Th3warhawk/cartoon-audio-short

Cartoon短編：アイデア → スクリプト → ナレーション → 完成MP4

見た目：カラフルな3D世界で、プラム色の輪郭を持つキャンバス描きの「豆頭」カートゥーンキャラクター（「カード」）。黒インクの輪郭、ペイントテクスチャ、被写界深度、滑らかなカメラワーク。出力は1080x1920、30fps、ナレーションと全く同じ長さ。ユーザーの声はそのまま。音楽と効果音は合成され、ナレーションレベルの**50%**に設定されます。「決して去らなかった兵士」（19.7秒、8ショット）で実証済み。

ルール

• ストーリー、キャラクター、ショットは常にオリジナル。他のクリエイターの動画をショットごとに再現しない。代わりに同じアイデアのオリジナル解釈を提供する。
• 実在する名前のある人物、ブランドのマスコットやロゴは使用不可。
• ユーザーが希望しない限り、キャプションはなし。作中テキスト（刻まれたメッセージ、看板）はOKで、正しく読めること（反転していないこと）。
• ナレーションの編集やタイミング変更は絶対にしない。映像はナレーションに合わせてタイミングが取られ、すべての視覚的反応はその単語の0〜3フレーム前に配置される。
• オーディオレベル： 音楽はナレーションレベルの50%（−6 dB、ゲートRMS）。効果音は50%以下で、ピークがナレーションを超えないように制限。常にmix.pyでミックスし、手動では行わない。この比率を変えるようなダッキングや圧縮は使用せず、ミックス全体には1つの線形ゲインとピークリミッターのみを適用。
• タスクリストでユーザーに進捗を伝える。長時間レンダリングの前にスチルコンタクトシートを送信する。

ステージ1：受け付け（常に最初）

オーディオファイルが既に添付されている場合は、ステージ4にスキップ。スクリプトも指定されている場合は、そのスクリプトをタイミングに使用する。 それ以外の場合は、AskUserQuestion（またはそのツールがない場合はプレーンテキスト）を1つ尋ねる：「どこから始めますか？」

• ナレーション準備完了：アップロードを依頼し、スクリプトテキストがあればそれも（スクリプトがあるとタイミングが正確になります）。到着したらステージ4へ。
• スクリプトはあるが、ナレーションが必要：必要に応じてステージ3でスクリプトを調整し、録音のヒントと一緒に返し、アップロードを依頼。その後ステージ4へ。
• 動画のアイデアとスクリプトが必要：ステージ2へ。 また、ターゲットの長さも尋ねる（まだ言っていない場合）。デフォルトは20〜30秒。45〜60秒も許可。

ステージ2：10個の動画アイデア

1つの返信で正確に10個のアイデアを番号付きで提供し、ユーザーに番号（または「もっと」）で返信するよう依頼する。各アイデアには以下を含める：

• タイトル（5〜8語、好奇心を刺激するもの。「決して去らなかった兵士」など）。
• フックライン：最初に話される文章。パラドックスを事実として述べる（「ある男がエッフェル塔を売った。二度も。」）。
• どんでん返し（1行で。動画を締めくくる皮肉な落ち）。
• なぜアニメーションに適しているか：2〜3の大きな視覚的瞬間（崩壊、暴露、追跡）。
• 真実か伝説か：文書化された歴史なのか、異論のある話なのか、民間伝承なのかを明確に述べる。

このフォーマットに「完璧な」アイデアの条件：

• 物理的な因果関係を示せる、驚きのある1つのストーリー。
• 明確な一般人のキャラクター、エスカレートする stakes、最後の行でのどんでん返し。
• シンプルな3D形状とカートゥーンカードで構築できる設定（町、橋、船、城、砂漠、研究所、宮殿）。
• 10個を時代とテーマで混ぜる：古代、中世、1800年代、現代、科学、動物、発明、災害、奇妙な法律、幸運な偶然。
• 事実として提示するものについては、提供する前にウェブ検索で主要な事実を確認する。バイラルな伝説を事実として提示しない。ユーザーがどうしても希望する場合は「伝説によると」と枠組みする。
• 実在する人物を冗談の対象にしない。過激な内容や政治的な内容は禁止。

