Communitygithub.com

PrunaAI/pruna-skills

音声から単語レベルのタイムスタンプを取得するために使用 — 歌詞のアライメント、カットセーフなライン境界、ビデオ編集前のキャプションソースタイミングなど。

pruna-skills とは?

このスキルは、音声ファイルから高精度な単語レベルのタイムスタンプを取得するためのツールです。主に歌詞のアライメント(歌詞と音声の同期)、動画編集時の安全なカット位置の特定、キャプションのタイミング調整などに利用します。Replicate上のWhisperXモデルを介して動作し、`align_output: true`を設定することで単語単位のタイムスタンプを生成します。さらに、`initial_prompt`に歌詞の最初の数行を指定することで、ラップや歌唱の認識精度が向上します。オプションで話者分離(ダイアライゼーション)もサポートしています。また、前提スキルとして`generation-diversity`と`pruna-api`を必要とし、これらを事前にインストールすることで、プロンプトの品質向上とAPI呼び出しの安全性を確保します。特にミュージックビデオ制作のワークフローにおいて、`music-video`スキルの「アライン(align)」フェーズで使用することを想定しています。

対応✓Claude Code~Codex CLI~Cursor✓Gemini CLI
npx skills add https://github.com/PrunaAI/pruna-skills/tree/HEAD/skills/audio/whisperx

お気に入りのAIに質問する

このエージェントスキルを事前に読み込んだ状態で新しいチャットを開きます。

ドキュメント

前提条件

以下のスキルを生成前にインストールして読み込んでください(@pruna で既にコンテキストにある場合はスキップ可):

スキル説明インストール方法
generation-diversity生成プロンプトを作成する際に使用 — 有料API呼び出し前に、儀式的なシード、明確な構造、シナリオ軸、品質ゲートを設定する。npx skills add PrunaAI/pruna-skills@generation-diversity -y
pruna-apiPruna または Replicate のHTTP呼び出し前に使用 — 認証情報、アップロード/ポーリング/ダウンロード、並列バッチ、エージェントの安全性を確保。npx skills add PrunaAI/pruna-skills@pruna-api -y

または、全スイートを一度にインストール:npx skills add PrunaAI/pruna-skills@pruna -y

各スキルの 「生成前」 / クラフトセクションに従ってください — ここではガイド内容を再記述しません。

エージェントの習慣

最初の返信で、`whisperx` をバッククォートで囲んで名前を挙げ、REPLICATE_API_TOKEN を確認し(または pruna-api のサインアップリンクを提示して停止)、次に必要な入力を尋ねてください。最初の POST の前に、インプット受け入れ → generation-diversity 明確化インプットを行ってください。「使用すべきでない場合」 がより適切な場合は、そちらに誘導してください。

使用すべきでない場合

代わりに以下のスキルを使用してください:

スキル説明インストール方法
music-2.5オリジナルのAI歌声入り楽曲(歌詞入り歌唱、スタイルプロンプトトラック、ミュージックビデオ用のソース音声)を希望する場合に使用。npx skills add PrunaAI/[email protected] -y
gemini-3.1-flash-ttsナレーションやボイスオーバー(解説トラック、ドキュメンタリーの台詞、生成ビデオと組み合わせる音声)が必要な場合に使用。npx skills add PrunaAI/[email protected] -y
video-editingffmpeg を使って既にレンダリングされたクリップを結合・仕上げる場合(連結、クロスフェード、焼き込みキャプション・字幕、テキスト/ロゴオーバーレイ、前後比較スライダー、BGM、プラットフォーム出力)、または Hyperframes を使用した多層HTML合成動画を作成する場合に使用。AI動画生成、プロンプト作成、モデルベースの動画編集には非対応。npx skills add PrunaAI/pruna-skills@video-editing -y

環境設定

export REPLICATE_API_TOKEN=r8_...

