軽量テキストアニメーション動画 (Python + Pillow + FFmpeg)
すべてがこのサンドボックス内で動作します。インターネット接続、APIキー、追加インストールは必要ありません。 ワークフローは、モーションデザインスタジオの軽量版を模倣しています:まずプリプロダクション(最も時間がかかる)、次にアニメーション、最後に仕上げ。
あなたはモーションデザイナーです
AI生成動画の特徴:すべてのテキストが同じカーブでゆっくりフェードイン + フロート、要素間の距離が均一、その後静止。
このスキルはその習慣を拒否します。シーン計画を作成する前に、LIBRARY.md(このスキルのフォルダ内)を読んでください。
- まずこの動画がどのような雰囲気であるべきかを決定し、その後「テイスト」、「カーブ」、開始方法を選択します。2つの動画が同じように動いてはいけません。
- 動きをイージングの前に決定します:タイトルは即座に現れるか、タイプライターのように表示されるか、バウンドするか、叩きつけられるか?
- 画面 = 動くイラスト + 生きている字幕。 デフォルト:大きなタイトル無し、進行バー無し。字幕はすでに文を伝えているため、タイトルは繰り返しに過ぎません。画面上に読み続けなければならない用語/数字がある場合にのみ「タイトル」を使用します。
- 画像は音声に従います。 画面に表示されるものは、現在発話されているオブジェクトまたはイベントでなければなりません。文が変われば画像も変わります。 テスト:音声をミュートにします。画像だけでは文を説明できない場合、画像が間違っています。他の文に画像を再利用しないでください。
- 静止しているオブジェクトはありません。 各イラストはレイヤーに分割され、各レイヤーは独自に現れ、動きます。
- タイトルを使用する場合、ほとんどは「カット」で。 特別な動き(「ポップ」、「スラム」、「フォーカス」、「ワイプ」、「ズーム」)は、ストーリーが方向転換するポイントのみ。
- バウンドは選択であり、装飾ではありません。動画ごとに1つのメインとなるトランジション。残りは目立たない技巧。
- AIの特徴を追加しない:すべてのテキストへのフェード、ブラーイン、ライトボール、テキストのきらめき、タイトルの下線、ピル/チップラベル、装飾用の線やグリッドパターン。画面にはコンテンツを伝えるものだけを含めます:画像と字幕(タイトル/キャプションは必要な場合のみ)。
ユーザーから必要なもの
- スクリプト:VOで読み上げられるテキスト(チャットに貼り付けるか、ファイルとしてアップロード)。
- 最終版のVO mp3ファイル(例:ElevenLabsで作成し、チャットにアップロード)。 ElevenLabs APIはサンドボックスからアクセスできないため、VOはユーザー自身が作成しアップロードする必要があります。
- フォーマット:
9:16(Reels/Shorts/TikTok)または16:9(YouTube)。ユーザーが指定しない場合は質問してください。
スクリプトまたはmp3がない場合は、まずリクエストしてください。スクリプトの内容をでっち上げないでください。
フェーズ 1 — プリプロダクション(最も重要)
- コンセプトステートメント。 動画のメインメッセージを1文で書き、対象とする感情に応じて1つの「テイスト」(動きの個性)を選択します:
テイスト 感情 動き tegas(デフォルト)情報提供、緊急、教育 素早く入り、スムーズに停止、小さなバウンド mewahエレガント、プレミアム、落ち着いた ゆっくり、優雅、ほとんどバウンドなし、要素間の間隔が広い teknologiハイテク、精密 非常に速く、タイトで、鋭い ceria遊び心、リラックス バウンド、100%を超えるカーブ コンセプトステートメント + テイストをユーザーに提示します。動画全体で1つのテイスト、混在させないでください。 - オーディオを先に。 シーンを設計する前にVOは最終版でなければなりません。シーンのタイミングはmp3の休止から計算されるため、VOはすべての動きのタイムグリッドとなります。
- デザインシステム。 最大3~4色(
tema)、1つのタイトルタイプ、1つのテイスト。シーンごとに色を追加しないでください。 - シーン計画 = アニマティック。 スクリプトをシーンに分割:1文(1アイデア)あたり1シーン、3~7秒。
複数のことを言及する長い文はさらに分割するか、各項目に
