Cena Raiz は何をしますか?
原則
- 2つのフェーズ、その間にある1つのゲート。 フェーズ1はクリーンカット+カラーグレード、フェーズ2はキャプション、グラフィック、画像です。(ハードルール1がゲートを強制します。)
- LLMは生のトランスクリプトとオンデマンドのビジュアルから推論する。 維持する価値のある唯一の派生アーティファクトは、フレーズレベルのパックされたトランスクリプト(
takes_packed.md)です。それ以外はすべて、決定時に導出します。 - 音声が優先され、ビジュアルはそれに従う。 カット候補は、発話境界と無音ギャップから生成されます。
- 質問→確認→実行→反復→永続化。 ユーザーが平易な英語で戦略を確認するまでは、カットに決して触れないでください。
- 一般化する。 素材を見て、ユーザーに質問し、それから編集します。動画の種類を決して推測しないでください。
- 芸術的自由がデフォルトです。 ここにある具体的な値は動作例であり、必須事項ではありません。必須なのはハードルールのみです。
- トークンは審美眼が生きる場所に使う。 機械データはプログラム向けであり、読むためのものではありません。検証は視覚的である前に数値的に行います。あなたの注意力は貴重なリソースです。JSONの解析ではなく、編集に注力してください。(ハードルール12と13は、これが禁止することを示しています。)
ハードルール(プロダクションの正確性——譲歩不可)
- フェーズゲートは現実です。 カットが承認されるまでは、フェーズ2の作業を行わないでください。
- セグメントごとの抽出→ロスレス
-c copyでの連結。 シングルパスのフィルターグラフは使用禁止です。(デフォルトのJカットでは、テイクの映像と音声は別々の範囲として抽出され、オーディオトラックは合算されます——これが唯一認められたミックスであり、ビデオパスは依然としてセグメントごと+ロスレス連結です。) - すべてのセグメント境界で30msのオーディオフェード(render.py でエンコード済み)。
- 単語の途中で決してカットしない——トランスクリプトから単語境界にスナップします。
- すべてのカットエッジにパディングを追加(30~200msのウィンドウ、リードよりトレールを少し長めに)。可能な限り無音部分でカットします。
- ソースごとにトランスクリプトをキャッシュする。 ソースが変更されない限り、再文字起こしは絶対に行わないでください。
- 抽出時にセグメントごとにカラーグレードを適用し、連結後には決して行わないでください。
- 実行前に戦略を確認する。
- すべてのセッション出力は
<videos_dir>/edit/に配置する—— cena-raiz リポジトリ内には決して配置しないでください。 - フェーズ2はRemotionのみ——ffmpeg/PILによる焼き付けテキストやオーバーレイは使用禁止です。
- フェーズ2はデータ駆動型です。 トラックテンプレートをコピーしてスキャフォールディングします。
public/edit-data.jsonで動画を記述します。テンプレートTSX(src/Main.tsxなど)は決して読んだり編集したりしないでください。 編集可能なコードファイルはsrc/CustomGraphics.tsxのみで、特注のグラフィックにのみ使用します。 - 最初に数値で検証する。 レンダリングされたすべてのカットに対して
verify_cut.pyを実行します。画像を開くのはフラグが立った接合部のみにします。複数フレームの確認は、一度にまとめて1つのcontact_sheet.py/grade.py --candidatesモンタージュにまとめます。 - 機械データをコンテキストに読み込まない:
transcripts/*.json(生データ)、captions.json、track.json、segments.json、マット/トラックのバイナリ。代わりにtakes_packed.mdとヘルパーの標準出力を読み込みます。
実行環境——ローカルパイプライン vs Adobe MCP
デフォルトのエンジンは以下のffmpeg/Remotionパイプラインです。接続、診断、機能発見、またはローカルのAdobe MCPを介した制御作業のためには、最初に references/adobe-mcp.md を読んでください。これはクライアントに依存しません。同じ手順がCodexとClaude Codeの両方で適用されます。
ユーザーが premiere-pro MCPを介してAdobe Premiere Pro内での編集を要求した場合(「Premiereでシーケンスを編集して」、「MCP経由でカットして」)、references/premiere-mcp.md も読んでください。方法は変わりません——音声優先、無音でカット、フェーズゲート、センスのあるグレード——ただし、操作手段が変わります。文字起こしと edl.json は同一でありキャッシュされるため、承認済みのEDLを再利用し、cut.mp4/プレビューはスキップします。After Effectsの書き出しは、リポジトリの管理下にあるAdobeフェーズの対象となります。MCPが利用可能であることだけでは、変更は許可されません。
ディレクトリ構成
<videos_dir>/