ステージ3：スクリプト（ユーザーが選択した後）

ナレーションのみを記述（話されるテキストにステージ指示は含めない）。速度は約3.7語/秒：20秒 ≈ 75語、30秒 ≈ 110語、60秒 ≈ 220語。公式：

1. フック（文1、前置きなし）：不条理な事実。
2. 設定（1〜2行）：いつ、どこで、誰が、具体的な詳細。
3. エスカレーション（2〜4ビート、それぞれがより大きくなる）。他者は疑ったり嘲笑したりする。誇張ジョークを1つ使う。
4. 謎または転換：「しかし…」「実は…」で実際のメカニズムを導入。日常的な類推を伴うことが多い。
5. どんでん返し/落ち：短く、皮肉的で、動画の最後の言葉。 平易な話し言葉の英語、短縮形、8〜15語程度の文、数字は言葉で書く。視聴者が既に見ているものを説明しない。

次に返信する内容：

• 語数と推定時間を記載した、コピー可能なブロック内のスクリプト。
• 1段落のビジュアルプラン（アニメーション化するショット）。
• 録音のヒント：安定した温かいナレーターの声1つ。ElevenLabsが適している（深みのあるナレーターの声、速度約1.05〜1.1、安定性約45〜55%）。Mp3またはwavで可。文の終わりで自然な間を残す。音楽なしでエクスポート。
• 依頼：「ナレーションの準備ができたらアップロードしてください。フル動画を作成します。」 最終的なスクリプトテキストを保持する。ステージ4でのタイミングを決定するため、音声認識は不要。変更されたバージョンが録音された場合は、最終テキストを尋ねる。

ステージ4：動画をビルドする（ナレーションがアップロードされた後）

ここからは止まらずにすべて実行する。タイミングが解決できない場合のみ質問する。

4.0 キットを入手する

コードキットはこのスキルフォルダ内の kit/ にあります（エンジン、ツール、実例、およびgithub.com/mromidev/claude-animated-shortsからベンダリングしたthree.js r160とtoon.tsペンライブラリ、両方MIT）。find / -name SKILL.md -path "*cartoon-audio-short*" 2>/dev/nullでフォルダを見つけ、そのkit/を読み取り専用として扱います。

次に bash <skill>/kit/tools/setup.sh ~/shorts/<slug> を実行します。エンジンとツールをプロジェクトにコピーし、ベンダリングされたthree.jsをインストールし、Node 22 module.stripTypeScriptTypesでtoon.tsから型を除去し、Playwrightをリンクします。ネットワークは不要。ベンダリングされたファイルがない場合は、npmまたはgitクローンにフォールバックします。

• 要件：Node 22.6+、Python 3（numpy + Pillow）、ffmpeg、およびChromiumをインストールしたPlaywright（npm i -g playwright && npx playwright install chromiumでインストール可能）。
• パッケージレジストリがブロックされている場合、GitHub経由のgitは通常機能します。TLSを無効にしたり、プロキシを迂回したりしないでください。
• Chromium：--use-angle=swiftshader --enable-unsafe-swiftshader --ignore-gpu-blocklist を使用して、プリインストールされたPlaywrightブラウザを使用します。これにより、CPU WebGLが約3〜10秒/フレームで動作します。

4.1 タイミング

python3 timing.py voice.mp3 script.txt --out work を実行します。

• whisperまたはfaster-whisperがインストールされている場合、ワードタイムスタンプを使用します。
• それ以外の場合は、スクリプトのフレーズ（句読点で分割）を、サイレンス検出された発話セグメントに、音節を継続時間に一致させ、セグメント内の文末とフレーズ内の長いギャップにペナルティを課すDPを使用してアライメントします。
• ASRがなくスクリプトもない場合は、スクリプトを尋ねてください。Claudeは音声を聞くことができません。
• work/phrases.json を確認：休止は文末に来るべき。総フレーム数 = round(継続時間 × 30)。

4.2 ショット計画（コードの前に work/PLAN.md）

ショットごとに1行：フレーム、単語、設定、照明、カメラ移動、キャラクター/ポーズ/表情、エフェクト、効果音キュー。

• フレーム0はすでにフックイメージ。
• 通常、フレーズごとに1ショット。小さなフレーズは次のショットにマージ。
• すべての文を文字通りに図解。小道具がジョークを運ぶ。
• ショットサイズを変える：フックMCU → ワイドリビール → ツーショット → キーオブジェクトのインサートクローズアップ → リアクションクローズアップ → ペイオフのための環境移動。
• ライトをビートに使用：通常は昼、衰退やドラマはゴールデン、説明には夜の青。時間の飛躍は6フレームの白いフラッシュ。
• どんでん返しのラインにはスティング（音楽停止、低いヒット、ロールを伴うプッシュイン）。最後のショットの物理的なペイオフは最後の単語に合わせる。

