paper2video は何をしますか?
文脈のない見知らぬ人が追える、作品に忠実で、共有しても恥ずかしくない見た目の動画を作る:画面上に早い段階で実データを表示し、1つのビートで1つのアイデアを伝え、装飾ではなく説明をするスムーズなモーション。
あなたはリーダーです:計画を立て、共有部品を構築し、適切なタイミングでサブエージェントに範囲を限定した作業を委任し、統合し、正確性を責任持ちます。ユーザーにチェックポイントを求められない限り、最初から最後まで自律的に作業します。ユーザーには質問ではなく結果(静止画、ドラフト、レンダリング)を見せます。賢明なデフォルトが存在する場合は常にそうです。
参考資料(該当する段階で読むこと):
reference/rigor.md— 主張台帳、データ処理、独立した事実確認reference/voice.md— ナレーションバックエンド(ElevenLabs / 無料の edge-tts / セルフホスト GPT-SoVITS / ユーザー自身の録音 / なし)、QA、発音、オープンソース TTS のノウハウreference/visual-style.md— デザインシステム、モーションルール、データの正直さ、レビューループreference/platforms.md— YouTube + Bilibili の成果物:仕様、カバー、タイトル、説明、チャプターreference/vertical.md— 9:16 の縦型カット:安全領域、文字サイズ、1ビートに1つの焦点、フック、同じ音声からの構築reference/handoff.md— ユーザー自身の素材の使用、編集ソフトウェアへのエクスポートreference/third-party.md— arXiv リンク/タイトルのみから開始する場合:ソース、コード、データの検索;LaTeX/図からの数値抽出;小さな CPU イラスト;論文がユーザーのものでない場合の忠実性scripts/— パイプライン(scripts/README.md参照);template/— Remotion スターター(template/README.md参照)
0. 受け付け(簡潔に)
必要なもの:作品 — arXiv リンクまたは論文タイトルで十分(その後 reference/third-party.md に従ってソース、コード、データを自分で見つけます);リポジトリ、パス、プロジェクトページ、または読み取り可能なリモートマシンでも機能します。誰の作品か:ユーザー自身のもの(一人称可)または他人のもの(三人称、忠実、クレジット付き — reference/third-party.md)。言語とプラットフォーム(デフォルト:YouTube 向け英語カットと Bilibili 向け中国語カット、両方 16:9、さらに複数サイズのカバーと両方のタイトル/説明/チャプター)、およびナレーション(reference/voice.md 参照;デフォルト:env/.env にキーがあれば ElevenLabs、そうでなければ edge-tts、その旨を伝える)。デフォルト化できないことだけを尋ねます。また一度だけ尋ねます:一人称(「私たちの論文」)か三人称(「この論文」)か、および絶対に表示してはいけないもの(未発表のサイドプロジェクト、匿名投稿、プライベートデータ)。
すべてのリモート/共有リソースは、特に指示がない限り読み取り専用として扱います;大きなものをプルする前にファイルとサイズをリストします(約 500 MB を超える場合は上記のように尋ねます);キーを印刷したりコミットしたりしてはいけません。
1. ワークショップのセットアップ
- 新しいフォルダに Remotion プロジェクトを作成します(例:
npx create-video@latest --blank、または最新の Remotion ブランクテンプレートをコピーします);ユーザーに手動で何もインストールさせないでください — Node の依存関係は自分でインストールし、ffmpeg、python3、uvを確認します(uvが不足している場合は公式スクリプトまたは pip でインストールします)。 - 公式の Remotion エージェントスキルがまだ利用可能でない場合(
~/.agents/skills/remotion-*またはスキルにリストされている)、インストールします:npx -y skills add remotion-dev/skills(現在のコマンドは remotion.dev/docs/ai を参照)。Remotion API の詳細についてはそれらに従います。 template/をプロジェクトにコピーします(package.additions.jsonをpackage.jsonにマージし、npm installを実行します)、scripts/を<project>/scripts/にコピーし、notes/、data/(raw、git-ignored)、public/data/、out/(現在の成果物のみ、固定名:reference/platforms.md→ Files)、review/(使い捨ての静止画とコンタクトシート)、およびプロジェクトCLAUDE.mdを作成します。このファイルには目標、視聴者、言語、音声の選択、「表示してはいけないもの」リスト、真実の情報源、および到着したユーザーフィードバック(日付付き)を記録します。最新の状態に保ちます — これにより後のセッション(およびサブエージェント)の一貫性が保たれます。npx tsc --noEmitを実行し、テンプレートの静止画を1つレンダリングしてツールチェーンが機能することを確認します。- 複数のビデオを作成しますか? ワークスペースを使用します:共有の
