polyir/ai-video-production-skill

AI動画制作

40以上のリールと長尺エピソードをリリースしてきた制作システムです。これは意見に基づいています。以下のルールはすべて、実際の失敗または明確なオーナーの決定から生まれました。プロジェクト固有の選択（ブランド、ロゴ、ボイス、予算）はここには含まれません。各新規プロジェクトで独自に設定します（「プロジェクトごとのセットアップ」を参照）。

基本原則

1. 支出前の承認ゲート。 スクリプトとストーリーボードは最初にオーナーに送り、両方が承認されるまで有料生成（TTS、画像、動画、リップシンク）は行いません。承認前のフッテージ調査とソースリストは問題ありません。承認後の実質的なコンテンツ変更は再度表示されます。すべての公開アップロードには個別の承認が必要です。
2. オーナーが日付を決めます。 オーナーが定期的なサイクルを設定していない限り、制作日や公開日/スケジュールを提案しないでください。コンテンツカレンダーファイルを保持し、制作および公開のたびにすぐに更新します（ステータス、実際の日付、投稿ID）。これが完了するまでタスクは終了しません。
3. モーションデザインを優先し、AIはその後。 AIクリップを発注する前に、まず「これをコードで構築できるか？」と自問してください。何かを表示できるもの（地図、ゲージ、タイムライン、チェックリスト、数字、比較、ルールカード、寓話）は、コストゼロでRemotion/SVGで構築します。AIは見なければならないもの（顔、歴史的シーン、絵画、雰囲気）にのみ使用します。すべての動画（30秒リールを含む）は、コードベースのモーションデザインを使用します。ストーリーボードの各ショットのレイヤー（コード/AI/リップシンク）をラベル付けし、モーションデザインの割合を明記します。
4. すべてのAI動画は承認された参照画像から始まります（画像から動画、参照から動画、または最初と最後のフレーム）。テキストから動画は使用しません。
5. オーディオは常に専用のオーディオツール（ElevenLabs）から取得します：ナレーション、フック、音楽、SFX。動画モデル自身のオーディオはオフにします（多くの場合、価格も倍になります）。
6. 予算上限は記憶ではなくツールで強制されます。 上限付きの scripts/fal_jobs.py を使用します。見積もりが上限を超える場合、または画像のコストが1ドル以上になる場合、提出を拒否します。
7. 私は音声を聞いたり、顔を確実に判断したりできません。 代わりに測定します：声の性別はF0、ラウドネスはLUFS、言葉遣いはSTT、ビジュアルは静止画/コンタクトシートで行います。名前やあいまいな単語についてはオーナーに確認を依頼してください。
8. 決定事項を記録します。 DECISIONS.md（オーナーのルールと教訓、日付入り）と PRODUCTION_WORKFLOW.md（現在のルール）を保持します。知識/調査は信頼度とともに別のファイルに保存し、オーナーが承認した場合にのみルールになります。

制作順序

1. ソーステキストと目標を確認 → 2. スクリプト+ストーリーボードをドラフト（ショート動画とそのフックを今マークし、再利用フッテージは約25%に制限）→ 3. 正確なアセットリストを抽出 → 4. 既存のアセットを確認し、不足分のみライセンスソースからダウンロード → 5. ダウンロードを確認（トピック、長さ、解像度）→ 6. 実際のファイルに対してスクリプト/ストーリーボードを最終確定 → 7. オーナーに見せ、承認されるまで停止 → 8. 生成（TTS → 参照画像 → I2V → リップシンク）→ 9. Remotionでアセンブル + 技術的なQC → 10. 公開承認のためのカットレビュー → 11. 承認後にアップロード → 12. カレンダー + 分析ログを更新。

スクリプト化されたパイプライン（詳細は references/pipeline.md）：turns.py → tts.py → stt_check.py → build_audio.py（→ timing.ts + キャプション） → Remotion → scripts/master.sh（2パス -14 LUFS + QC）。