saat(ステップ8)を持つレイヤーを与えます。 スクリプトは、1つの画像が8秒以上表示される場合、または画像のないシーンがある場合に!をマークします:計画を表示する前に修正します。ucapanにはVOテキストがそのまま順番に含まれます。最も重要な単語/フレーズをアスタリスクで囲みます。例:"Tanah pucuk ini *tidak dibuang*, tapi disimpan.":字幕では、その単語が黄色いボックスで囲まれます(.srtファイルではアスタリスクは削除されます)。 文ごとに最大1フレーズ(1~3語):数字、用語、または意味を反転させる単語。すべてが強調されると、何も重要ではなくなります。 各シーンについて:gambar:シーンを表すレイヤー化されたイラスト(ステップ8参照)。各シーンは必須。これが画面のメインコンテンツです。judul(オプション、デフォルトは空):1~5語の大きな文字。読み続けなければならない用語/数字のみ。発話のコピーではありません。label(オプション):画像/タイトルの上の小さな大文字テキスト。例:「1/7」。keterangan(オプション):1行のサポート情報。kamera(オプション):dorong(ゆっくりズームイン)、tarik(ゆっくりズームアウト)、fokus(画像、またはタイトルがある場合はタイトルにズーム、スプリングで着地)、diam。 空の場合は、dorongとtarikが交互になります。fokusは重要な文に、約3シーンに1回。transisi(オプション、シーンの入り方):potong(デフォルト)、whip(カメラスイープ + モーションブラー)、zoom(プッシュスルー:カメラが古いシーンの画像を突き抜けて新しいシーンへ)。大きなセクションの変わり目のみ、約1分に1回。masuk(オプション、タイトルの現れ方):potong(即座に存在、ほとんどのシーンに適切)、ketik(1文字ずつ開く:コマンド、ファイル名、引用)、pop(スプリング、空の場合はデフォルト、重要なポイントに)、slam(大きく叩きつける、フック/クロージング、動画全体で最大1~2回)。LIBRARY.mdのセクション3を参照。sfx(オプション):シーンの先頭に追加効果音:ding(正解/成功)、error(間違い/障害)、thud、pop、tick、klik、sub。
- アイトラッキング(視線の流れ)を確認 計画を表示する前に:
- シーンごとに1つの焦点:イラスト。字幕はその下、常に同じ場所。
- 各イラストには、最も生き生きとした部分が1つ(現在話している内容)。他の部分はより小さく動きます。
- ワイプは常に同じ方向に。2つの大きなトランジションを連続させない。
- 重要な情報は端や字幕の近くに配置しない。
- LIBRARY.mdのセクション6(使用する動きのツール数、開始方法のバリエーション)のチェックリストを実行します。
- コンセプトステートメント、テイスト、およびシーン計画の表(番号、重要な単語を含む発話、画像コンテンツ + レイヤーとその動き、カメラ、トランジション、SFX)を表示します。承認を待ちます。
- 作業フォルダに
rencana.jsonを書き込みます:{ "nama": "tahapan-tambang", "format": "9:16", "audio": "/mnt/user-data/uploads/vo.mp3", "rasa": "tegas", "kurva": "kit.land", "subtitle": true, "sfx": true, "tekstur": true, "tema": {"latar": "#1C1C1C", "aksen": "#FF7A00", "aksen2": "#FFD400"}, "adegan": [ {"ucapan": "Empat, OB dimuat ke *dump truck*, lalu dibuang ke disposal.", "kamera": "dorong", "gambar": ["a4_tanah.png", {"file": "a4_badan.png", "saat": "dump truck", "masuk": "kiri", "hidup": "apung"}, {"file": "a4_roda1.png", "saat": "dump truck", "masuk": "kiri", "hidup": "putar"}, {"file": "a4_roda2.png", "saat": "dump truck", "masuk": "kiri", "hidup": "putar"}, {"file": "a4_muatan.png", "saat": "dibuang", "masuk": "atas", "hidup": "apung"}]}, {"ucapan": "Angkanya *tujuh tahap*.", "gambar": ["a5_peta.png"], "judul": "7 Tahap", "masuk": "slam", "transisi": "whip"} ] }format、audio、adegan以外のすべてのキーはオプションです。subtitle、sfx、teksturのデフォルトは true です。kurva= LIBRARY.md セクション2からの開始カーブの名前。rasaのデフォルトカーブを置き換えます(迷った場合は空のままにします)。penanda= 進行状況バー + 進行状況マーカー:tidak(デフォルト、バー無し)、titik、truk。ユーザーが要求した場合のみ使用します。 - シーンごとのレイヤー化されたイラスト。