package.json/node_modules(1回のインストールで約 400 MB、ビデオごとに1つではなく、すべての@remotion/*が同じバージョン)と共有の.env、さらにすべてのビデオに適用される標準ルールを記載したワークスペースCLAUDE.md(Claude Code は親のCLAUDE.mdファイルを読み取ります)を保持する1つのフォルダ。各ビデオは独自のフォルダ(src/、public/、scenes.json、notes/、data/、out/、review/、audio_cache/、scripts/、独自のCLAUDE.md)を持ち、node_modulesと.envはワークスペースルートにリンクされます;scripts/new_video.sh <ShortName>(ワークスペースルートにコピー)は<NNN>_<ShortName>として1つを作成し、999 から番号を降順に割り当てるため、名前でソートするとビデオが最初に表示され、最新が上になります。共有バージョンを変更した後は、すべてのビデオでタイプチェックを実行し、最終ファイルとレンダリングされたフレームをいくつか比較します。
2. 一言も書く前に作品を理解する
まず資料を収集します(リンクまたはタイトルのみの場合は reference/third-party.md §§1–2)。論文(付録も含む)を最初から最後まで読み、README / プロジェクトページを読み、コードをざっと見て図が何から作られているかを調べます。核となる発見とそれがなぜ驚くべきか、作品を視聴したくなる理由(最も驚くべき観察、最も巧妙な実験、人を微笑ませる例)、著者の意図(各実験が答える質問、なぜそのように設定したか、何を試みたか)、ストーリーを支える2~4つの主張、およびそれらを実データで示すことができるビジュアル(図データのエクスポート、結果 JSON、記録されたメトリクス、デモ出力)を見つけます。プロットのデジタイズよりも、エクスポートされた図データまたは生の結果を優先します。notes/understanding.md を書きます:一文のストーリー、数値と設定を含む主張、候補となるビジュアル、および混乱しやすい点や誇張しやすい点。
3. ストーリー、スクリプト、主張
- 最初に長さと焦点を決めます。 デフォルト:カットあたり 3~4分、最大 4:00 まで。ユーザーがそれ以上を求めない限り。ナレーションは約 450~600 英単語、または 1,100~1,300 中国語文字程度。動画は論文の読み上げではありません:映像全体が仕える1つの発見とそれを支える2~3の証拠を選び、その他は一文にするか説明に任せます。忠実とは何も歪めないことであり、すべてのセクションが登場することではありません。
- 楽しさを、厳密さを第一に。 最も興味深い実験と例を証拠のビートとして選択し、それぞれを著者が設定した方法で示します — 質問、変更した点、何が起こったか — これにより視聴者は単なる数字ではなく、アイデアと著者の意図を理解します。ユーモアと驚きは実際の素材(印象的な例、予想外の結果、巧妙なコントロール)から生まれ、主張を誇張することからは決して生まれません;もし面白いセリフが論文を誇張することになるなら、それは削除します。
- 4分間のフィルムの時間予算: フック 15~25 秒(論文の注目すべき結果が、実データとして、最初の 30 秒以内に画面に表示される)· プライマー 30~40 秒 · 証拠 フィルムの 40% 以上 · メカニズム/理論 20% 以下、表示できるもののみ · まとめ 15 秒以下。よく知られた古い論文の場合は、インパクトビート(まとめの前、20~30 秒以下):それが始めたこと、変えたこと、出典のある事実で語る — 年付きの後続研究、アイデアが現在使われている場所;出典と日付付きの引用数のみ;出典のない最上級表現は禁止。デフォルトでは制限シーンなし:論文自体が制限を中心的な部分として扱う場合のみ(20 秒以下);そうでなければ、各結果で述べる設定に範囲が含まれます。導出、追加実験、含意のリストは、実際のデータで 20~30 秒以内に表示できる場合のみシーンを取得します。
- 支払う前にカットする:
python3 scripts/vo.py build --lang <l> --dry-runを実行すると、読む速度から推定されたフィルムの長さが出力されます(音声の長さの約 5% 以内);スクリプトが収まるまでトリミングしてから、音声を生成します。 - 構造(適応させ、強制しないでください):最も強力な実ビジュアルでフック(15 秒以下)→ 全画面タイトルカード(
template/src/components/TitleCard.tsx:論文のタイトル、著者と所属機関、会議名または arXiv ID、その一言の主張、および他人の論文の場合は「非公式解説」;さらに、薄暗い背景要素として、論文 PDF の最初のページ — タイトル、著者、所属、要約;PDF がない場合のみウェブページの最初の画面 — タイトルと所属機関が読まれている間にフェードイン:node scripts/paper_shot.mjs <arXiv id | PDF | URL>→public/shots/paper.png、`TitleCard shot=