Faceless Video Pipeline
決定論的な4段階パイプラインとして、フェイスレスチャンネルの動画を構築します。ソースの分解:
~/2nd Brain/2nd Brain/Wiki/research-faceless-youtube-claude-code-pipeline-2026-06-26.md。
ハードルール (プラットフォームリスク + 品質)
- 音声 = ElevenLabs Voice Artist (Phillの有料プラン) であり、人間の録音ではありません。ソース動画の「AI音声はBANされる」という懸念は誤りです —
Sources/youtube-synthetic-content-disclosure-policy-2026-06-26.mdにあるYouTubeの開示ポリシーを参照してください。実際のルール: YouTubeの改変/合成コンテンツの開示が必要なのは、AI 音楽、クリエイター自身のクローンではない合成音声、または実在の人物/場所/イベントをリアルに描写するAIである場合であり、アニメーション/落書きには不要です。開示によるペナルティはありません (視聴率/収益化に影響なし)。そのため、動画にAI音楽または自分自身ではない合成音声が含まれる場合 (このパイプラインでは常に該当)、デフォルトで「はい」に設定します。YouTube Studio → 属性 → 「AIの使用」→ はい で設定します。「子ども向け」= はい は、子ども向けコンテンツ (STORY/childcare) の場合のみ設定します。 - 1つのスタイルトークン、すべての画像に適用。 事前に1つのスタイル記述を固定し、生成されるすべての画像にそれをそのまま含めることで、チャンネルの視覚的一貫性を保ちます。
- モードに応じた権威性 (ステージ0のスイッチを参照)。FACT (ノンフィクション): 実際の研究/日付/統計を引用し、執筆前に調査し、主張の正確性を検証します。STORY (フィクション): 創作された物語。権威性は感情的共感であり、事実ではありません。代わりに年齢とブランドへの適合性を検証します (例: 保育 = 優しく、安全で、年齢に適した内容)。決してフィクションを事実として提示したり、FACTモードで「事実」を捏造してはいけません。
- 静止画 + ナレーション (モーショングラフィックスは不可)。 これは落書きチャンネルの形式です。ユーザーがアニメーションや編集の洗練を希望する場合は、代わりに
video-directorに引き継ぎます。
基盤 — 重要な区別
ソース動画は Higgsfield (Claude Code MCP) を使用しています。当パイプラインは Higgsfield を使用しません。 Phillの画像プラットフォームは Artlist (artlist.io、AI Toolkit) であり、browser-harness を介してブラウザ内で操作します。注: 「artist.io」は artlist.io のタイプミスです。
- 画像生成 (主要): Artlist AI Toolkit(
toolkit.artlist.io/image-video-generator?mode=image、モデル Nano Banana 2、16:9 / 2K)。ステージ3で実証済みのメカニズム。 - 画像生成 (フォールバック):
mcp__margot__image_generate(同じく Nano Banana 2) — 無人テスト実行のみ。Higgsfield は使用しません。 - ナレーション: ElevenLabs TTS (REST API経由)。キーとデフォルト音声は
~/.hermes/.env(ELEVENLABS_API_KEY、ELEVENLABS_VOICE_ID) — プログラムで解決し、決して貼り付けないでください。人間の録音は禁止。 - トランスクリプト取得:
yt-dlp。タイムスタンプ: ElevenLabsアライメント (主要) またはwhisper-cli(フォールバック)。結合:ffmpeg。
ワーキングフォルダ
~/faceless-video/<topic-slug>/ を作成し、すべてのアーティファクトをそこに保存します: reference-format.md、script.md、voiceover.mp3、transcript.json、images/NN.png、final.mp4。
ステージ0 — モードスイッチ (最初に、他の何よりも先に質問)
このエンジンはクライアント/アプリケーションによって異なる役割を果たすため、実行時の最初の質問は次のとおりです:
「これは FACT (ノンフィクション) ですか、それとも STORY (フィクション) のスクリプトですか?」
modeを作業フォルダに記録します (mode.txt)。これにより、実行全体が分岐します:
| FACT (ノンフィクション) | STORY (フィクション) | |
|---|---|---|