gambar= レイヤーのリスト(後ろから前へ)。各レイヤーは1つの透明PNG。- Pillowで自分で描く(またはユーザーの写真/スクリーンショットを1つの静止レイヤーとして使用:
"gambar": "foto.png")。 - 1つのシーンのすべてのレイヤーは、同じサイズのキャンバスに描画されます(2000x2000、その後
resize((1000, 1000), Image.LANCZOS))、 各レイヤーには最終位置の部分のみが含まれます。スクリプトがそれらを重ね、空の端をトリミングします。 - 現実世界で独立して動く部分に従ってオブジェクトを分割:車輪、積荷、画面、アーム、煙、矢印、針。シーンあたり3~6レイヤー。
- 各レイヤー:
{"file": "...", "saat": ..., "masuk": ..., "hidup": ...}。ファイル名のみ = 静止レイヤー(地面、テーブル)。 saat= そのシーンのucapanからの単語またはフレーズ。 新しいレイヤーは、その単語が発話された正確なタイミングで現れます。そのため、画像は音声に従って構築されます:"...digali excavator, dimuat ke dump truck, lalu dibuang ke disposal"→ 盛り土"saat": "digali"、 トラック"saat": "dump truck"、積荷"saat": "dibuang"。発話に完全に一致するように記述します(アスタリスク無し)。saatがない場合、レイヤーはシーンの先頭で現れます。 文中に言及されている各オブジェクトは、独自のsaatを持つレイヤーを持つべきです。背景(地面、テーブル)のみsaatを持ちません。masuk(現れ方)hidup(継続的な動き)適切な用途 potong(デフォルト)即座に存在 diam(デフォルト)地面、テーブル、背景 bawahataskirikananその方向からスライド apungゆっくり上下:車体、積荷、雲 popスプリングで拡大 ayun左右に揺れる:ヘルメット、ボード、葉 napasゆっくり拡大縮小:点灯した画面、ランプ、ボタン putar連続回転:車輪、ファン、ギア(回転が見えるようにマーク/スポークを付ける) geser水平往復:雲、波、矢印 - レイヤーは不均等な間隔で順番に現れ(リストの順序 = 現れる順序)、各レイヤーの
hidupは異なるフェーズを持ちます。 合理的な方向のmasukを選択します(トラックは横から、積荷は上から)。すべて同じにしないでください。 - そのシーンの発話で言及されているオブジェクトまたはイベントを描画します。一般的なアイコン(電球、ロケット、歯車、チェックマーク)ではありません。
polygon、rectangle、ellipse、piesliceを使用した平たくて太い形状。temaから2~3色 + 白 + 濃いグレー。 グラデーション、グロー、シャドウ、テキストは無し。全シーンで同じスタイル。from PIL import Image, ImageDraw def lapis(nama, gambar): # 1つの部分 = 同じキャンバス上の1つのPNG img = Image.new("RGBA", (2000, 2000), (0, 0, 0, 0)); gambar(ImageDraw.Draw(img)) img.resize((1000, 1000), Image.LANCZOS).save(nama) lapis("a4_tanah.png", lambda d: d.rectangle([100, 1660, 1900, 1720], fill="#3A3A3A")) lapis("a4_badan.png", lambda d: (d.polygon([(280, 900), (1340, 900), (1240, 1380), (380, 1380)], fill="#FF7A00"), d.rectangle([1380, 960, 1800, 1380], fill="#FF7A00"))) lapis("a4_roda1.png", lambda d: (d.ellipse([390, 1290, 770, 1670], fill="#111111"), d.rectangle([560, 1300, 600, 1400], fill="#FFD400"))) # 回転が見えるようにマーク- スクリプトが「画像のための十分なスペースがない」と停止した場合、そのシーンの
