カスタムソング+カラオケ動画
実際の注文(誕生日、メレンゲ — 依頼者は「素晴らしい」と絶賛)で実証済みのプロセス。 2つのフェーズ: (A) Suno用歌詞 と (B) 写真+カラオケの縦型動画 1080×1920。 すべてラテンアメリカのスペイン語で、温かく親しみやすいスタイル。ユーザーにはスペイン語で回答すること。
フォルダ構成(注文ごとに1つ)
<注文フォルダ>/cancion-<名前>/
letra-suno.md ← フェーズA
fotos/ ← ユーザーが写真をアップロード
<曲名>.mp3 ← ユーザーがSunoのMP3をアップロード(任意の名前)
video/ ← 技術ファイル全般(project.json, lineas.txt, json, chunks…)
Feliz-Cumpleanos-<名前>.mp4 / -WhatsApp.mp4 ← 成果物
スクリプトは ${CLAUDE_SKILL_DIR}/scripts/ にあり、$S で参照する。通常の python で実行する(python -I は不可:ユーザーのsite-packagesにインストールされた faster_whisper/librosa が見えないため)。
必要条件: ffmpeg(libass対応)、Python(faster-whisper, librosa, numpy, Pillow)。インストール: pip install faster-whisper librosa numpy pillow。初回は確認すること(ffmpeg -version, python -c "import faster_whisper, librosa")、不足があればユーザーの許可を得てインストールする。
フォント: Windows では Segoe UI Black(歌詞)、Segoe Script(タイトル)。Mac/Linux ではインストール済みの同等フォントを使用。
フェーズA — Suno用歌詞
- クライアントのメッセージを読む: 誰宛てか、関係性、機会、メッセージ、希望のジャンル。
- クライアントのメッセージのアイデアをすべて 歌詞に盛り込む(「相棒であり友人でありパートナー」と言われたら、自然な形でそのまま登場させる)。これが受け取る側の心に響くポイント。
- 歌詞構造:
[Intro](名前を叫ぶ/捧げる)→[Verse 1]8行 →[Pre-Chorus]2行 →[Chorus]8行(冒頭に名前を繰り返す:「¡Valentina, Valentina!」)→[Verse 2]→[Pre-Chorus]→[Chorus]→[Instrumental Break]→[Bridge](祝いの言葉:「¡que suene la güira!」「¡Felicidades!」)→[Final Chorus]→[Outro](「¡Te amo, X!」)→[End]。 - 子音・母音韻を明確に、各行9–12音節、サビはキャッチーに。
- スタイルプロンプトを2つ(英語で、「Style of Music」用)。例:
- メレンゲ:
festive dominican merengue, accordion, güira, tambora, bright saxophone section, warm joyful male vocal, party backing choir, romantic birthday celebration, danceable, 140 bpm, spanish - クンビア:
colombian cumbia, accordion lead, guacharaca, caja vallenata, bass, warm romantic male vocal, festive choir shouts, birthday celebration, danceable, 95 bpm, spanish - バラード、バジェナート、バチャータ、ランチェラ、サルサなど、注文に応じて調整。声は贈り主に合わせて男性/女性。
- メレンゲ:
cancion-<名前>/letra-suno.mdに保存(タイトル、style A/B、歌詞はコードブロック内、ヒント:2–4バージョン生成、名前の発音が間違っている場合は phonetics で記述)。空のfotos/フォルダを作成し、写真とMP3を依頼する。
フェーズB — カラオケ動画
B1. 解析(約4–6分、バックグラウンドで実行)
python $S/analizar.py <video_dir> <ruta_mp3> <fotos_dir> "<歌詞の最初の数行をプロンプトとして>"
words.json、beats.json、fotos.json、hoja-fotos.jpg を生成し、文字起こし(=セクションマップ)を表示。
