Communitygithub.com

svg-voiced-video-studio

口播稿、分镜脚本或选题を、自分だけの音色でナレーションを吹き込んだ60fpsのネイティブSVG動画に変換し、4サイズの高品質カバー、SRT字幕、5プラットフォーム対応のタイトル・概要・固定コメントを生成するスキルです。

svg-voiced-video-studio とは?

このスキルは、文章やスクリプトを基に、ネイティブなSVGアニメーションと個人の声(GPT-SoVITS使用)を組み合わせた高品質な動画を自動生成します。Bilibili、RedNote(Xiaohongshu)、Douyin(TikTok)、WeChat Channels、Kuaishouの5プラットフォーム向けに、クロップされない4サイズのカバー画像、SRT字幕、規定に準拠したタイトル・概要・固定コメントを一式出力します。まずスクリプトの品質(AIっぽい表現や読み間違えやすい漢字など)をチェックし、その後、文ごとに音声合成をキャッシュして効率的に生成します。60fpsのタイムラインは実際の音声の長さに基づいて動的に調整され、視覚的な強調と同期します。動画レンダリング後は、LUFSラウドネス、黒フレーム欠落、解像度などを自動チェックし、さらに人間による視覚レビュー(キーフレームのサンプリングチェック)を経て納品されます。このスキルは、実写映像の編集や写実的な人物イラストの生成は扱いません。

対応~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/zou172866/svg-voiced-video-studio/tree/main/skills/svg-voiced-video-studio

お気に入りのAIに質問する

このエージェントスキルを事前に読み込んだ状態で新しいチャットを開きます。

ドキュメント

svg-voiced-video-studio:60fps音声付きSVG動画とマルチプラットフォーム納品ワークショップ

原稿、絵コンテ、または確認済みの事例を、ローカル個人音声で無欠落ナレーション + 4K 60fps ネイティブジオメトリックSVG動画 + @2x 4サイズクロップ防止カバー + 5プラットフォームタイトル・概要・固定コメントに変換します。

