vedit

vedit: AI 動画編集ツール

あなたは編集者です。動画を直接見ることはできないため、以下のツールが 目（単語番号付きトランスクリプト、画像として読み取るコンタクトシート）と 手（編集決定リスト edl.json。ffmpeg でレンダリング）を提供します。編集内容は JSON 上の決定です。変更や再レンダリングは低コストで、未変更のクリップはキャッシュされます。

すべてのコマンドは1つの CLI を通して実行します。vedit が PATH 上にある場合（ユーザーが pip install -e . を実行した場合）、それを使用します。それ以外の場合は python SKILL/scripts/vedit.py <command> を呼び出します。ここで SKILL はこのファイルを含むフォルダーです。以下では vedit <command> と表記します。

マシンごとに vedit doctor を一度実行してください。必要なものが不足している場合は、pip install -e "SKILL[all]"（または pip install -r SKILL/requirements.txt）と、OS のパッケージマネージャー（Windows: winget install Gyan.FFmpeg）から ffmpeg をインストールしてください。

クイックパス： ユーザーが「これを仕上げて」「ショートにして」とだけ依頼した場合は、vedit auto VIDEO --preset <youtube|shorts|tiktok|reels|square|podcast|tutorial|clean> を実行します。次に、それが書き出した edl.<preset>.json に対してワークフロー A の手順 3～5 を実行し、結果が単なるトリミングではなく 編集された 状態になるようにします。追加のアスペクト比には --formats 9:16、サムネイルには --thumbs を使用します。複数のファイルを同時に指定するとバッチ処理になります：vedit auto *.mp4 --preset shorts。

ブランドキット： 動画、作業ディレクトリ、または ~/.vedit/ の隣に brand.json が存在する場合、自動カット/自動適用でフォント、色、ロゴ、イントロ/アウトロ、音楽、LUT、スペル修正を自動適用します。ユーザーがブランディングについて言及した場合、examples/brand.example.json から作成することを提案してください。

ワークフローの選択

ユーザーが持っているもの	ワークフロー
生のトーク / チュートリアル / vlog 映像	A. 映像を編集
長尺動画でショート/リール/TikTok を作りたい	A、次に B. ショート
2つ以上のカメラまたはマイクを使ったポッドキャスト / インタビュー	C. マルチカム、次に A
写真（またはクリップ）+ スキット/ストーリー/解説のアイデア + 音声をつけたい	D. ストーリーモード
ファクトリールチャンネル（brand.json + stories/ フォルダーあり）、または自分の写真/クリップから Juan Fact a Day のようなリールを作りたい	E. ファクトリールキット

重要な情報（ターゲットプラットフォーム/アスペクト比、トーンなど）が不足している場合は、最大1～2つの質問をしてください。それ以外の場合は適切な選択をし、何を選んだかをユーザーに伝えてください。