B2. 写真の確認(hoja-fotos.jpg をReadで見る)
-
分類: 主役のみ、カップル/家族、グループ/パーティー。黒い帯があるスクリーンショットを検出(render.py が自動でトリミング)。
-
各写真に
focus= 顔/主要人物の水平位置 (0..1) を記録。パンで人物が切れないために重要。 -
横長写真(幅/高さ > 0.75)→ 白枠付き「カード」として表示、パンあり。縦長写真 → 全画面、Ken Burns 効果。
-
WhatsApp/Facebook ステータスのスクリーンショット(「返信」バー、ステータスバー、ボタン含む): render.py は純粋な黒のみをトリミングし、インターフェースはトリミングしない。手動で
fotos-limpias/NN.jpgに切り抜き(写真ごとに上部/下部の割合を指定)、fotos.jsonをその名前とfotos_dir: "../fotos-limpias"で書き換える。重複(同じ写真のスクリーンショットとオリジナル)は破棄。
B2b. クライアントの動画(オプション)
clip/video.mp4 に移動。project.json に "clip": "../clip/video.mp4"(オプションで clip_inicio)、写真セクションに ["clip"]、beats_por_foto 99、長さはクリップとほぼ同じ(実際の速度で再生、音声なし、縦長なら全画面)。楽器演奏部分+バースの開始に最適。focus には "clip" を指定可能。
B3. video/lineas.txt を書く
Sunoが実際に歌った正確な順序 での公式歌詞(文字起こしを参照:Sunoは時々行を省略したり変更したりする。例:コーラスの2番目の「¡Valentina, Valentina!」を省略)。1行につき1行、繰り返しコーラスは完全に記述、# はセクションコメント用。
B4. video/project.json を書く(ejemplo-proyecto.json 参照)
audio、fotos_dir、salida(video/からの相対パス)、nombre、titulo、cierre、lineas。focus:{"n": x}。pulso: 新規注文ではデフォルトで "suave" = コーラス部分のみ、各小節にゆっくりとしたブレス(ビートごとのズームは酔いの原因になる。María Paula のケース)。false= パルスなし。true= すべてのビート(依頼がない限り使用しない)。letra:falseは Cancionarte プラン「曲+写真動画」(14.90)用:タイトルのみ、カラオケなし。カラオケプラン(19.90)では、省略するかtrueにする。tema: "infantil"(子ども/赤ちゃん用):サイドに風船、きらめく星、泡、控えめな紙吹雪。コーラスではハート。"fuente_titulo": "Segoe Print"(Segoe Script より遊び心がある)。バースでも1枚あたり8ビートを使用 → ダイナミックに。tema: "nostalgia"(不在、距離、和解、追悼。Mariana CNA-8YHTM2 のケース):優しい雪+コーラス部に暖かい薄明かり、紙吹雪やハートなし。タイトルは白/クリーム色で暗い縁取り。"pulso": false、"crossfade": 1.0、flashなし、1枚あたり12–16ビート。テーマを選ぶ前に歌詞を読むこと:子どもの写真 ≠ 子ども向けの歌。gaps: 楽器演奏部分のタイトル[開始, 終了, "テキスト"](例:「愛を込めて作った歌」「踊ろう、私の女王!」「誕生日おめでとう!」)。sections:[開始, 終了, beats_por_foto, [写真], flash, ハート]で 0→長さを隙間なくカバー:- バース / イントロ / 楽器演奏部分: 16ビート ずつ(140 BPMで約6–7秒)。
- コーラスとブリッジ: 8ビート(約3.3秒)→ ダイナミックに。
- コーラス:
corazones: true。flash: true各セクション開始時(イントロ除く)。 - ナラティブ: イントロ → 主役の最高の写真。称賛のバース → 彼女だけの写真。愛のコーラス → カップルの写真。ブリッジ/パーティー → グループ写真。クロージング → カップルの最高の写真(最終タイトルの下に表示)。
- 写真の繰り返しはOK(4分で17枚 → 各写真2–3回出現)。同じ写真を続けて使わないこと。
B5. タイムライン+カラオケ生成
python $S/timeline.py <video_dir>
python $S/karaoke.py <video_dir> # "sin match: 0" またはほぼ0になること。そうでなければ lineas.txt を修正
