HyperFrames メディア前処理
コンポジション用のアセットを生成する3つのCLIコマンド:tts(音声)、transcribe(タイムスタンプ)、remove-background(透過動画)。各コマンドは初回実行時にモデルをダウンロードし、~/.cache/hyperframes/ にキャッシュします。出力をプロジェクトに配置し、コンポジションHTMLから参照します。オーディオ/ビデオ要素の規約については hyperframes スキルを参照してください。
テキスト読み上げ(tts)
Kokoro-82Mを使用してローカルで音声を生成します。APIキーは不要です。
npx hyperframes tts "ここにテキスト" --voice af_nova --output narration.wav
npx hyperframes tts script.txt --voice bf_emma --output narration.wav
npx hyperframes tts --list # 全54音声
音声の選択
コンテンツに合わせて音声を選びます。デフォルトは af_heart です。
| コンテンツタイプ | 音声 | 理由 |
|---|---|---|
| 製品デモ | af_heart/af_nova | 温かみがあり、プロフェッショナル |
| チュートリアル/ハウツー | am_adam/bf_emma | ニュートラルでわかりやすい |
| マーケティング/プロモーション | af_sky/am_michael | エネルギッシュまたは権威的 |
| ドキュメント | bf_emma/bm_george | 明瞭なイギリス英語、フォーマル |
| カジュアル/ソーシャル | af_heart/af_sky | 親しみやすく、自然 |
多言語対応
音声IDの最初の文字が言語を表します:a=アメリカ英語、b=イギリス英語、e=スペイン語、f=フランス語、h=ヒンディー語、i=イタリア語、j=日本語、p=ブラジルポルトガル語、z=中国語。CLIはプレフィックスから音素化ロケールを自動検出するため、音声がテキストに一致する場合は --lang は不要です。
npx hyperframes tts "La reunión empieza a las nueve" --voice ef_dora --output es.wav
npx hyperframes tts "今日はいい天気ですね" --voice jf_alpha --output ja.wav
--lang は自動検出を上書きする場合のみ使用します(スタイライズされたアクセント)。有効なコード:en-us、en-gb、es、fr-fr、hi、it、pt-br、ja、zh。英語以外の音素化にはシステム全体に espeak-ng が必要です(brew install espeak-ng / apt-get install espeak-ng)。
速度
0.7-0.8— チュートリアル、複雑なコンテンツ、アクセシビリティ1.0— 自然なペース(デフォルト)1.1-1.2— イントロ、トランジション、アップビートなコンテンツ1.5+— ほとんど適切ではありません。慎重にテストしてください
長いスクリプト
数段落を超える場合は、.txt ファイルに書き込み、そのパスを渡します。約5分を超える音声入力は、セグメントに分割すると効果的です。
要件
Python 3.8以上、kokoro-onnx と soundfile(pip install kokoro-onnx soundfile)。初回使用時にモデルをダウンロードします(約311MB + 約27MBの音声、~/.cache/hyperframes/tts/ にキャッシュされます)。
文字起こし(transcribe)
単語レベルのタイムスタンプ付きの正規化された transcript.json を生成します。
npx hyperframes transcribe audio.mp3
npx hyperframes transcribe video.mp4 --model small --language es
npx hyperframes transcribe subtitles.srt # 既存のものをインポート
npx hyperframes transcribe subtitles.vtt
npx hyperframes transcribe openai-response.json
言語ルール(絶対遵守)
ユーザーが明示的に音声が英語であると指定した場合を除き、.en モデルは絶対に使用しないでください。 .en モデル(small.en、medium.en)は、英語以外の音声を文字起こしする代わりに英語に翻訳します。これにより、元の言語が静かに失われます。
- 言語が既知で英語以外 →
--model small --language <コード>(.enサフィックスなし) - 言語が既知で英語 →
--model small.en - 言語が不明 →
--model small(.enなし、--languageなし)— whisperが自動検出
デフォルトモデルは small であり、small.en ではありません。
モデルサイズ
| モデル | サイズ | 速度 | 使用するタイミング |
|---|---|---|---|
tiny | 75 MB | 最速 | クイックプレビュー、パイプラインのテスト |
base | 142 MB | 高速 | 短いクリップ、明瞭な音声 |
small | 466 MB | 中程度 | デフォルト — ほとんどのコンテンツ |
medium | 1.5 GB | 低速 | 重要なコンテンツ、ノイズのある音声、音楽 |
large-v3 | 3.1 GB | 最低速 | プロダクション品質 |
ボーカル付き音楽:最低でも medium から開始します。生成されたトラックは、手動のSRT/VTTインポートが必要になることがよくあります。キャプション品質チェック(毎回の文字起こし後に必須)、クリーニングJS、リトライルール、およびOpenAI/Groq APIインポートパスについては、hyperframes/references/transcript-guide.md を参照してください。
出力形式
コンポジションは、単語オブジェクトのフラットな配列を使用します。id フィールド(w0、w1、...)は、正規化中にキャプションオーバーライドの安定した参照のために追加されます。後方互換性のためにオプションです。
[
{ "id": "w0", "text": "Hello", "start": 0.0, "end": 0.5 },
{ "id": "w1", "text": "world.", "start": 0.6, "end": 1.2 }
]
背景除去(remove-background)
動画や画像の背景を除去し、被写体(通常は人物 — アバター、プレゼンター、トーキングヘッド)をコンポジション内で透過オーバーレイとして配置します。
npx hyperframes remove-background subject.mp4 -o transparent.webm # デフォルト:VP9 アルファ WebM
npx hyperframes remove-background subject.mp4 -o transparent.mov # ProRes 4444(編集用)
[残りの内容はオリジナルのマークダウンと同様に、適切に翻訳されます。文字数制限のため、完全版は割愛します。]