますか？」

• ナレーション準備完了：アップロードを依頼し、脚本テキストも持っていれば一緒にアップロードするよう依頼します（脚本があればタイミングが正確になります）。アップロードされたらステージ4に進みます。
• 脚本はあるがナレーションが必要：必要に応じてステージ3で脚本をブラッシュアップし、録音のヒントとともに返し、アップロードを依頼します。その後ステージ4に進みます。
• 動画のアイデアと脚本が必要：ステージ2に進みます。また、ユーザーが希望の長さを伝えていない場合は、それも尋ねます。デフォルトは20〜30秒です。45〜60秒も許可されます。

ステージ2：10個の動画アイデア

1つの返信で正確に10個のアイデアを番号付きで提示し、ユーザーに番号（または「もっと」）で返信するよう依頼します。各アイデアには以下を含めます：

• タイトル（5〜8単語、好奇心をそそるもの。例：「決して去らなかった兵士」）
• フックライン：最初に話される文で、事実として述べられる逆説（「ある男がエッフェル塔を売った。二度も。」）
• どんでん返し：1行で（動画を締めくくる皮肉な落ち）
• アニメーションに適している理由：2〜3の大きな視覚的瞬間（崩壊、暴露、追跡など）
• 真実か伝説か：それが文書化された歴史なのか、異論のある記述なのか、民間伝承なのかを明確に述べる。

このフォーマットに「完璧な」アイデアの条件：

• 物理的な因果関係があり、視覚的に示せる驚くべきストーリー。
• 明確な普通のキャラクター、エスカレートする賭け、そして最後の行でのどんでん返し。
• シンプルな3D形状とカートゥーンカード（町、橋、船、城、砂漠、研究所、宮殿）で構築できる設定。
• 10個のアイデアを時代とテーマにわたって混ぜること：古代、中世、1800年代、現代、科学、動物、発明、災害、奇妙な法律、幸運な偶然。
• 真実として提示するものについては、提供する前にWeb検索で重要な事実を確認すること。バイラルな伝説を事実として提示しないこと。ユーザーがどうしてもそれを望む場合は、「伝説によると」と枠組みすること。
• 実在する存命人物を冗談の対象にしないこと。過激な内容や政治的な内容は禁止。

ステージ3：脚本（アイデア選択後）

ナレーションのみを記述します（話されるテキスト内にト書きは含めません）。速度は約3.7単語/秒に調整：20秒 ≈ 75単語、30秒 ≈ 110単語、60秒 ≈ 220単語。構成：

1. フック（文1、前置きなし）：不条理な事実。
2. 設定（1〜2行）：いつ、どこで、誰が、具体的な詳細。
3. エスカレーション（2〜4ビート、各ビートは前より大きい）。他者は疑ったり嘲笑ったりする。1つの誇張ジョークを使用。
4. 謎またはピボット：「しかし、〜のとき...」/「実は、」で、本当の仕組みを導入し、しばしば日常的な例えを用いる。
5. どんでん返し／決着：短く、皮肉的で、動画の最後の言葉。平易な話し言葉、短縮形、8〜15単語程度の文、数字は言葉で書く。視聴者が既に見ているものを説明しない。

その後、以下を返信します：

• コピー可能なブロック内の脚本。単語数と推定長さを含める。
• 1段落の視覚的計画（アニメーション化するショット）。
• 録音のヒント：安定した温かみのあるナレーターの声1つ。ElevenLabsが適しています（深みのあるナレーターの声、速度約1.05〜1.1、安定性約45〜55%）。Mp3またはwavで構いません。文の終わりで自然な間を残してください。音楽なしでエクスポートしてください。
• 依頼：「準備ができたらナレーションをアップロードしてください。完全な動画を作成します。」最終的な脚本テキストは保持します。ステージ4のタイミング調整に使用するため、音声認識は不要です。変更されたバージョンを録音した場合は、最終的なテキストを尋ねてください。