4.3 ワールド（web/main.js）

エンジンセクションは維持する：トゥーンマテリアル、インクコントラクト、add/tbox、空、ライト、カード、レンダーターゲット/ポスト、applyLight、drawActors、swapForNd、renderFrame。// ---------- world ---------- と // ---------- cards ---------- の間のサンプルワールド、および worldState() のストーリー部分を置き換える。

• ペイントされたキャンバステクスチャ（paint.js：板、梁、腐った木、石、苔/蔦、草、土、左官、屋根瓦、大理石、バナー、刻まれたテキスト）を持つプリミティブから構築。同じフラットで暗い継ぎ目のスタイルで新しいペインターを書く。
• 一定のテクセル密度、2段階トゥーングラデーション、フォグ = 地平線カラーに tbox を使用。
• 背景：丘（埋められた半球）、山（円錐 + 雪帽子）、ヒノキ/松の木、遠くの家、ペイントされた雲のビルボード。
• セットピース（崩壊、落下、ドア）は、worldAt(f) からの0..1進行度で駆動され、イージングとずらしのあるパーツを持つピボットグループ。
• 曲線の作中テキストは平面UVを使用。反転していないことを確認。

4.4 キャスト（web/roman.js → web/toon.js）

• romanFront(p, outfitKey, opts) は、靴底がy=975にある600x1000のデザインキャンバスに描画。カードは2.25 mの高さなので、1単位 = 0.00225 m。
• アウトフィットをOUTFITS（チュニック/ケープ/鎧/兜/髪/帽子/髭/エプロン/ドレス/トーガ）に追加し、同じスタイルで新しい頭飾りや小道具を追加。
• 腕のポーズ：下げ、槍、指差し、上げ、振る、腰、腹、こめかみ（+渦巻き）、持ち上げ、リーチ（+持ち上げ）、頬、盾、交差、親指。
• 表情：toon.tsのFACEセットに加え、いびき、頑固、目を細める。必要に応じてFACEを拡張。
• 編集後、cat web/toonbase.js web/roman.js > web/toon.js で再ビルド。新しいデザインを使用する前に、キャラクターテストシートをレンダリング。
• ビルボードはヨーのみで回転し、コンタクトブロブとアルファテストシャドウを取得し、ワールドパスでインク処理されない。
• q() で丸めた値からカードキーを構築（キャンバスは表示変更時にのみ再描画）。
• 切り離されたパーツ（例：持ち上げられた兜）は独自のカードで、headCenter(seed) で整列：y = DECK + (partY − hc) × 0.00225。

4.5 モーション：スムーズで生き生き（web/motion.js）

• カメラ：camFromKeys(keys, f, {kicks})。スムーザーステップグライド（18〜45 f）、リビールやホイップにはeaseOut、曲線移動にはCatmull-Rom経由点のpathを使用。すべてのホールドは微動し、4フレーム以上静止しない。ドラマには3〜5°のロール、インパクトには7フレームのフリップシェイクを使用。
• 連続性：連続的な動きを優先（クローズアップからワイドへの引き、ラックフォーカス、デッキをクレーン、オブジェクトにプッシュ）。場所や時間のジャンプのみハードカット、フラッシュを伴う。
• キャラクターは決してフリーズしない：すべてのカードに idle(f, seed) を適用、blinkAt で瞬き、強調された単語で頭の揺れ。
• アクション：予備動作 → back オーバーシュート → spring セトル。スタンプは2フレームのディップ + ダストパフ + キック。笑いは交互の傾きと揺れ。
• 二次モーション：バナーの布の波、葉/埃/水滴/Zzzエフェクトカード、流れる水。常に何かが動いている。
• 歩行：walk() は距離と歩行フェーズを与える。足は地面に固定、ボブは3〜7%。
• レンズ：クローズアップとミディアムで被写界深度（CInf 8〜14 px）、目に焦点。ワイドはシャープ。ラックフォーカスは約14 f。