| 使用例 | 教育製品、解説、「知ってた?」 | 保育の話、寓話、就寝前/ブランドストーリー |
| 参照枠組み | フック + 3本柱の本文 + ペイオフ | キャラクター → 欠点 → 旅 → 教訓 → 解決 |
| 権威性 | 研究された実際の研究/統計/日付に基づく; 正確性ゲート | 感情的共鳴; 年齢/ブランド適合性ゲート |
| ハードルール | 事実を決して捏造しない | フィクションを事実として決して提示しない |
| YouTube開示 | AI使用 = はい (AI音楽/音声が存在) | AI使用 = はい + 子ども向け = はい (子ども向け) |
もし呼び出し元がすでにモードを暗示している場合 (例: 「妻のための保育ストーリー」→ STORY、「私の製品について説明して」→ FACT)、再質問する代わりに1行で確認します。デフォルトの参照処理、スクリプトテンプレート、ゲーティングはすべてこのスイッチに従います。
ステージ0b — スタイルトークン (チャンネルごとに1回、その後再利用)
ユーザーに、ターゲットとなる視覚スタイルの参考スクリーンショットを3〜5枚依頼します。次の分析を促します:
「AI画像生成のための、この画像の視覚スタイルを分析してください。(1) プロンプトとして貼り付けられる短い肯定的なスタイル記述、(2) 洗練された/リアルな出力へのドリフトを防ぐためのネガティブプロンプトのリストを提供してください。被写体ではなく、スタイルのみに焦点を当ててください。」 結果をチャンネルルートの
style-token.mdとして保存します (そのチャンネルのすべての動画で再利用されます)。
ステージ1 — スクリプト (ステージ0のモードに応じて分岐)
- トピックと、選択したモードのレーンにある実績のある参考動画URLを依頼します (FACTチャンネルにはFACT動画、STORYチャンネルにはSTORY動画 — レーンを混在させないでください)。
- 参考トランスクリプトを取得:
yt-dlp --write-auto-sub --sub-lang en --skip-download --sub-format vtt -o 'ref-%(id)s.%(ext)s' '<URL>'。.vttをクリーンアップします (タイムスタンプ/タグを削除、重複する自動字幕行を削除)。 - モードごとに、再利用可能なテンプレートに分解します:
- FACT: フック (マイクロビート)、導入/約束、3本柱の本文、遷移文、全長。
- STORY: 主人公 + 1つの共有された欠点、渇望、誘発出来事、旅、示された (語られない) 実演、引用可能な知恵の言葉、内面の気づき、前向きな結び。
reference-format.mdとして保存します。
- そのテンプレートを使用して、トピックに関する新しいスクリプトを書きます。FACT: 最初に
source-ingestスキルを実行して信頼できるTier1〜2のデータをVaultのSources/ライブラリに取り込み、その後、保存されたソースのみを引用してスクリプトを書き、それらに対してすべての主張の正確性を検証します。STORY: 自由に創作し、年齢/ブランドゲートを適用します。クリーンなスクリプト (シーン指示なし) をscript.mdに出力します。 - ナレーションを生成する前に、ユーザーとスクリプトを確認します。
ステージ2 — ナレーション + タイムスタンプ (ElevenLabs、自動化)
- ElevenLabsの with-timestamps エンドポイント (1回の呼び出しで音声 + 文字アライメントを返す) を使用して
script.mdからナレーションを生成:curl -s -X POST "https://api.elevenlabs.io/v1/text-to-speech/$ELEVENLABS_VOICE_ID/with-timestamps" -H "xi-api-key: $ELEVENLABS_API_KEY" -H "content-type: application/json" -d '{"text":"<script>","model_id":"eleven_multilingual_v2"}'→ base64音声をvoiceover.mp3に、アライメントをtranscript.jsonに保存します。 - アライメントからフレーズ/文ごとのタイムスタンプセグメントを導出します — 各セグメントが1つの画像ビートになります。(フォールバック: アライメントが使用できない場合、
ffmpeg -i voiceover.mp3 voiceover.wavの後、whisper-cli -f voiceover.wav -ml 1 --output-json -of transcriptを使用します。) - 音声はチャンネル/クライアントごとに固定されていません — モード/ブランドに合ったElevenLabsの音声を選択します (例: 保育フィクションには暖かく優しい語り手、教育FACT製品には明瞭で権威のある声)。その
