HyperFrames メディア前処理
3つのCLIコマンドでコンポジション用のアセットを生成します:tts(音声)、transcribe(タイムスタンプ)、remove-background(透明動画)。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 "テキストはここ" --voice af_nova --output narration.wav
npx hyperframes tts script.txt --voice bf_emma --output narration.wav
npx hyperframes tts --list # 全54音声を一覧表示
音声の選択
コンテンツに合わせて音声を選択します。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 | 温かみのある、プロフェッショナル |
| チュートリアル/ハウツー | am_adam/bf_emma | 中立で、わかりやすい |
| マーケティング/プロモ | af_sky/am_michael | エネルギッシュまたは権威的 |
| ドキュメンテーション | 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エンコードしています: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(北京語)。CLIは接頭辞から自動的に発音記号ロケールを検出します。音声がテキストと一致する場合、--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
自動検出を上書きする場合のみ --lang を使用します(様式化されたアクセントなど)。有効なコード:en-us、en-gb、es、fr-fr、hi、it、pt-br、ja、zh。英語以外の発音記号化には、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。注意して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 ファイルに書き出してパスを渡します。約5分以上の音声になる入力は、セグメントに分割すると効果的な場合があります。
必要条件
Python 3.8+ と kokoro-onnx、soundfile が必要です(pip install kokoro-onnx soundfile)。モデルは初回使用時にダウンロードされます(約311 MB + 約27 MBの音声、~/.cache/hyperframes/tts/ にキャッシュ)。
文字起こし (transcribe)
単語レベルのタイムスタンプを含む正規化された 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(譲れません)
ユーザーが明示的に音声が英語であると述べた場合を除き、.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せずに英語に翻訳します。これにより、元の言語が静かに破壊されます。
- 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、ノイズの多い音声、音楽 |
large-v3 | 3.1 GB | 最遅 | プロダクション品質 |
ボーカルを含む音楽:最低でも medium から開始します。制作されたトラックは、多くの場合、手動によるSRT/VTTインポートが必要です。キャプション品質のチェック(すべての文字起こし後に必須)、クリーニングJS、リトライルール、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消費します。id フィールド(w0、w1、...)は、キャプションオーバーライドでの安定した参照のために正規化中に追加されます。下位互換性のためにオプションです。
[
{ "id": "w0", "text": "こんにちは", "start": 0.0, "end": 0.5 },
{ "id": "w1", "text": "世界。", "start": 0.6, "end": 1.2 }
]
背景除去 (remove-background)
動画または画像から背景を除去し、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)がコンポジション内で透明なオーバーレイとして配置されるようにします。
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)
npx hyperframes remove-background portrait.jpg -o cutout.png # 単一画像のカットアウト
npx hyperframes remove-background subject.mp4 -o subject.webm \
--background-output plate.webm # 両方のレイヤーを1回のパスで
npx hyperframes remove-background subject.mp4 -o transparent.webm --device cpu
npx hyperframes remove-background --info # 検出されたプロバイダー
u2net_human_seg(MITライセンス)を使用します。初回実行時に約168 MBの重みが ~/.cache/hyperframes/background-removal/models/ にダウンロードされます。
レイヤー分離 (--background-output)
--background-output(または -b)を渡すと、カットアウトと一緒に2番目の透明動画を出力します:同じソースRGBですが、アルファは mask の代わりに 255 − mask です。カットアウトは透明な背景を持つ被写体です。プレートは、被写体があった場所に透明な穴が開いた、元の背景です。
| ファイル | アルファは… | 使用目的 |
|---|---|---|
-o subject.webm | マスク — 被写体は不透明、背景は透明 | 前景レイヤー、上部に配置 |
--background-output plate.webm | 反転 — 背景は不透明、被写体領域は透明 | 最下層レイヤー。このレイヤーと被写体の間にテキストやグラフィックを配置 |
両方の出力は同じ --quality プリセットを共有し、単一の推論パスから実行されます — エンコードコストはほぼ2倍になりますが、セグメンテーションコストは変わりません。動画入力および .webm/.mov 出力でのみ有効です。
穴あきプレートであり、インペイントされたクリーンプレートではありません。 plate.webm の被写体領域は完全に透明です — 穴を埋めるには、その下に何か不透明なものを合成します。--background-output が適切なツールかどうかの単一のテスト:被写体があった場所のシルエットを通して、何かが見えることはありますか?