B6. プレビュー(約1分)— 必ず本レンダリングの前に
python $S/build.py <video_dir> --preview 62 70 # コーラスの一部
prev/preview.jpg を確認(Read)。チェック:顔が切れていないか、テキストが読みやすいか、テキストが顔を隠していないか。
B7. 本レンダリング(バックグラウンド)
python $S/build.py <video_dir>
8ブロックを並列処理 → 結合 → カラオケ+音声を焼き付け → WhatsApp版(crf 27、約50 MB)。
実測時間(8コア、曲長4:00):レンダリング約15分+最終処理約3分+WhatsApp版約2分=約20分。
sleep ではなく、until grep -q "FINAL\|rror" <出力>; do sleep 5; done(Bashバックグラウンド)で待機。
B8. 確認と納品
ffprobeで確認(1080x1920、長さ=曲、h264+aac)。- 8フレームのサムネイル(2、20、45…最終)→ Readで確認。タイトルが顔を隠している場合やテキストに問題がある場合:
python $S/build.py <video_dir> --solo-karaoke(約5分、既にレンダリング済みの写真を再利用)。 - 2つのMP4リンクを添えて納品(完全版はTV/IG用、WhatsApp版は送信用)、処理時間、内容の概要も添える。
視覚スタイル(スクリプトに実装済み)
- 背景: 同じ写真をぼかして暗くしたもの(黒い帯は不使用)。
- 各ビートでのズームパルス(偶数ビートで強め)、写真間のクロスフェード0.35秒、セクション開始時の白フラッシュ。
- カラフルな紙吹雪が動画全体に。コーラスではピンクのハート。
- カラオケ下部: 現在行74px、単語ごとに金の塗りつぶし(
\kf)、スケールポップ。次の行は灰色で下に表示。 - タイトル: "<タイトル>" はピンクの Segoe Script で、"<名前>" は大きめの金で下部(y=1400–1780)に表示(顔を隠さないため)。クロージングは "<名前> ♥" +フレーズ。
動きのある表現(新しいタイトル、テーマ、エフェクトを追加する場合)
${CLAUDE_SKILL_DIR}/../video-con-vida/references/principios.md のルールに従うこと:
- 新しいタイトルやステッカーは ease-out+5–10%のバウンドで登場(アイコン/ハートは最大20%)、ease-inで退場。カラオケの塗りつぶし以外は線形アニメーション禁止。
- 複数の要素を同時に表示する場合 → 80–120msの間隔を空ける。タイトルの単語は1文字ずつ40–70ms。
- Ken Burns は常に ease-in-out、線形は禁止。どの写真も完全に静止させない(最小1–3%のズーム)。
- 控えめが勝ち:「全ビートパルス」は酔いを引き起こすことが実証済み(María Paula のケース)。動きが意識的に目立つ場合は弱める。
- クライアントが自分のカメラに向かって話す動画を送ってきた場合(献辞)、
video-con-vidaのエフェクト(例:頭の後ろに名前を配置する16番、ハートを使った手描き風14番)を適用してからclipとして使用可能。
解決済みのエラー(繰り返さないこと)
- 半透明パーティクル:
ImageDrawをRGBA画像に直接描画するとピクセルが置き換えられて不透明になる。別レイヤーに描画し、alpha_compositeを使用(Snowで実装済み)。 - クライアントからのモザイク/コラージュ: 白い帯を検出し、各写真を切り抜き、Lanczosで3倍に拡大+UnsharpMask。二重写真を分離し、透かしを除去。
- Whisperが詩全体を同じ瞬間に詰め込むことがある(すべての単語が同じ
sになる): words.json で手動分散(words-original.json を保存)してから karaoke.py を実行。 - 中央の風船が顔を隠す → 両端に配置(x <190 または >890)。
python -I→ ModuleNotFoundError(faster_whisper)。通常のpythonを使用。- PowerShellでJSONを引数として渡すと引用符が壊れる → すべて project.json に記述。
- 横長写真での強いパン/ズームで人物が切れる → 高さ940pxのカード+
focusで対応。 - 中央のタイトルが顔を隠す → 下部ゾーンに配置(イントロとクロージングではカラオケなし)。
- セクションの最終セグメントが極端に短い(通常の60%未満)場合は前のセグメントに結合(timeline.py が実行)。