デフォルトのツール分割（プロジェクトごとに上書き可能）

ジョブ	ツール	備考
画像	利用可能な場合はまず無料エージェント（Codex image_gen / クロスエージェントMCP経由のAntigravity）を使用。それ以外はfal（nano-banana-2 新品、nano-banana-pro/edit はスタイルの一貫性とi2iに使用。Nano Bananaが拒否した場合は Flux 2 Pro をフォールバックとして使用）	目標 ≤ $0.30/画像、決して ≥ $1 にしない
動画（I2V）	fal: Veo 3.1（ライト/ファスト、トランジション用の最初と最後のフレームを含む）、Gemini Omni Flash 1.1、Wan 3.0、Kling 2.6 Pro	常に解像度を明示的に設定 — 価格はそれに依存する
リップシンク	Hedra hedra-character-3 のみ	多くの場合、I2Vよりも1秒あたりのコストが安い → 可能な限りキャラクターを通してストーリーを伝える
音声、音楽、SFX	ElevenLabs、最新フラッグシップTTSモデル（list_models、古い model_id をコピーしないこと）	ライブラリ音声のみ、デザイン音声は使用しない
録音音声のクリーンアップ	fal veed/clean-audio → fal-ai/lava-sr（ノイズ除去オフ） → 軽いポリッシュ	強調、生成ではない
編集 / レンダリング	Remotion（+ 最大1つの3Dヒーローシーン用に @remotion/three）
マスター / QC	ffmpeg	scripts/master.sh、scripts/qc.sh

モデル/価格の詳細と注意点：references/ai-generation.md。

苦労して得たルール（お金がかかったもの）

• 新しいTTS音声を決してデザインしない（text_to_voice）。デザイン音声は非英語を誤って発音し、STTが母音のエラーをキャッチできません。既存のライブラリからキャストします。適切なものがなければ、質問してください。
• リップシンクの顔を生成する前に、キャラクターと音声を一致させること。 中央F0（男性約85–155 Hz、女性約165–255 Hz）を測定し、トランスクリプトを読みます。男性アバターに女性の声を当てると、レンダリング全体が無駄になりました。
• オーナーのフッテージに写っているカメラ上の人物の性別やアイデンティティを決して推測しない — それは通常オーナー自身です。
• ペルシア語/アラビア文字のTTSには、TTSテキストにのみ発音記号（特にエザーフェ・カスレや短くあいまいな単語）が必要です。キャプションはプレーンのままにします。間違った発音記号は、ないより悪いです。references/audio.mdを参照。
• 音楽ははっきり聞こえる必要があります：会話の約10～13 dB下で、ダッキングをかけ、ポーズ/カバー/エンドカードでは大きくします。ゲイン0.06の固定ベッドは聞こえませんでした。
• fal_pricing は最低ティアのみを返します（例：360p）。解像度別のテーブルから予算を立ててください。
• 実在の人物のフォトリアルな顔は再構築しません。 シルエット/後ろ姿/手を使用し、「象徴的な再構築」とラベル付けします。公人の明らかな漫画風の風刺画は、文書化され、日付があり、出典が明らかな引用のみを発言させ、そのようにラベル付けします。
• 画像/動画モデルのプロンプトに読めるテキストを決して入れないでください — 文字化けを生成します。テキストはRemotionで追加します。プロンプトにキャラクター名を入れないでください（モデルが画像に書き込みます）。国旗/小道具には「無地、記号なし」と指定します。
• すべてのAIクリップの終わりを確認すること — コンテンツは最後の数秒で壊れることがよくあります。clipLen を短くしてください。