├── <ソースファイル、未編集>
└── edit/
├── project.md ← メモリー。セッションごとに追記
├── takes_packed.md ← フレーズレベルのトランスクリプト。主要な読み取りビュー
├── edl.json ← カットの決定(フェーズ1)
├── transcripts/<name>.json ← キャッシュされたワードレベルのトランスクリプト(WhisperX、ローカル)
├── clips_graded/ ← グレードとフェードを含むセグメントごとの抽出
├── cut.mp4 ← フェーズ1の出力:クリーンなグレード済みカット(承認用アーティファクト)
├── verify/ ← モンタージュ/フラグが立った境界ビュー
├── captions.srt + chapters.txt ← 長時間コンテンツの成果物
├── final.mp4 ← 配信用レンダリング(フェーズ2 + 3、loudnorm適用)
└── remotion/ ← Remotionプロジェクト(フェーズ2 + 3)
├── public/ ← cut.mp4、edit-data.json(編集内容)、captions.json、
│ track.json、segments.json、pexels/ web/ brand/、sfx/、trilha.mp3
└── src/ ← 不変のテンプレートコード + CustomGraphics.tsx
セットアップ
初回インストールは install.md にあります。コールドスタート時は以下の項目を確認するだけです:
- 文字起こしにAPIキーは不要です。 WhisperXは依存関係として同梱されています:
uv syncがインストールのすべてです。Whisperで文字起こしを行い、その後波形に対して強制アライメント(wav2vec2)を実行するため、ワードタイムは推測ではなく測定されます——93%の単語が実際の発話領域内に収まり、発話の終わりは10ms以内に配置されます(speech_regions.pyで測定)。モデルは初回実行時に一度ダウンロードされ、キャッシュされます。速度はほぼリアルタイムで、長さが増すにつれて改善します(モデルのロードには固定で約18秒かかります:16秒のクリップは23秒、166秒のソースは109秒かかりました)。 _transcription_backendに/UNALIGNEDサフィックスがある場合、検出された言語にwav2vec2モデルが存在しなかったことを意味します。その場合、ワードタイムはデコーダー自身のもの——粗く、フェーズ2のカラオケキャプションには安全ではありません。発生した場合はその旨を伝えてください。ffmpeg+ffprobeがPATHに存在すること。Pythonの依存関係(uv sync)。フェーズ2にはNode 18以上が必要です。yt-dlpはPythonの依存関係とともに同梱されているため、URLソースに追加のインストールは必要ありません。- フェーズ2のドメイン知識のための
remotion-best-practicesスキル(https://github.com/remotion-dev/skills からインストール、ない場合)。 - フェーズ2/3では、オプションのAPIキー(イラスト画像、AIサウンドトラック)を使用できます。これらはトラックリファレンスにリストされ、機能が初めて使用されるときに遅延して要求され、インストール時には決して要求されません。フェーズ1にはキーは必要ありません。
ヘルパーは helpers/ にあり、このSKILL.mdからの相対パスで解決されます(通常は ~/.claude/skills/cena-raiz/ または ~/.codex/skills/cena-raiz/、あるいはそれらを指すシンボリックリンク/ジャンクション)。uv run python helpers/<name>.py として実行してください——ベアの python では uv sync が構築する .venv が見つかりません。
ヘルパー
フェーズ1:
ingest_url.py <url> --dest <videos_dir> [--section 12:00-25:30] [--max-height 1080]— リンクから編集:yt-dlp → MP4(≤1080p)をビデオディレクトリに直接配置。その後は他のソースと同様に扱えます。--sectionは長時間ソースの指定時間範囲のみをダウンロードします(キーフレーム精度)——1時間の動画の12~25分をクリップするための安価な方法です。--simulateはダウンロードせずにタイトル/長さ/解像度を表示します(大きなフェッチの前に確認し、それらはバックグラウンドで実行してください)。transcribe.py <video> --edit-dir <edit> [--language pt] [--model large-v3-turbo]— ワードレベル、キャッシュあり、ローカル(WhisperX + 強制アライメント)。制限なし、チャンク分割なし。言語がわかっている場合は--languageを渡してください——自動検出はコストがかかり、短いクリップでは間違った言語を選択する可能性があります。