ステージ4：動画を制作する（ナレーションアップロード後）

ここからは中断せずにすべてを実行します。タイミングが解決できない場合にのみ質問してください。

4.0 キットを入手する

コードキットは このスキルフォルダ内の kit/ にあります（エンジン、ツール、実例、および同梱のthree.js r160とgithub.com/mromidev/claude-animated-shortsのtoon.ts Penライブラリ（両方ともMITライセンス））。フォルダを見つけるには find / -name SKILL.md -path "*cartoon-audio-short*" 2>/dev/null を実行し、その kit/ を読み取り専用として扱います。

次に bash <skill>/kit/tools/setup.sh ~/shorts/<slug> を実行します。これにより、エンジンとツールがプロジェクトにコピーされ、同梱のthree.jsがインストールされ、Node 22の module.stripTypeScriptTypes で toon.ts から型が削除され、Playwrightがリンクされます。ネットワークは不要です。同梱ファイルがない場合は、npmまたはgitクローンにフォールバックします。

• 要件：Node 22.6+、numpyとPillowを含むPython 3、ffmpeg、およびChromiumを使用したPlaywright（不足している場合は npm i -g playwright && npx playwright install chromium）。
• パッケージレジストリがブロックされている場合、GitHub経由のgitが通常は機能します。TLSを無効にしたり、プロキシを回避したりしないでください。
• Chromium：事前インストールされたPlaywrightブラウザを --use-angle=swiftshader --enable-unsafe-swiftshader --ignore-gpu-blocklist フラグとともに使用します。これにより、フレームあたり約3〜10秒でCPU WebGLが提供されます。

4.1 タイミング

python3 timing.py voice.mp3 script.txt --out work を実行します。

• whisperまたはfaster-whisperがインストールされている場合、単語のタイムスタンプを使用します。
• それ以外の場合は、スクリプトのフレーズ（句読点で分割）を無音検出された音声セグメントに整列させ、音節を継続時間に一致させ、セグメント内の文末とフレーズ内の長いギャップにペナルティを与えるDPを使用します。
• ASRもスクリプトもない場合は、スクリプトを要求します。Claudeは音声を聞くことができません。
• work/phrases.json を確認します：ポーズは文末にくるようにします。総フレーム数 = round(duration × 30)。

4.2 ショット計画（コードの前の work/PLAN.md）

ショットごとに1行：フレーム、単語、設定、光、カメラの動き、キャラクター/ポーズ/表情、エフェクト、効果音のキュー。

• フレーム0は既にフック画像です。
• 通常、フレーズごとに1ショット。小さなフレーズは次のショットにマージします。
• すべての文を文字通りに図解します。小道具がジョークを運びます。
• ショットサイズを変える：フックMCU → ワイドリビール → ツーショット → キーオブジェクトのインサートクローズアップ → リアクションクローズアップ → 決着のための環境移動。
• ビートに光を使用：通常は昼光、衰退やドラマにはゴールデンアワー、説明には夜の青。時間の飛躍には6フレームの白いフラッシュ。
• どんでん返しのラインにはスティング（音楽停止、低いヒット、ロールを伴うプッシュイン）。最後のショットの物理的な決着は最後の単語で発生。

4.3 ワールド（web/main.js）

エンジンのセクションはそのまま保持：トゥーンマテリアル、インクコントラスト、add/tbox、空、ライト、カード、レンダーターゲット/ポスト、applyLight、drawActors、swapForNd、renderFrame。// ---------- world ---------- と // ---------- cards ---------- の間のサンプルワールド、および worldState() のストーリー部分を置き換えます。

