リリックビデオ
ユーザーの録音をリリックビデオに変換します。トランスクリプトの精度、タイミング、視覚スタイルは別々の判断として扱います。元のソースを保存し、レンダリングは個別の出力フォルダーに保存します。
スタイルを選ぶ
ユーザーが選択した、または以前に承認されたスタイルを尊重します。スタイルが決まっていない場合は、ルックを確定する前に、タイポグラフィ、配置、表示動作について簡潔な質問を1つ行います。プレーンな字幕、カラオケハイライト、特大のキネティックレタリングなど、いくつかの関連する選択肢を提示します。反転、Impact、大文字、引き伸ばされたレタリング、10%のマージンをすべてのビデオに自動適用しないでください。
特大文字内の反転映像で、プログレッシブな単語表示と交互の支配行を使用する場合は、references/inverted-style.md を参照してください。同梱のスクリプトはそのプリセットを実装しています。他のスタイルについては、そのプリセットがすべての処理をサポートしていると主張するのではなく、適応するか別のレンダリング方法を使用します。
要求された場合、代表的な静止画と短いモーションドラフトを使用します。承認されたスタイルをフルビデオに引き継ぎ、繰り返し承認ゲートを導入しないでください。
不明瞭な歌詞を文字起こしし、レビューする
- ソースの長さ、フレームレート、寸法、回転、カラースペース/レンジ、オーディオを検査します。録音を文字起こしし、音響的な単語タイムスタンプを取得します。均一に配置された単語を最終的なアライメントとして使用しないでください。
- 不確かな認識、矛盾する文字起こしパス、疑わしいフレーズ、アドリブ、クリップされたエンディングを確認します。2番目のモデルが役立つ場合もありますが、一致しても正確性が証明されるわけではありません。不確かな歌詞と不確かなタイムスタンプを区別します。
- 必要に応じて、曲/アーティスト名や提供された歌詞リファレンスを尋ねます。録音が個人用、未公開、または利用可能なリファレンスがない場合は、リファレンスの検索を中止し、ユーザーのレビューを使用します。このスキルを使用して、ユーザーのメディアや歌詞を公開しないでください。
- 編集可能なタイムスタンプ付きトランスクリプトと、再生順の不明瞭なスパンのコンパクトな番号付きリストを作成します。各項目には、安定したID、開始/終了、およびそれを特定するための十分な周囲の単語が含まれます。未解決の表現は、推測を黙って選択する代わりに
[UNCLEAR]としてマークします。最初にマークされていなかった場合でも、他の疑わしいエラーを含めます。修正を待つ間、このリストは変更しないでください。 - ユーザーに、ID順またはその順序で欠落している単語を提供するよう依頼します。独立したスタイリング/エクスポートの準備を続行します。許可されている場合は、プレースホルダーを含むレビューカットを提供し、明確にラベル付けします。それをリリック最終版と呼んではいけません。
- 順序付けられた返信を、番号付きのスパンに1対1で適用します。修正の数が一致することを確認します。数または意図されたスパンが不明瞭な場合は、それらの単語を変更する前に、そのマッピングについてのみ質問します。ユーザーが提供した表現、スラング、露骨な歌詞を保持します。軽微なスペルの正規化について言及します。文法のために歌詞を黙って書き換えないでください。
- 複数単語の修正を、個別にタイミングが設定された単語に展開し、録音に再アライメントします。フレーズのリフローが必要でない限り、承認されたレイアウトの選択を保持します。タイミングが推定しかできない場合は、そのことを開示し、タイミングのレビューを表現の承認とは別に保ちます。長いフレーズを小さな残り時間に詰め込んで、正確な同期を主張しないでください。カットオフされたエンディングの場合は、録音がサポートする内容を説明します。拡張、フリーズ、または編集の変更を行う前に、続きまたは選択肢を尋ねます。
- トランスクリプトとタイミングレンダリングデータの両方を更新し、元のソースからレンダリングします。修正されたすべてのスパンとトランジションをチェックします。実際の最終カード/字幕データ内で
[UNCLEAR]、疑問符プレースホルダー、TODO、未解決のIDを検索します。すべてのユーザー修正が、意図された場所に正確に1回存在することを確認します。レビュードキュメント内の不確実性に関するメモを、画面上の残骸と誤解しないでください。 - ビデオを送信する準備ができているかどうか尋ねられた場合、プレースホルダー数、残っている疑わしい表現、タイミングの注意点、エクスポートの検証を別々に報告します。プレースホルダーがゼロであっても、完全に検証されたトランスクリプトの証明にはなりません。プライベートな推論を公開せずに簡潔な結論を述べます。未解決の問題が残っている場合は、それをレビューカットとして準備完了と呼びます。
タイミングとエクスポート
単語タイムスタンプ付きのローカルMLX Whisperは、Appleシリコン上の文字起こしルートの1つです。Whisper.cpp DTWは、t_dtw = -1 を返す場合、フラッシュアテンションを無効にする必要があるかもしれません。欠落したタイムスタンプは拒否します。参照歌詞は、ポーズやアドリブを含め、この特定のパフォーマンスにアライメントする必要があります。
圧縮されたドラフトではなく、ソースからレンダリングします。ユーザーが変更を要求しない限り、ソースのフレーミング、実際の解像度、フレームレート、カラー解釈、オーディオを保持します。最大品質を得るために、ロスレスRGBコンポジットマスターと互換性のある高品質MP4を提供します。アップスケーリングだけでは詳細が回復しません。エクスポート設定を選択する前に、プラットフォーム/コーデックの制約を確認します。
時間/フレーム数、オーディオの存在と保存、開始/終了のカバレッジ、テキストの収まり、部分的および完全に表示されたフレーズ、修正のカバレッジ、選択された視覚効果を確認します。サポートされている場合は、直接的なアーティファクトリンクとインラインプレビューを提供します。レビューステータスとエンコーディング品質は区別します。