voice_idをELEVENLABS_VOICE_IDのデフォルトの代わりに渡します。選択する際はユーザーのElevenLabs音声ライブラリを閲覧します。 - 人間による一時停止は不要 — ステージ2は無人で実行されます。
ステージ3 — タイムスタンプごとに1枚の画像 (Artlist AI Toolkit、ブラウザ実証済み)
ビートごとに: シーンプロンプト + ロックされたスタイルトークンをそのまま含める。browser-harness を介してArtlistを操作します (PhillのChromeにログインしている必要があります; Way-1リモートデバッグが有効であること)。苦労して得たメカニズム:
toolkit.artlist.io/image-video-generator?mode=imageを開きます。プロンプトは[contenteditable=true]のdivです; Generate ボタンは innerTextGenerateと一致します。デフォルト設定はすでに 16:9 / 2K / 1画像です (良好)。- 画像ごとに: 既存の生成UUIDのスナップショットを取得 → ボックスをクリック、
document.execCommand('selectAll')、type_text(prompt)→ Generateをクリック → ローダーテキスト (on its way|Almost ready|Generating) が消え、かつ新しいUUIDが表示されるまでポーリングします。 - 結果は
ai-toolkit-generations.imgix.net/...png?...&s=<sig>にあります。汎用正規表現[0-9a-f]{8}-[0-9a-f]{4}-...{12}\.pngでUUIDを抽出します (ファイル名のプレフィックスはimage-<uuid>または-t-e-x-t_-t-o_-i-m-a-g-e-<uuid>と様々です)。正確なsrcをダウンロードします — imgixパラメータ (例:w=) を書き換えると署名が壊れて403になります。 - 1枚ずつ処理します。 急速なバーストはキューイング/スロットルを引き起こし、グリッドビューはDOMを仮想化するため、新しいUUIDの検出が壊れます。ポーリングウィンドウ後に生成が完了した場合は、グリッドから救出します (マッピングされていない個別のUUIDをダウンロードし、モンタージュし、視覚的にマッピングします)。
フォールバック (無人テストのみ):
mcp__margot__image_generate—<save_as>.jpgとして保存し、拡張子を考慮します。
ステージ4 — 結合
各画像を (次の開始時間 - 現在の開始時間) 秒間保持し、ナレーションをマルチプレックスするFFmpegのconcatを構築します:
- タイムスタンプから画像ごとの持続時間を含むconcatリストを生成します。
ffmpeg -f concat -safe 0 -i list.txt -i voiceover.wav -c:v libx264 -pix_fmt yuv420p -c:a aac -shortest final.mp4- 実際のアップロードには2Kソース画像を推奨します (テスト実行時のみ低解像度)。
ステージ5 — 最終化 (テスト実行ではなく、実際のアップロードの場合)
生の結合を完成した成果物に変換します:
- 1080p — concatを
1920:1080にスケーリング/パディング (白いパディングがスケッチブック背景に溶け込みます)、crf 19。 - フェード —
fade=t=in:st=0:d=0.6:color=whiteおよび最後の約0.8秒にわたるfade=t=out。画像間のビートはハードカットのままにします (スタイルに則して — クロスフェードはしないでください)。 - BGM — Artlist AI Music (
toolkit.artlist.io/music-generator?mode=music、Lyria 3; 画像と同じブラウザフロー、結果はcms-toolkit-artifacts.artlist.io/...music-<uuid>にある署名付き.wavファイル — 正確なsrcをダウンロード)。ナレーションの下にミックス:volume≈0.13(約−18 dB)、1.5秒フェードイン / 約1.8秒フェードアウト、amix=inputs=2:normalize=0。volumedetectで確認: 全体のピーク < 0 dB (クリッピングなし)、音楽の平均はナレーションより約15+ dB低いこと。
出力
final-1080p-music.mp4 (成果物) + 再利用可能な style-token.md。パスとステージごとのアーティファクトを報告します。公開/チャンネル戦略については video-distribution-strategist に引き継ぎます。アップロード時の合成コンテンツ開示を忘れないでください。