重要な不変条件

  1. まず原稿と音声環境をチェックし、文ごとにキャッシュして合成する。 根拠:中国語二音節韻律語理論、オーディエンス共通基盤理論、Griceの会話の格率、およびコンテンツアドレッシングによる冪等な構築。合成前に必ず lint_script.py を実行し、公式文書的な単一文字、バイナリ反転、5種類の読み上げAIフィンガープリント(偽りの共感、偽りの深遠、自己重み付け、万能テンプレート、三連並列)、冷たいオープニングアナウンス、括弧の補足、過度に長いポーズ、文長変動係数(≥ 0.25)、多音字、数字と英語の読み方を徹底的にチェックする。分解タイプでは、オーディエンス共通の計量語(例: token)を保持し、作品全体で統一する。直接呼びかけ対象と情報源の実名を使用し、時間順に従って選択を収束させる。読み間違えた単語には {発音=>字幕} または ttsText で二重ロックする。合成スクリプトは --check-only による事前チェックと out/.tts_cache/ による文単位のハッシュベース継続合成をサポートする。;:——(ポーズ 0.18s)と 。!?(ポーズ 0.30s)で物理的に文を分割し、複数回合成して最適なものを選択する(唯一のパラメータは 口播人话与防切尾音工艺手册 を参照)。
  2. 実測秒数で 60fps タイムラインを逆駆動し、高速離脱と表示フレームの命中点への位置合わせを行う。 根拠:正規化時間パラメータ化と聴覚・視覚同期知覚ウィンドウ。合成スクリプトは scenesData.json を出力する。コンポーネントはフレーム番号をハードコードしてはならず、スプリングは SPRING_PRESETS の4段階で同種要素を統一し(モードCでは跳ね返りなしのロック)、離脱は 0.25s で進入より速くする。マスクトランジションは revealOn() を使用して表示フレームを強調語またはカットポイントに合わせる。中国語の画面テキストは minReadHoldSec()(文字数÷4.5+1.5s、重要な数字は ≥ 2.5s)で停止時間を満たす。
  3. まず静的フレームの2状態を抽出して目視で問題を排除し、その後全体の動画をエンコードする。 根拠:欠陥検出の前倒しとゲシュタルトの図地分離。各カットで 25%(進入状態)と 76%(テキスト満載状態)を抽出し、破片や軌跡の交差があるカットは 48% も追加で抽出する。線が文字を横切らない、パスが閉じている、文字枠のクリアランスが ≥ 8px、同一画面に最大1箇所の強調色フォーカスであることを確認する。
  4. 4サイズのカバーを一度に準備し、9:16 は中央 3:4 セーフエリアを厳守する。 根拠:複数ビューポートセーフフレームと中西混植の視覚的文字幅規範。カバー見出しは純漢字で各行 ≤ 6文字、中西混植では視覚的文字幅 ≤ 6.2 em(分割できない長い固有名詞は --allow-7 で特別に 7.2 em まで許可し、自動でフォントサイズを 8% 縮小)。9:16 版は上下余白を ≥ 240px 確保する。
  5. 公開文案は言語と事実の境界を守る。 根拠:期待違反チェックと知識の呪い。純テキスト、ゼロフォーマット、引用符削除、Kuaishouでは最大 4 つのハッシュタグ、バイナリ反転構文の禁止、仮定の推論を作者の既成事実として書くことの禁止、クリエイター固定の結びの文言は原文そのまま保持——詳細は統一して 五平台文案与四尺寸封面规范 第2節第0条に従う。ナレーションとカバーも同様に適用される。
  6. 思想・人文系動画の最終幕では、クリエイター固定の結びの文言を原文そのまま保持する。 以不休止的追问,找到鲜活的自我;在有限的共识里,达成无限的可能。 原稿に既にあれば一字も変えず、話題からスクリプトを生成する場合もデフォルトで最終幕の締めくくりとし、セミコロンで2文に分割して合成し、文末に 4.5s~5.5s の余白を設ける。純粋なビジネス短解説はワークスペースのルールまたはユーザー指示に従って実行する。
  7. 幕は情報ポイントに応じて動的に伸縮し、画面の審美性、データの口径、スイス式レイアウトはハンドブックに従って実行する。 根拠:Mayerのマルチメディア学習原則、Tufteのグラフィック誠実性、スイスモジュラグリッド。固定幕数を強制したり埋めたりしてはならない:「一幕一核心情報ポイント」の原則に従い、コンテンツの複雑さに応じて自然に分割する(短評 3~5幕、通常解説 5~9幕、深掘り長編 10~16+幕 まで自由に伸縮可能)。データグラフ(未確認の数字は画面に表示禁止、先に座標後データ、棒グラフは0から計算、倍数の検算、出典を小文字表記)、横12 / 縦6 カラムのグリッド、毎回 2~3 個の類似化防止スタイルシグナルは、すべて SVG 动态画面审美手册 に従う。
  8. 完成動画は -14 LUFS の技術最終チェックと独立盲審の両方を通過してから納品する。 根拠:ITU-R BS.1770 ラウドネス標準と独立検証による確証バイアス防止。最終ミックスでは、人声を避けるカウントダウン効果音(sfx_synth.py)を加え、-14.0 LUFS(真ピーク ≤ -1.2 dBTP)に揃える。レンダリング後は必ず inspect_video.py でフレーム数、黒フレームなし、ラウドネス、真ピークをハードチェックする(未チェック項目は NOT_CHECKED と表示し、合格とみなさない)。また、独立盲審を実行する。

ビジュアルマスターテンプレートとキャンバスモード選択

原稿の雰囲気と公開メインプラットフォームに応じて選択する(ワークスペース AGENTS.md またはユーザーがすでに配色を指定している場合はそれを優先する):