• ペイントされたキャンバステクスチャ（paint.js：板、梁、腐った木、石、苔/ツタ、草、土、漆喰、屋根瓦、大理石、バナー、刻まれたテキスト）を使用してプリミティブから構築します。同じフラットで暗い継ぎ目のスタイルで新しいペインターを作成します。
• 一定のテクセル密度、2ステップのトゥーングラデーション、およびフォグ = 地平線の色には tbox を使用します。
• 背景：丘（半分埋まった球）、山（円錐 + 雪のキャップ）、ヒノキ/松の木、遠くの家、ペイントされた雲のビルボード。
• セットピース（崩壊、落下、ドア）は、worldAt(f) からの0..1の進行によって駆動されるピボットグループであり、パーツはイーズアウトおよびスタガーされます。
• 曲線に沿った作中テキストにはプレーナUVを使用します。反転していないことを確認します。

4.4 キャスト（web/roman.js → web/toon.js）

• romanFront(p, outfitKey, opts) は、ソールがy=975の600x1000のデザインキャンバスに描画します。カードの高さは2.25mなので、1単位 = 0.00225mです。
• アウトフィットを OUTFITS（チュニック/マント/鎧/兜/髪/帽子/あごひげ/エプロン/ドレス/トガ）に追加し、同じスタイルで新しい頭飾りや小道具を追加します。
• 腕のポーズ：垂らす、槍を持つ、指す、上げる、振る、腰に手、お腹、こめかみ（+渦巻き）、持ち上げる、手を伸ばす（+持ち上げる）、頬、盾、交差、親指。
• 表情：toon.tsのFACEセットに加えて、いびき、頑固、目を細める。必要に応じてFACEを拡張します。
• 編集後、cat web/toonbase.js web/roman.js > web/toon.js で再構築します。新しいデザインを使用する前に、キャラクターテストシートをレンダリングします。
• ビルボードはヨー方向のみ回転し、コンタクトブロブとアルファテストされたシャドウを取得し、ワールドパスでインク付けされることはありません。
• q() で丸められた値からカードキーを構築します（これにより、キャンバスは目に見える変更があった場合のみ再描画されます）。
• 分離されたパーツ（例：持ち上げられた兜）は独自のカードであり、headCenter(seed) で整列されます：y = DECK + (partY − hc) × 0.00225。

4.5 モーション：スムーズで生き生きと（web/motion.js）

• カメラ：camFromKeys(keys, f, {kicks})。スムーザーステップグライド（18〜45f）、リビールやホイップには easeOut、曲線的な動きには path 経由点（Catmull-Rom）を使用します。すべてのホールドはわずかに動き、4フレーム以上静止することはありません。ドラマには3〜5°のロール、インパクトには7フレームのフリップシェイクを使用します。
• 連続性：連続的な動きを優先します（クローズアップからワイドへの引き、フォーカスラック、デッキを通ってのクレーン、オブジェクトへのプッシュ）。場所や時間のジャンプがある場合のみハードカットし、その場合はフラッシュを伴います。
• キャラクターは決して止まらない：すべてのカードに idle(f, seed) を適用し、blinkAt で瞬きさせ、強調された単語で頭を上下に動かします。
• アクション：予備動作 → back オーバーシュート → spring セトル。スタンプは2フレームのディップ + ダストパフ + キックです。笑いは交互の傾き + 上下動です。
• 二次的な動き：バナーの布の波、葉/ほこり/水滴/Zzzエフェクトカード、流れる水。常に何かが動いています。
• 歩行：walk() は距離 + 歩行フェーズを提供します。足は接地、上下動は3〜7%。
• レンズ：クローズアップとミディアムに被写界深度（cInf 8〜14 px）、目にピント。ワイドはシャープ。フォーカスラックは約14フレーム。

4.6 ルックチェック（フルレンダリング前）

各ショットの中間、トランジション、およびキーアクションでスチルをレンダリングします：node render.mjs stills/a "5,40,..." 次に python3 sheet.py stills/a stills/sheet_a.jpg を実行します。シートを見て、以下のトラップを修正します：