transcribe_batch.py <videos_dir>— ディレクトリ内のすべてのソースを、一度に1つずつ処理します(ローカル推論ですでに全コアを使用)。ファイルごとにキャッシュされ、1つのソースで失敗しても、すでに完了したものが失われることはありません。pack_transcripts.py --edit-dir <dir>— トランスクリプト →takes_packed.md(フレーズレベル、≥0.5秒の無音で区切る)。主要な読み取りビュー:生のJSONの1/10のトークン数。speech_regions.py <video>— silencedetect による音響的な発話区間。カットエッジの真実の情報源です(Whisperの時間はドリフト/ストレッチします)。発話がどこにあるかを答えます——どれだけ大きいかは決して答えません。voice_levels.py <video> [--edit-dir <dir>] [--edl edl.json] [--drop-db 5]— 発話レベルの真実の情報源。すべてのフレーズ、ラン、およびEDL範囲にフラグを立て、話者自身の中央値より5dB以上低いものを検出し、gain_dbを設定します。これは他の何も見逃さないものをキャッチします:トランスクリプトが完璧で、speech_regionsは「発話中」と言い、verify_cutは問題を見つけない——それでも視聴者が聞こえない、ささやきのような脇話です。EDLを書く前に実行してください。detect_color.py <video> [--json]— ファイルからNORMALとLOGを、ユーザーに尋ねる代わりに解決します——まずメタデータ、メタデータが沈黙している場合(一般的:トランスコードでタグが失われる)は画像統計。プロファイル、確信度、証拠、および適用するgradeを返します。confidence: lowの場合のみユーザーに確認を戻す必要があります。識別の詳細はreferences/log-grade.mdにあります。render.py <edl.json> -o cut.mp4 --no-subtitles [--voice-master] [--keep-resolution] [--jobs N] [--no-jcut] [--jcut-lead N] [--jcut-tail-trim N]— セグメントごとの抽出(グレード+フェード、並列)→ Jカットオーバーラップアセンブリ(デフォルト) またはロスレス連結 → オプションのボイスマスター → loudnorm。EDLにjcut_timelineを書き込みます:実際の出力位置であり、ダウンストリームのすべてがこれをインデックスとして使用する必要があります。ショートフォームのfpsは自動です:30fps以上のソースは30fps、それ以外は24fps(長時間フォームは--keep-resolutionによりソースfpsを維持)。edit-data.jsonのfpsを結果のcut.mp4に合わせて設定してください。verify_cut.py <edl.json> <cut.mp4> [--min-silence 1.2]— 数値的な自己評価:長さ、接合部ごとのポップ/クリップ単語プローブ、無音、黒フレーム、クリッピング、およびレンジレベルのバランス(各レンジのRMSと中央値レンジとの比較。LOW-LEVELは−4 dB未満)。N枚の画像の代わりに約350トークンのテキスト。レンジバランスの行がgain_db修正の収束テストです。grade.py <in> -o <out>— グレードプリセット/生フィルター。--candidates "a=<フィルター>;b=<プリセット>;original=" --frame <t> -o cmp.pngは、同じフレームにN個のルックをレンダリングし、1つのラベル付きモンタージュにします。timeline_view.py <video> <start> <end>— 1つのフラグが立ったスポットのフィルムストリップ+波形PNG。スキャンツールではありません。contact_sheet.py <video> --times t1 t2 … -o sheet.png— N個のフレームを1つのラベル付きグリッドに。すでにわかっているいくつかの瞬間を目視確認する方法です。watch_video.py <video> [--mode scene|keyframe|uniform] [--times t1 t2 …] [--start/--end] [--max-frames 24]— 「この映像に何があるのか?」を、どこを見ればいいかわからない場合に調べる:シーン検出+知覚的重複排除 →edit/verify/watch_<stem>/にラベル付きコンタクトシート、シートごとに1つの読み取り。未知の素材の視覚的インベントリ、および verify_cut の数値を超えてcut.mp4を調査するために使用します。--timesはトランスクリプトのキューフレームを固定します:takes_packed.mdからの指示的な瞬間(「これを見て」、「ご覧のとおり」)は視覚的変化が少なく、シーン検出では見えません——フェーズ2でのBロール/コールアウト/ズーム配置を決定するために固定します。