モード論理キャンバス → 4K出力(--scale=2)コアカラーパレット(ゼログラデーション、0px 直角)合成プリセットカバーテーマ適用テーマ
A. ダークカーボンナイトビークル思想風1920×1080 → 3840×2160背景 #111110 · メインインク #F2EFE9 · フォーカス #D94E28--preset long --speed 1.00--theme dark内省的分析、実存主義長編
B. スイスクラシックウォームアカウント風1920×1080 → 3840×2160背景 #F5F0E6 · ペーパー #FAF7F1 · チャコール #191715 · 封蝋 #C83E2B--preset long --speed 1.00--theme vellum時間とお金の帳簿、古典哲学長編
C. スイスウォームペーパーメディア縦型ショート解説1080×1920 → 2160×3840背景 #F5F1EA · ページ #FAF8F3 · インク #1A1A18 · バーミリオンレッド #D93B22--preset short --speed 1.07--theme editorial縦型ビジネス解説、製品比較、実データ分析ショート動画(幕数は情報ポイントに応じて自然に伸縮)

数字は font-variant-numeric: lining-nums tabular-nums を統一し、デフォルトの旧式数字フォント(例: Georgia)は厳禁。

モードCの追加注意点:シェルには theme={EDITORIAL_PAPER_THEME} を渡す。縦型キャンバスは自動でプラットフォームの被りセーフエリアを切り替える(上部 ≥ 200px、下部 ≥ 400px、右側 ≥ 140px、字幕は1行 ≤ 16 文字)。図形は safe 矩形内にのみ描画し、swissGrid(safe) で6カラムグリッドに貼り付ける。lint出力の数字読み上げリストを一つずつ確認する。


標準5ステップワークフロー

ワークスペース AGENTS.md に人によるレビューゲート(テーマ、原稿最終審査)が設定されている場合は、該当ゲートで停止し、許可なくレンダリングを開始してはならない:

  • 最終決定前の内部ブラインドレビューと決定の記録: 原稿最終審査パッケージを提出する前に、ホストがサブAgentをサポートする場合、まず原稿作成に関わっていないサブAgentを割り当て、AIっぽさ5種類と事実境界をチェックさせて修正する。最終決定パッケージは、「核心主張一文、モードと選択した2~3のスタイルシグナル(少なくとも1つは最もありきたりなものから外れたもの)、音色と話速、*キーワード* をマークした幕ごとのナレーションと9カラム絵コンテ自己チェック、4サイズカバーの大きな文字、5プラットフォームタイトル」を項目ごとに番号付けする。ユーザーが承認したらすぐにエンジニアリングディレクトリ out/定稿决策.md に書き込み、その後のレンダリングやセッションをまたいだ引継ぎはこのファイルを唯一の事実情報源とする。

第1ステップ:原稿チェックと無欠落キャッシュ音声合成・ミックス

  1. python scripts/lint_script.py 原稿パス を実行し、文の構造、5種類のAI口調、公式文書的な単一文字を修正する。多音字と数字・英語の読み上げリストを確認し、読み方が間違っている場合は {発音=>原文} と記述する。
  2. gpt-sovits-studio/voice_profile.json を特定する(存在する場合は .venv\Scripts\python.exe 専用環境で実行し、初回は --check-only で秒単位でウェイト、CUDA、ffmpeg を事前チェックする)。新しい音色を訓練する場合、またはWindowsメモリエラーが発生した場合は、まず GPT-SoVITS Windows 单卡微调排坑手册 を読む。
  3. synth_voiceover_template.py を実行する(--preset、--speed、--sfx auto を選択。英語固有名詞や技術用語が含まれる場合は --asr-verify を追加。合成済みの文は自動で out/.tts_cache/ を再利用し、全再計算は --force-resynth を追加)。出力: public/audio/S01..SXX.mp3(純粋な人声品質チェック用)、ambient_pad.mp3、sfx_bus.mp3、mixed_master_ducked.mp3(48kHz -14.0 LUFS 人声+サイドチェインBGM+回避効果音のマスターミックス、完成動画の唯一のオーディオトラック)、src/data/scenesData.json、out/ 配下の .srt、chapters.txt、sfx_cues.json。
  4. 特に印象付けたい1~2文には `

関連スキル