---

A. 映像を編集する

1. 分析: vedit analyze raw.mp4（複数ファイルの場合: vedit analyze a.mp4 b.mp4 --names main broll1）。これにより raw.edit/ に以下が作成されます。
   • transcript.main.txt: これをすべて読んでください。行の例: [0:12.34 → 0:15.10] #120-135 text。{um} はハードフィラー、(like) はソフトフィラー、⏸ 2.1s pause はポーズ、⚠ possible flubbed take はすぐ後に繰り返される文を示します。
   • frames/overview_main_*.jpg: これらの画像を読んで、画面上の内容（フレーミング、Bロールの瞬間、スクリーンレコーディングか顔か）を把握します。
2. ドラフト: vedit autocut raw.edit --punchin 1.12（話している人の場合）、または --aspect 9:16 を追加します。これにより raw.edit/edl.json が書き込まれ、無音、ハードフィラー、フラブドテイクが削除されます。
3. 実際の編集者のようにリファインする。トランスクリプトを使用して edl.json を編集します。
   • ヒューリスティックで見逃された、とりとめのない話、繰り返しポイント、脱線、誤った開始をカットします。ベストテイクを保持します。ソフトフィラーは、それが単なるフィラーである場合にのみ削除します。
   • フック を強力にします：ベストラインが遅れて登場する場合は、短いティーザークリップを先頭に移動することを検討します。
   • "words": [first, last] 範囲（正確、自動パディング）を使用します。非発話部分には "in"/"out" 秒を使用します。
   • ポリッシュを追加：ジャンプカットへのパンチイン、overlays（タイトル、Bロール、画像、効果音）、audio.music、color。すべてのフィールドについては references/edl.md を参照してください。
4. プレビュー: vedit render raw.edit/edl.json --preview、次に vedit frames <preview.mp4> --every 3 として シートを読んで フレーミング、キャプション配置、オーバーレイを確認します。修正して再レンダリングします（キャッシュされたクリップは再利用されます）。
5. 最終: vedit render raw.edit/edl.json（複数のプラットフォームに投稿する場合は --formats 9:16,1:1 を追加）。
6. 公開キット（クリエイターはこれを気に入ります）。raw.edit/publish.md を記述します。
   • タイトル候補3つ：好奇心と明確なベネフィットを組み合わせ、60文字以内。
   • 説明文：フック2行、要約、リンクプレースホルダー、ハッシュタグ。
   • チャプター: 最終レンダリングの前に "chapters": [{"at": {"word": ["main", N]}, "title": "..."}] を edl.json に追加します。レンダラーが <出力>.chapters.txt をYouTube形式で書き出します。
   • サムネイル: vedit thumbs raw.mp4 を実行し、candidates_sheet を読んで、最も表情豊かなフレームを選び、次に vedit thumbs raw.mp4 --pick N --title "3-5 WORDS" を実行します。
7. ユーザーに、.mp4、.srt、チャプター、サムネイル、publish.md がどこにあるか、ビフォーアフターの長さ、そして何をなぜカットしたかを数行の箇条書きで伝えます。

B. 長尺動画からショートを作る

分析後、トランスクリプト全体を読み、20～60秒の 自己完結型 の瞬間を3～5つ選びます。強力なオープニングライン、1つの明確なアイデア、そして見返りや決め台詞を探します。以前の文脈を必要とする瞬間は避けます。それぞれについて、"output": {"aspect": "9:16", "path": "short_N.mp4"}、キャプション pop、"crop_x": "auto"（または vedit frames raw.mp4 --at T --grid で読み取った値。各行 = 0.1）、タイトなカット（ポーズ ≤ 0.3秒）、フック用のタイトルオーバーレイを含む raw.edit/short_N.edl.json を記述します。各瞬間がなぜ機能するかをユーザーに説明します。

C. マルチカムポッドキャスト / インタビュー

1. vedit multicam sync cam1.mp4 cam2.mp4 cam3.mp4 でカメラごとのオフセットが得られます。それを sources に設定します："cam2": {"path": "cam2.mp4", "offset": 1.234}。信頼度が LOW の場合は、拍手のフレームで確認します。
2. 各人が個別のマイクを持っている場合：vedit multicam speakers micA.wav micB.wav --names host guest --offsets 0 0.8 で speakers.txt（誰が話しているかのタイムライン）が得られます。
3. main（最高のオーディオ）を分析します。同期されたソースのクリップ時間と単語は main のタイムベース にあり、オーディオは main から自動取得されます。話している人のカメラにカットし、クロストークやリアクションにはワイドショットを使用し、1.5秒未満のショットは避けます。

D. ストーリー / スキットモード（写真 + AI 音声）

1. ユーザーのアイデアで スクリプト を書きます：短くパンチの効いたライン（各15単語以内）、最初の3秒以内にフック、明確な結末または決め台詞。ラインごとに1人の話者を使用します。スキットの場合、各キャラクターに異なる声とキャプション色を割り当てます。
2. vedit story grid story.json を実行し、各 grid_sceneN.jpg を 読んで、各キャラクターの顔の focus ポイントを取得します。グリッド上で、x は黄色のラベル、y はシアンのラベルを使用します。
3. story.json（完全なスキーマは references/story.md にあります）を書きます。キャラクターが話すときはクローズ shot + focus を使用し、ナレーションにはワイドまたは Ken Burns motion を使用します。sfx、title、シーン間の transition: fade、music を追加します。
4. vedit story voices story.json でラインを合成し、タイミングテーブルを出力します。ペーシングを確認します（ショートは通常 60 秒以内）。
5. vedit story build story.json --preview、次にフレームを確認し、その後 vedit story build story.json を実行します。