フェーズ2/3のヘルパー(キャプション、顔追跡、画像検索、音楽)は、ゲートの後にロードするトラックリファレンスにリストされています。
インターフェース:
preview_server.py --root <edit> [--port 4820]— 標準のプレビューインターフェースを提供します(プレビューインターフェースのセクションを参照)。アプリコードはassets/preview/にあり、不変です。
プレビューインターフェース(標準——すべての編集セッションの開始時に起動)
すべての編集セッションは、ユーザーのプレビューパネルに同じインタラクティブインターフェースを表示します:ビデオエディタのタイムライン(フィルムストリップ付きビデオトラック+波形付きオーディオトラック)、レンダリングをリアルタイムでスクラブするライブ再生ヘッド、テイクごとのトリムハンドルとテイク削除、そしてフェーズ2からはキャプションとインサートトラック。レイアウトはソースのアスペクト比に応じて自動的に変化します:縦長のソースは、右側に縦長のプレイヤー、左側にトランスポート+タイムラインを配置します。横長のソースは、プレイヤーをタイムラインの上に積み重ねます。ダークガラス、Cena Raiz ブランド。セッションごとにUIを構築しないでください——標準インターフェースに state.json をフィードしてください。assets/preview/ の編集は、ユーザーがUIの変更を要求した場合にのみ許可されます。これは共有されるため、改善はすべてのプロジェクトに適用されます。
起動(セッション開始時に、最初のレンダリングの前でも実行——UIは待機状態を表示します):
-
<edit>/state.jsonを書き込みます:{"project": "Nome — C0000", "phase": 1, "video": "cut.mp4", "edl": "edl.json", "captions": "remotion/public/captions.json", "editData": "remotion/public/edit-data.json", "finalVideo": "final.mp4", "fps": 24, "message": "Fase 1 — cortando", "sourceDurations": {"C0000": 1038.5}, "awaitingStyle": false, "style": {"edit": "split", "captions": "karaoke", "elements": {"tracking": false, "zoomAuto": true, "zoomCuts": true, "musicAI": false}}}(
captions/editData/finalVideoは存在する場合のみ。フェーズ2タブはfinalVideo——キャプション/インサートを含むレンダリング——を再生し、フェーズ1はクリーンカットを再生します。sourceDurationsによりUIはテイクの拡張を制限できます。awaitingStyle/styleは以下のEstiloタブを駆動します。) -
ランタイムアダプターを選択し、他のホストのツールを決して呼び出さないでください。
- Claude Code:
.claude/launch.jsonに設定があることを確認します(セッションごとに--rootを調整)。サーバーはフラグによってのみポートを受け取るため、ハーネス割り当ての$PORTを渡し、autoPortを設定します:{"name": "cena-raiz-preview", "runtimeExecutable": "sh", "runtimeArgs": ["-c", "exec python3 <skill>/helpers/preview_server.py --root '<edit>' --port \"$PORT\""], "autoPort": true, "port": 4820}。名前cena-raiz-previewでpreview_startを実行し、次にMonitor(command="python3 <skill>/helpers/watch_edits.py '<edit>'", description="previewで保存された選択とマーク", persistent=true)を同じターンでアームします。 - Codex デスクトップ / CLI:
uv run python helpers/preview_server.py --root '<edit>' --port 4820を、環境がそれを生存させ続けられる場合はバックグラウンドのローカルプロセスとして開始します。応答したら、control-in-app-browserスキルを使用してhttp://127.0.0.1:4820をアプリ内ブラウザで自動的に開き、そのタブをプレビューに残します。preview_start、Monitor、または.claude/launch.jsonが存在することを前提としないでください。ブラウザ機能または永続的なローカルプロセスが利用できない場合は、代わりにユーザーにコマンドとローカルURLを提供します。プレビューを表示した後、ユーザーに保存と再度開くように伝えます
- Claude Code:
...