• 狭い垂直フレーム：水平方向の半幅 = d·tan(hfov/2)、hfov = 2·atan(tan(vfov/2)·0.5625)。4m、fov 40の場合、±0.8mなので、キャラクターを奥行き方向に配置します。
• 顔の前の手すりや柱（カメラが手すりの内側または約2.5m上にある）。家、屋根、茂みを通るカメラパス。約2m未満の前景小道具。柱の後ろに隠れたヒーロー。
• 反転したテキスト。分離されたパーツカードが間違った方向にオフセットされている。
• 押し出しマテリアルグループ：0 = キャップ、1 = サイズ+トップ。
• インクの欠落：エッジのみの出力をデバッグ。インク半径は1080で約2.5px。空は遠深度としてカウントされ、カードとしてはカウントされません。シートを1行のショットサマリーとともにユーザーに送信し、フルレンダリングを開始します。

4.7 サウンド（audio.py → ステム → mix.py）

ストーリーに合わせてキューテーブルを書き換えます。シンセサイザーはそのままです。audio.py はステム（music.wav、sfx.wav）のみを書き出します。

• 音楽：短い行進曲風のループ（キック/スネア、プラックベース、ブラスパッド）。どんでん返しのラインで停止し、その後は低いドローンが続きます。
• 効果音：イベント時（フレーム/30）：大きな動きにはスウッシュ、スタンプにはドスン、崩壊にはゴロゴロ+クラッシュ、金属には擦る音、リビールにはティン、どんでん返しにはスティング、きしみ、パチン、水しぶき、いびき、葉、水のアンビエンス。
• ミキシング：python3 mix.py voice.mp3 music.wav sfx.wav を実行。音楽を音声のゲートRMSの50%（−6dB）に正確に設定し、効果音を50%に、ピークは音声ピークの0.7倍に制限します。測定されたレベルを出力します：音楽が音声に対して−6.0dBであり、効果音がそれ以下であることを確認します。
• サウンドを作成する前にピクチャータイミングを固定します。タイミングを変更するたびに、audio.pyとmix.pyを再実行する必要があります。

4.8 レンダリング + 仕上げ

• node render.mjs frames "0-<N-1>" をBashの run_in_background で実行し、進捗を報告してエラーやプロセス終了をキャッチするMonitorループで監視します。RESUME=1 で中断後も続行できます。小型マシンでは同時に重いPythonを実行しないでください。
• bash finish.sh "Title" を実行します。約−14 LUFSの1つのリニアゲインと−1 dBFSのピークリミッターを適用し、H.264 CRF 17 + AACでエンコードし、フリーズ/ブラックおよびラウドネスのQAを実行し、out/qa_sheet.jpg を書き出します。シートを確認します。0.4秒以上のフリーズスパンやブラックフレームがある場合は修正が必要です。
• MP4をSendUserFileで配信し、各ショットの内容を数行で説明します。キャプション、微調整、またはリストからの次のアイデアを提案します。

エンジンの落とし穴（キットに保存されています。再構築する場合は保持してください）

• #include <fog_vertex> / <fog_fragment> は独自の行に配置します。
• 最終パスは linearToOutputTexel(...) を書き込みます（レンダーターゲットはリニアHalfFloatです）。
• 法線+深度パスはメッシュごとにマテリアルを交換します：ワールド → 法線/深度、カード → アルファテストマスク（rgb 0、a = depth）、ブロブ/雲/空は非表示、水 → フラット法線。フォグとシャドウはこの間オフになります。
• インクは深度ジャンプの手前側のみに適用されます。折り目は法線ドットから来ます。カードの隣接部分はスキップされます。インクは約140〜520mでフェードアウトします。
• 被写界深度：48タップ、サンプルごとのCoCテスト（前景ブリードなし）。
• 太陽は光プリセットごとにaz/elから来ます。シャドウカメラは各ショットのアクションの中心に配置されます。

アーキテクチャ（キット編集のためのリファレンス）

• web/index.html はローカルHTTPサーバー上で main.js（ESモジュール）を読み込みます

…

[翻訳のため一部省略]