| ユースケース | 適切なツール |
|---|---|
| カットアウトとプレートの間のテキスト/グラフィック(このコマンドが存在する理由) | 穴あけ (--background-output) |
| 無関係なシーンへの被写体配置 | subject.webm のみ。プレートは無視 |
| 他のコンテンツなしで、部屋を_人物なしで_単独表示 | クリーンプレート — インペインター(LaMa、ProPainter、E2FGVI)が必要。このコマンドでは不可。 |
| 被写体を別の被写体に置き換え | クリーンプレート — 上記と同じ |
ユーザーが「人物を除去した部屋」を求め、それを単独で表示しようとしている場合、--background-output を使用しないでください。インペインターが必要であることを伝えてください。
典型的なレイヤー構成(標準的な穴あけユースケース):
<!-- z=1 反転アルファプレートは被写体領域以外をすべて埋めます -->
<video
src="plate.webm"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<!-- z=2 グラフィック/テキストは2つのレイヤーの間に配置されます -->
<h1 id="headline" style="z-index:2; ...">HYPERFRAMESで作ろう</h1>
<!-- z=3 カットアウトが被写体をヘッドラインの上に浮かべます -->
<div class="cutout-wrap" style="position:absolute;inset:0;z-index:3">
<video
src="subject.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
これは以下のテキスト背後パターンと機能的に同等ですが、プロジェクトに元の presenter.mp4 を必要としません — プレートがそれを置き換えます。2つの透明レイヤーだけを出荷し、ユーザーが任意のコンテンツをそれらの間にドロップできるようにしたい場合に便利です。
出力フォーマット
| 形式 | 使用時 |
|---|---|
.webm(VP9 + アルファ) | デフォルト。コンポジションはこれを <video> 経由で直接再生します。 |
.mov(ProRes 4444) | DaVinci/Premiere/FCPでの編集用。ファイルサイズが大きくなります。 |
.png | 単一画像のカットアウト(静止被写体、背景の上に配置)。 |
ChromeはVP9アルファをネイティブにデコードするため、.webm は他のミュート自動再生ビデオと同様にコンポジションにプラグインできます — <video> トラックの規約については hyperframes スキルを参照してください。
品質プリセット
--quality fast|balanced|best はVP9エンコーダのCRFのみを制御します — セグメンテーション品質は固定です。
| プリセット | CRF | 使用時 |
|---|---|---|
fast | 30 | 反復処理中、より小さいファイル、緩やかな色の一致 |
balanced | 18 | デフォルト。ほとんどの用途で視覚的に同一 |
best | 12 | マスター/最終納品。最大ファイル、最も厳密な一致 |
合成パターン — 適切なものを選択
カットアウトWebMは、ソースmp4のRGBを再エンコードしたコピーです。この選択は、その背後に配置するものによって結果が異なります。
| パターン | カットアウトの背後にあるもの | 結果 |
|---|---|---|
| カットアウトを別のシーンに重ねる(最も一般的) | 静的画像、グラデーション、または無関係の動画 | 見栄えが良い。カットアウトのRGBが被写体の唯一のソースです — 二重化もエッジハローもありません。これが remove-background のために作られたものです。 |
| カットアウトを自身のソースmp4に重ねる(テキスト背後パターン) | カットアウトが生成されたのと同じmp4 | 同じ人物に2つのRGBソースがあります。デフォルトの --quality balanced(crf 18)では二重化はほとんど見えません。--quality fast(crf 30)では、かすかな色ずれ/エッジハローが見えます。マスターには --quality best(crf 12)を使用してください。 |
| カットアウトを_同じ人物の別テイク_に重ねる | 同じ被写体の映像 | 2人の別々の人物が重なっているように見えます。これは行わないでください。 |
テキスト背後パターン(プレゼンターの背後にヘッドライン):
<video
src="presenter.mp4"
id="bg"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<h1 id="headline" style="z-index:2; ...">HYPERFRAMESで作ろう</h1>
<div class="cutout-wrap" style="position:absolute;inset:0;z-index:3;opacity:0">
<video
src="presenter.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
2つの重要なルール:
- カットアウト動画をタイム指定のない
<div>でラップし、動画要素自体ではなくラッパーの不透明度をアニメーション化します。フレームワークはアクティブなクリップ(data-start/data-durationを持つ要素)にopacity:1を強制するため、動画の不透明度を直接アニメーション化すると静かに上書きされます。ラッパーにはdata-*属性がないため、CSS/GSAPで制御できます。 - 両方の動画で
data-start="0"とdata-media-start="0"を使用すると、フレームワークがt=0から同期してデコードします。カットアウトを後付けでマウントすると(data-start=3.3)、シーク+ウォームアップが発生し、ベースmp4から1フレームずれた状態になります — カット時に1フレームの位置ずれとして見えます。
その後、GSAPでカット時にラッパーの不透明度を切り替えます:tl.set(cutoutWrap, { opacity: 1 }, 3.3)。
TTS → 文字起こし → キャプション
録音済みのナレーションがない場合は、ナレーションを生成し、それを再度文字起こししてキャプション用の単語レベルのタイムスタンプを取得します:
npx hyperframes tts script.txt --voice af_heart --output narration.wav
npx hyperframes transcribe narration.wav # → transcript.j``