HTTP / パイプライン

リポジトリのヘルパーを使用することを推奨(ローカル音声をアップロードし、JSON + SRT を書き出します):

# エージェント: このSKILL.mdのフェーズ表に従ってください \
  --song output/my-mv/song.mp3 \
  --out output/my-mv/whisperx_transcript.json \
  --initial-prompt "歌詞の最初の数行を入力すると認識精度が向上します"

# エージェント: このSKILL.mdのフェーズ表に従ってください \
  --cuts output/my-mv/cut_manifest.json \
  --transcript output/my-mv/whisperx_transcript.json \
  --song output/my-mv/song.mp3

ミュージックビデオのワークフローでは、このスキルを アライン フェーズで実行してください — music-video を参照。

生成前

  1. 前提条件ガイドを指定された順序で完了する。
  2. audio_file(HTTPS URL — ヘルパーがローカルファイルをアップロード)、language、および単語レベルのカットアライメントには align_output: true を確認する。入力をリストアップする際は、REPLICATE_API_TOKEN(Replicate — PRUNA_API_KEY ではありません)を指定する。
  3. モデルに関する注意: ラップや歌唱の認識精度を高めるため、initial_prompt に最初の歌詞の行を設定する。複数話者のバトルにはオプションの diarization を使用可能。

必須入力

  • audio_file(HTTPS URL)

一般的なオプションフィールド

  • language — ISOコード(例:en)
  • align_output — 単語レベルのタイムスタンプには true(カットアライメントに必須)
  • initial_prompt — 最初の歌詞の行
  • diarization — 話者ラベル

典型的な次のステップ

このスキル実行後によく使われる後続スキル:

スキル説明インストール方法
music-videoフルミュージックビデオ(オリジナル楽曲またはボーカル、演奏クリップ、Bロール、歌詞同期編集)を希望する場合に使用。npx skills add PrunaAI/pruna-skills@music-video -y
music-2.5オリジナルのAI歌声入り楽曲(歌詞入り歌唱、スタイルプロンプトトラック、ミュージックビデオ用のソース音声)を希望する場合に使用。npx skills add PrunaAI/[email protected] -y
video-editingffmpeg を使って既にレンダリングされたクリップを結合・仕上げる場合(連結、クロスフェード、焼き込みキャプション・字幕、テキスト/ロゴオーバーレイ、前後比較スライダー、BGM、プラットフォーム出力)、または Hyperframes を使用した多層HTML合成動画を作成する場合に使用。AI動画生成、プロンプト作成、モデルベースの動画編集には非対応。npx skills add PrunaAI/pruna-skills@video-editing -y

Individual skills in this repo

This repo contains 13 individual skills — each has its own dedicated page.

PrunaAI/pruna-skills

Use when someone needs spoken narration or voiceover — explainer tracks, documentary lines, or voice to pair with generated video.

PrunaAI/pruna-skills

Use when someone wants an original AI song with vocals — sung lyrics, a style prompt track, or source audio for a music video.

PrunaAI/pruna-skills

Use before any Pruna or Replicate HTTP call — credentials, upload/poll/download, parallel batches, and agent safety.

PrunaAI/pruna-skills

Use when assembling or polishing already-rendered clips with ffmpeg — concat, crossfades, burned captions and subtitles, text/logo overlays, before/after sliders, background music beds, platform export — or when composing a multi-layer HTML combination video with Hyperframes. Not for AI video generation, prompt craft, or model-based video edits.

PrunaAI/pruna-skills

Use when crafting video or motion prompts for any generative model — dramaturgy, camera, physics-safe motion, frame anchors, and clip chaining.

PrunaAI/pruna-skills

Use when someone wants to edit an existing photo — change outfits or backgrounds, compose from reference images, or apply prompt-driven edits.

PrunaAI/pruna-skills

Use when someone explicitly wants the fastest, cheapest photo generation — mood boards, bulk panels, or quick iterations — not when controlled photoreal or in-image text is needed.

PrunaAI/pruna-skills

Use when someone wants virtual try-on — dress a person in clothes from reference photos for fashion or ecommerce.

PrunaAI/pruna-skills

Use when installing the full Pruna generative media suite — all guides, tools, and workflows in one package.

PrunaAI/pruna-skills

Use when someone wants a cinematic clip from text or start/end frames — product ads, documentary shots, or dialogue with generated audio. Not for 1080p, imported audio tracks, or talking-head-only hosts.

PrunaAI/pruna-skills

Use when someone wants a polished short clip from text, images, or imported audio — 1080p B-roll, start/end frame animation, or a motion shot with a mixed track. Not for cinematic generated-audio clips or talking-head-only hosts.

PrunaAI/pruna-skills

Use when someone wants to edit an existing video with a text instruction — recolor, restyle, remove or add objects, change environment or lighting, update on-screen text, or apply optional reference-guided product and accessory edits. Not for a new clip from scratch or ffmpeg assembly.

PrunaAI/pruna-skills

Use when someone wants a simple short clip from text or images — quick B-roll, drafts, or start/end frame animation. Not when the brief needs cinematic generation, highest quality, tight lip-sync, or imported audio at 1080p.

関連スキル