紙切り風解説ショート(マルチエージェント) は何をしますか?
出力:1080×1920、24fps、60~95秒のMP4(ナレーション、音楽(ダッキング処理済み)、同期効果音付き) 見た目:フラットなSVG小道具(白い「ステッカー」風の輪郭+ドロップシャドウ)、ハーフトーンドットまたはサンバーストの背景、 英語の大文字キャプションタグ(破れた紙、Bebas Neueフォント)、わずかなRGBスプリット+フィルムグレイン+ビネット
すべてのフレームは、ヘッドレスChromeを使用してHTML/SVGから決定論的にフレームごとにレンダリングされます。そのため、シーンは、小さなエンジン(template/engine.js、template/ENGINE.mdに文書化)に対してエージェントが記述するプレーンなJSファイルです。
必要条件
- Python 3 venv:
playwright(システムのChromeをCHROME_PATHで使用、またはplaywright install chromium)、numpy、opencv-python-headless(オプション)、faster-whisper(タイミング/QA用)、edge-tts(無料フォールバック音声)。 ffmpeg、curl、bc。オプション:ナレーター+音楽用のElevenLabs MCPコネクタ。
パイプライン(順序に従って実行)
1. リサーチ+スクリプトエージェント(バックグラウンド)
references/agent_prompts.md#researchのプロンプトを使用して、1つの汎用エージェントを起動します。このエージェントはすべての事実をウェブで確認し、主張に属性を付け、噂にフラグを立て、以下を返す必要があります:SCRIPT(14~17行の短いナレーション、約950~1,150文字、数字はスペルアウト、ナレーションスクリプト内の名前)、TABLE(各行のキャプションタグ/ビジュアルアイデア/背景)、URL付きのFACTS、UNCERTAIN/NOT USED。非常に最近のトピックについては、今日の日付を伝え、まずトピックが実際に何を指すのかを確認するように指示します。これが実行されている間に:scripts/new_project.sh <dir>を実行し、ストーリーに必要な共有小道具(繰り返し登場するオブジェクト/人物ごとに一貫したデザイン)を<dir>/engine.jsの末尾に描画します。テストフレームを1つレンダリングして確認します。
2. ボイスオーバー
- 推奨:ElevenLabs
eleven_v4、ドキュメンタリーナレーター(例:ヒンディー語「Natraj – Informative Documentary Host」)、 2テイク、スクリプトには[curious]/[dramatic]/[thoughtful]タグを控えめに使用。最初にクレジットを確認。 - フォールバック(無料、正確な行ごとのタイミングが得られる):プレーンな行を
<dir>/script.txtに配置し、scripts/edge_tts_lines.sh <dir> hi-IN-MadhurNeural +20%を実行 →vo.wav+lines.txt。 - すべてのテイクをQA:TTSモデルは数字/日付を誤ることがあります。
scripts/words.pyで文字起こしします。Whisper自体がヒンディー語の数字のフォーマットを誤るため、疑わしい年号は数字を抑制して再確認します(references/qa.md参照)。すべての数字を正しく発音しているテイクを選択します。 - 単一ファイルテイクのラインティミング:無音検出(
ffmpeg -af silencedetect=n=-38dB:d=0.15)+単語タイミング。scripts/align_lines.pyが最初の推定値を提供します。使用するビデオオフセット(例:+0.25秒)とシフトされたwords.txtを指定して、lines.txt(lNN start= end= | text)を作成します。
3. 3つのシーンエージェントを並列実行(バックグラウンド)
ラインの切れ目でタイムラインを約25~30秒のパートに分割します。references/agent_prompts.md#sceneを使用して、1つのメッセージで3つの汎用エージェントを起動します。各エージェントはscenes_N.jsのみを所有し、正確な時間範囲、開始/終了時間を持つナレーション行、キーワードビート、ストーリーボード(TABLEから)、共有アセット、およびルールを取得します:IIFE+pN_プレフィックス、シーンは範囲を正確にタイル状に埋め、トップタグはカット後約0.1秒、約1秒ごとに新しい何か、テストフレームをレンダリングして見る、PNGを削除します。
4. 統合+レビュー(あなた)
- 約30フレームを等間隔でレンダリングし、コンタクトシートを作成します(
render_html.py ... 999 t1,t2,...その後ffmpeg -pattern_type glob -i 'test_*.png' -vf scale=170:-1,tile=11x3)そして読みます。 - 修正:画面上の捏造された数字/主張(エージェントが追加することがあります — 削除)、不正確な地図/国境、ロゴ、実在の人物の似顔絵、重なり、画面外のテキスト、空のフレーム。
5. レンダリング、ミックス、公開
scripts/render_video.sh <dir> <duration> <narration> <music> <vo_delay_ms> <out.mp4>はすべてのフレームをレンダリングし、エンジンイベントからSFXトラックを構築し、ボイスの下で音楽をダッキングし(約-14 LUFS)、多重化します。シーンを再構築せずに既存のビデオに新しい音声を吹き替えるには、WARP=anchors.jsonを指定してレンダリングします(新しい行の開始を古い行の開始にマッピング、references/qa.md参照)。ユーザーの希望するチャンネルで配信します。
コンテンツルール(常に遵守)
- 事実はリサーチエージェントの情報源リストからのみ。金額/興行収入/投票数は「REPORTED」/出典を明記。不確かな数は下限値(「250+」)として表示。
- 実在の人物:汎用的な
A.figのバスト+英語の名前タグ、決して似顔絵にしない。宗教的な神々は描かない — 抽象的なモチーフを使用。ブランド/政党のロゴは使用しない(汎用的なバッジ/鳥/文字を描く)。 - 地図:紛争地域/センシティブな国境を持つ国の輪郭地図は避ける。枠線のないボードやタイルグリッドを使用し、イラスト的なビジュアルであることを明記する。
- 政治:中立、属性を明記、嘲笑や予測は禁止。
ファイル
template/—index.html、engine.js(エンジン+アセットパック)、ENGINE.md(エージェント向けAPI)、scenes_1..3.jsexamples/— 完成済みの4つのビデオのシーンコード(ストライサンド効果、自由の女神、Twitter青いチェック、2026年米国中間選挙):エージェントの品質/ペースの基準scripts/— レンダリング、SFX、アライメント、文字起こし、無料TTS、プロジェクトブートストラップ、最終ミックスreferences/agent_prompts.md、references/qa.md