ショートフォームルール（概要 — 完全版は references/short-form.md）

• フックは0～3秒で3つのレイヤーで同時に機能します：フレーム0のビジュアル、最初の音声ライン（0.05秒から始まり、前置きなし、4秒目までに主要な約束）、音声なしでも読めるオンスクリーンテキスト。8単語以下。リールごとに異なるタイプのフックを2～3本書きます。
• フレーム0 = カバー（エントリーフェードを1フレームに短縮）。
• リールのハードキャップ160秒、スイートスポット約80～90秒。Instagramは非フォロワーには最大3分のみ推奨。
• エンディング：音声 = 理由を添えたフォロー（最良：次のパートの名前付きティーザー）。オンスクリーン = コンテンツに関する質問。キャプション = コメントに関する質問 + フォロー。共有のお誘い（「これを〜に送ってください」）は実用的な投稿のみ。
• 視聴者がリスクにさらされる可能性がある場合、視聴者のグループ、アイデンティティ、場所、活動を明かす質問は決してしないでください。
• ハッシュタグは5つ以下。キャプションの1～2行目にメインキーワードを明示的に含めます（キャプションは検索インデックスされます）。
• ビジュアルファミリー、フックタイプ、ナレーター、カバーテンプレートをローテーションします。連続した似たようなリールは「前の投稿と同じ」としてスキップされます。

分析ルール（概要 — 完全版は references/analytics.md）

• 投稿は同じ経過時間（24時間/48時間/7日）かつ同じコラボステータス内でのみ比較します。24時間未満の投稿は「仮」とします。
• 外れ値（外部の大規模アカウントによるシェア、ニュースイベントなどによるもの）は、制御可能なパラメータを変更してパターンが再現されるまでベースラインから除外します。コンテンツを評価する前に、外部シェアについてオーナーに確認してください — APIでは確認できません。
• アプリのアカウントステータスからの証拠なしにシャドウバン/制限を主張しないでください。
• コラボ承認のタイミングは予測不可能です。証拠なしにリーチのジャンプをコラボに帰属させないでください。
• 成功はリーチだけでなく、エンゲージメント（リーチあたりのシェア、保存、コメント、1,000リーチあたりのフォロー）で判断します。
• 2つの速度：毎回データをログに記録します。ルール変更は週次レビューでのみ提案し、同じ年齢の投稿が3つ以上そのパターンを示す場合に限ります。

プロジェクトごとのセットアップ（新規プロジェクト開始時に質問するか読むこと）

ブランドパレット、フォント、ロゴセット · ナレーターボイス + 交代サイドボイス · AI開示文言 · リール/動画ごとの予算上限 · 許可/禁止モデル · APIキーの場所（キーチェーンサービス名 / 環境変数） · 公開アカウントとコラボレーターマップ · コンテンツカレンダーと分析ファイルの場所 · 視聴者の安全に関する制約 · オーナーがカメラに映れるかどうか

参照ファイル

ファイル	読むタイミング
references/pipeline.md	スクリプト化されたTTS → タイミング → Remotionパイプラインの構築時。フォルダ構成、デリバラブル
references/remotion.md	Remotionコンポジション、フォント、RTLテキスト、3D、レンダリングQCの作成またはデバッグ時
references/audio.md	TTS設定、発音記号、音声チェーン、音楽ダッキング、ラウドネス、SFX
references/ai-generation.md	falモデルの選択/価格設定、I2Vルール、Hedra Character-3、Omniビデオ編集、マット処理、LUT、無料画像エージェント
references/short-form.md	フックカタログ、CTA、ループショート、Instagramランキングシグナル、好奇心ギャップ、解説原則、フレーミング
references/analytics.md	Instagram/YouTube分析の実行、CSVスキーマ、比較ルール
scripts/fal_jobs.py	予算上限付きfal画像/動画ジョブランナー（見積もり/提出/ポーリング/ダウンロード）
scripts/stt_check.py	ElevenLabs STTを使用してTTSターンをスクリプトと照合
scripts/master.sh	2パスラウドネスマスタリング + ラウドネス/ブラック/フリーズQC
scripts/qc.sh	フレームグリッド + コンタクトシート + 納品前の技術チェック