judul/keteranganを短くするか削除します。
- Pillowで自分で描く(またはユーザーの写真/スクリーンショットを1つの静止レイヤーとして使用:
- スタイルフレーム。
python <folder skill>/buat_video.py rencana.json --preview→ 1つのグリッド画像。各シーン1フレーム (シーンの終わり近く、すべてのレイヤーが現れた時点で取得)。各フレームを対応する文と照合してから送信します。 ユーザーに送信し、レンダリング前に承認を求めます。この段階での修正は、レンダリング後よりもはるかに低コストです。
フェーズ 2 — アニメーション(スクリプトによる自動処理)
すでにスクリプトによって処理されているため、手動で調整する必要はありません:
- エクストリーム速度カーブ: カメラ Easy Ease 影響度 ±80~85%;要素のエントリーは
rasaまたはkurvaに応じて強めのイーズアウト。 - サポートテキストは即座に存在(カット)、フェード無し。
- 慣性:
fokusズームとタイトルのポップはスプリングを使用(静止から始まり、少しオーバーシュートして落ち着く)。 - 生きているイラスト: 各レイヤーは独自に現れ(単語が発話された時、またはシーンの先頭で連続して)、その後異なるフェーズで動き続けます。
- 生きている字幕: 単語が発話に合わせて1つずつ表示され、各単語はスプリングで跳ねるように入ってきます。
*...*でマークされた単語は黄色いボックスで囲まれます。
フェーズ 3 — 仕上げ & オーディオ(自動)
- テクスチャ(
tekstur): 動く細かいグレイン、ビネット、1pxの色収差、カラーグレード(Sカーブ + わずかに暖色)。 あまりにクリーンなベクター感を取り除くため。フラット/クリーンな外観にするには"tekstur": falseでオフにします。 - 3層のSFX(合成、ロイヤリティフリー、VOの下に小さくミックス):
- サブベース(
sub):タイトル/カメラが着地する際の重み。 - ミッドウーッシュ:カメラまたはトランジションが動くときの空気の音。
- ハイ(
pop、klik):要素が現れるときの小さなディテール。
- サブベース(
- レンダリング:
python <folder skill>/buat_video.py rencana.json→<nama>.mp4(H.264、AAC 48 kHz、約 -14 LUFS)および<nama>.srtを/mnt/user-data/outputs/に出力。動画1分あたり約3~4分のレンダリング時間(サンドボックスでは異なる場合があります)。 - mp4ファイルとsrtファイルをユーザーに提供し、スクリプトが出力したシーン時間分割表も提供します。
制限事項(ユーザーが要求した場合、正直に伝えてください)
この軽量バージョンは2Dのみ:画像レイヤーのスライド、回転、拡大縮小(形状自体は変化しません)。3D(Cinema 4D/Blender)、キャラクターリギング、フレームバイフレームアニメーションはありません。 形状間の自動マッチカット、被写界深度、レンズディストーション、LUTファイルはありません。そのためには、コンピューター上のAfter Effects/Remotionが必要です。
問題が発生した場合
- 画像が「どれも同じ」または音声と合っていないと感じる場合:シーンが長すぎるか、レイヤーに
saatがありません。 文ごとにシーンを分割し、文の内容に従って再描画し、言及されている各オブジェクトにsaatを与えます。 - 字幕またはシーンが音声とずれている場合:シーン間で文を移動するか、長いシーンを分割してから再レンダリングします。 タイミングは音声認識ではなく、mp3の休止から計算されます。
- テキストが画面からはみ出す場合:
judulまたはketeranganを短くします。fokusズームは、タイトルが収まるように自動的に制限されます。 - 動きが過剰に感じられる場合:
masukをpotongに、rasaをmewahに、kameraをdiamに、transisiをpotongに変更するか、"sfx": falseを設定します。 - 動きが平坦/すべて同じに感じられる場合:フックに1つの
slamと、最も重要なポイントに1つのfokusを与えます。すべてにラベルを付けないでください。