4.6 見た目のチェック（フルレンダリング前）

各ショットの中間点、トランジション、キーアクションでスチルをレンダリング：node render.mjs stills/a "5,40,..." 次に python3 sheet.py stills/a stills/sheet_a.jpg。シートを見て以下のトラップを修正：

• 狭い垂直フレーム：水平半幅 = d·tan(hfov/2)、hfov = 2·atan(tan(vfov/2)·0.5625)。4 m、fov 40では ±0.8 m なので、キャラクターを奥行き方向に配置。
• 顔の前の手すりや柱（カメラは手すりの内側または約2.5 m上）。家、屋根、茂みを通るカメラパス。約2 m未満の前景プロップ。柱の後ろに隠れたヒーロー。
• 反転したテキスト。切り離されたパーツカードのオフセットが間違っている。
• 押し出しマテリアルグループ：0 = キャップ、1 = 側面+上面。
• インクの欠落：エッジのみの出力をデバッグ。インク半径約2.5 px（1080時）。空は遠い深度としてカウントされ、カードではない。 シートをショットの1行要約とともにユーザーに送信し、フルレンダリングを開始。

4.7 サウンド（audio.py → ステム → mix.py）

ストーリーに合わせてキュー表を書き換え；シンセはそのまま。audio.py はステムのみ書き出す（music.wav、sfx.wav）。

• 音楽：短いマーチ風ループ（キック/スネア、プラックベース、ブラスパッド）。どんでん返しのラインで停止し、その後低いドローンが続く。
• 効果音はイベント（フレーム/30単位）：大きな動きにはウィッシュ、スタンプにはサンク、崩壊にはランブル+クラッシュ、金属にはスクレイプ、リビールにはティン、どんでん返しにはスティング、きしみ、スナップ、スプラッシュ、いびき、葉っぱ、水のアンビエンス。
• python3 mix.py voice.mp3 music.wav sfx.wav でミックス。音楽をナレーションのゲートRMSの正確に50%（−6 dB）に設定し、効果音を50%以下でピークがナレーションピークの0.7倍に制限。測定レベルを出力：音楽がナレーションに対して−6.0 dB、効果音がそれ以下であることを確認。
• サウンドを作成する前に画像のタイミングを確定。タイミングの変更は、audio.pyとmix.pyの再実行を意味する。

4.8 レンダリング + 仕上げ

• node render.mjs frames "0-<N-1>" をBash run_in_background で実行し、Monitループで進捗を監視し、エラーやプロセス終了をキャッチ。RESUME=1 で中断後に継続。小型マシンでは同時に重いPythonを実行しない。
• bash finish.sh "Title" を実行。1つの線形ゲインを約−14 LUFSに適用し、−1 dBFSピークリミッターを適用。H.264 CRF 17 + AACでエンコードし、フリーズ/ブラックとラウドネスのQAを実行、out/qa_sheet.jpg を書き出す。シートを確認。0.4秒以上のフリーズスパンまたはブラックフレームは修正が必要。
• MP4をSendUserFileで配信し、各ショットの内容を数行で説明。キャプション、微調整、またはリストの次のアイデアを提供。

エンジンの落とし穴（キットに保管；再ビルドする場合は保持）

• #include <fog_vertex> / <fog_fragment> は独自の行に記述。
• 最終パスは linearToOutputTexel(...) を書き出す（レンダーターゲットは線形HalfFloat）。
• 法線+深度パスはメッシュごとにマテリアルを交換：ワールド → 法線/深度、カード → アルファテストマスク（rgb 0、a = 深度）、ブロブ/雲/空は非表示、水 → フラット法線。この間、フォグとシャドウはオフ。
• インクは深度ジャンプの近傍のみに描画。折り目は法線ドットから。カード隣接はスキップ。インクは約140〜520 mでフェード。
• 被写界深度：48タップ、サンプルごとのCoCテスト（前景のにじみなし）。
• 太陽はライトプリセットごとのaz/elから。シャドウカメラは各ショットのアクションを中心に。

アーキテクチャ（キット編集のための参考）

• web/index.html はローカルHTTPサーバー上で main.js（ESモジュール）を読み込む。
• main.js：レンダラー、トゥーンマテリアル、ワールド、カード（1200x2000 CanvasTexture平面、原点は靴底）、パス（カラーRTサンプル4） → 法線/深度 → インク+グレーディング（彩度、ゲイン/リフト）