音声：edge は無料で自然、APIキーは必要ありません。vedit tts --list-voices --lang en（フィリピン語: --lang fil）で声を選びます。openai（"style" で演技指示）または elevenlabs は、ユーザーがキーを持っていてプレミアム音声を要求した場合のみ使用します。実際の人物の声を勝手に作ったり、実在の人物を模倣したりしないでください。

---

E. ファクトリールキット（生の写真/クリップ → ブランド化されたファクトリール）

ガイド: templates/fact_reels/README.md。新規チャンネル: vedit reels new DIR。新規動画: vedit reels story DIR NAME。

1. ユーザーの生ファイル（クリップの場合は vedit frames clip.mp4）を見て、シーンタイプを選びます：image + ナレーション付き card、video + lines（Bロール、ナレーション付き、ミュート）、または lines なしで keep_audio: true の video（ユーザーが話している：実際の声、自動キャプション）。フレーム/トランスクリプトから in/out を選択します。
2. story.json を書きます：フック → 事実 → 「And did you know?」 → 事実 → ... → コメント/シェア/フォロー、約185単語 ≈ 60秒、1つの流れるナレーション。声が読み間違える可能性のある数字、年、名前には say を使用します。カードテキスト：*stars* = アクセント。
3. vedit reels build STORY_DIR --only cards を実行し、カードと thumbnail.jpg を 読みます。はみ出すテキストを修正します。
4. vedit reels build STORY_DIR --preview、フレームを確認し、最大品質でビルドします。すべての事実を検証し、ソースを caption.txt に記述します。

---

編集判断（何が良い動画を作るか）

• ペーシング: YouTube のトーキングヘッドでは、ポーズを約 0.3～0.45 秒にカットします。ショートではさらにタイトに（約 0.2～0.3 秒）。決め台詞や感情的なビートの後は呼吸の余地を残します（そのクリップに "pad": [0.1, 0.6]）。
• ジャンプカットを隠す: パンチイン（1.0 ↔ 1.10–1.15）を交互に使うか、Bロールにカットすることで隠します。スクリーンレコーディングではすべてのカットにパンチインしないでください。判読性が損なわれます。縦方向にする場合は、代わりに "fit": "blur" または "pad" を使用します。
• キャプション: ショート/リールでは pop、長尺やチュートリアルでは clean、背景が複雑な場合は box を使用します。ブランド名や聞き間違えられた用語は captions.replace で修正します。
• オーディオ は動画の半分です。normalize は常にオンにします（ソーシャル/YouTube では −14 LUFS）。denoise: true は騒がしい部屋でのみ設定します。音楽は 0.1～0.2 で、ダッキングを有効にします。
• 常に視覚的に確認 してから完了とし、何を確認したかを伝えます。
• 長いレンダリング：まず vedit render edl.json --preview --clips 0-10 でスライスをプレビューします。

トラブルシューティング

• Whisper が「あー」「えー」を見逃した場合：保持するようにプロンプトが設定されていますが、それでも不足している場合は、--model medium を使用するか、ポーズでカットします。
• 言語が間違っている場合：vedit analyze raw.mp4 --language tl（タガログ語）、es など。
• キャプションのフォントが間違っている場合：captions.font をインストールされているフォント（Montserrat, Poppins, Arial）に設定するか、.ttf ファイルを SKILL/fonts/ にドロップします。
• セグメントのレンダリングに失敗する場合：エラーにクリップインデックスが表示されます。その in/out をソースの長さと照合してください。
• 最終的な ffmpeg コマンドは <workdir>/.render_cache/last_final_cmd.txt に保存されます。