HyperFrames メディア前処理
コンポジション用のアセットを生成する3つのCLIコマンド:tts(音声)、transcribe(タイムスタンプ付き文字起こし)、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から参照してください。音声/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 "ここにテキスト" --voice af_nova --output narration.wav
npx hyperframes tts script.txt --voice bf_emma --output narration.wav
npx hyperframes tts --list # 全54音声を表示
音声選択
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 | 温かみがありプロフェッショナル |
| チュートリアル / ハウツー | am_adam/bf_emma | ニュートラルでわかりやすい |
| マーケティング / プロモーション | 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 | 明確なイギリス英語、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の最初の文字に言語がエンコードされています: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はプレフィックスから音素変換のロケールを自動検出します。音声がテキストと一致する場合は --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
スタイル付きアクセントなど、自動検出を上書きする場合のみ --lang を使用します。有効なコード:en-us、en-gb、es、fr-fr、hi、it、pt-br、ja、zh。非英語の音素変換には espeak-ng がシステム全体にインストールされている必要があります(brew install espeak-ng または 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。注意深く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 ファイルに書き込んでパスを渡します。約5分以上の音声入力は、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+、kokoro-onnx、soundfile(pip install kokoro-onnx soundfile)。初回使用時にモデルをダウンロードします(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持つ正規化された 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 # 既存のファイルをインポート
npx hyperframes transcribe subtitles.vtt
npx hyperframes transcribe openai-response.json
言語ルール(必須)
ユーザーが明示的に音声が英語であると述べていない限り、.en モデルを使用しないでください。 .en モデル(small.en、medium.en)は、非英語の音声を文字起こしする代わりに英語に翻訳します。これにより元の言語が静かに失われます。
- 言語が判明しており、非英語の場合 →
--model small --language <コード>(.enサフィックスなし) - 言語が判明しており、英語の場合 →
--model small.en - 言語が不明の場合 →
--model small(.enなし、--languageなし)— whisperが自動検出します
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 | 使用すべき場合 |
|---|---|---|---|
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、クリアな音声 |
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 | 最低速 | 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。制作されたトラックは多くの場合、手動での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)、クリーニング用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。後方互換性のためオプションです。
[
{ "id": "w0", "text": "Hello", "start": 0.0, "end": 0.5 },
{ "id": "w1", "text": "world.", "start": 0.6, "end": 1.2 }
]
背景除去(remove-background)
動画や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)をコンポジション内で透明なオーバーレイとして配置できるようにします。
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)
hyperframes remove-background portrait.jpg -o cutout.png # 単一画像切り抜き
npx hyperframes remove-background subject.mp4 -o subject.webm \
--background-output plate.webm # 両方のレイヤーを一度に
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を表示
u2net_human_seg(MITライセンス)を使用します。初回実行時に約168 MBのウェイトを ~/.cache/hyperframes/background-removal/models/ にダウンロードします。
レイヤー分離(--background-output)
--background-output(または -b)を渡すと、切り抜きとともに2つ目の透明動画を出力します。同じソースRGBで、アルファは mask の代わりに 255 − mask になります。切り抜きは透明な背景の被写体、プレートは被写体があった場所に透明な穴がある元の背景です。
| ファイル | アルファの意味… | 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、最前面に配置 |
--background-output plate.webm | 反転 — 周囲は不透明、被写体領域は透明 | 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約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。
穴を開けたプレートであり、修復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。その下に不透明なものを合成して穴を埋めてください。--background-output が適切なツールかどうかの唯一のテストは次のとおりです。被写体がかつて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 |
|---|---|
| 切り抜き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) |
| 被写体を無関係なシーンに重ねる | subject.webm のみ。プレートは無視 |
| 他のコンテンツなしで、_人物なしの部屋_を単独で表示する | クリーンプレート — インペインタ(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る | クリーンプレート — 同上 |
ユーザーが「人物を除去した部屋」を求め、それを単独で表示するつもりである場合、--background-output を使用しないでください。インペインタ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 -->
<h1 id="headline" style="z-index:2; ...">HYPERFRAMESで作ろう</h1>
<!-- z=3 切り抜きにより被写体が見出しの上に浮かび上がります -->
<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>
これは下記のテキスト-ビハインド-サブジェクト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つの透明レイヤーのみを出荷し、ユーザーがその間に任意のコンテンツを配置できるようにしたい場合に便利です。
出力形式
| 形式 | 使用すべき場合 |
|---|---|
.webm(VP9 + アルファ) | デフォルト。コンポジションは <video> 経由でこれを直接再生します。 |
.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 | 単一画像の切り抜き(静止した被写体、背景の上に重ねる場合)。 |
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動画と同様にコンポジションに組み込めます。<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 | 使用すべき場合 |
|---|---|---|
fast | 30 | 反復処理中、ファイルサイズを小さく、色の一致を緩く |
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/最終納品用。最大ファイルサイズ、最も厳密な一致 |
合成パターン — 適切なものを選ぶ
切り抜きWebMは、ソースMP4のRGBの再エンコードされたコピーです。この選択は、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 | 切り抜きの背後にあるもの | 結果 |
|---|---|---|
| 異なるシーンの上に切り抜き(最も一般的) | 静止画像、グラデーション、または無関係な動画 | 見栄えは良好。切り抜きのRGBが被写体の唯一のソースです。二重になることもエッジハローもありません。これが remove-background の本来の用途です。 |
| 独自のソースMP4の上に切り抜き(テキスト-ビハインド-サブジェクト) | 切り抜きが生成された元のMP4 | 同じ人物に2つのRGBソース。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/エッジハローが発生します。マスター用には --quality best(crf 12)を使用してください。 |
| 同じ人物の別テイクの上に切り抜き | 同じ被写体の別の映像 | 2人の別々の人物が重なっているように見えます。行わないでください。 |
テキスト-ビハインド-サブジェクト(プレゼンターの背後に見出し):
<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:
- 切り抜きビデオをタイム指定のない
<div>でラップし、ビデオ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、ビデオ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。 - 両方のビデオで
data-start="0"とdata-media-start="0"を使用し、フレームワークがt=0から同期的にデコードできるようにします。切り抜きを遅れてマウントすると(data-start=3.3)、シークと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。カット時には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反転させます: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、ナレーションを生成し、それを文字起こしして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.json
transcript.json から、hyperframes コンポジションの標準的なキャプションロジックを使用して <track> 要素を生成します。transcribe の出力を修正したり、OpenAI/Groqの large-v3 で転記し直す必要がある場合は、上記の言語ルール(.en モデルを使用しない)に従ってください。
スクリプトのトーンに合わせて音声を選択してください。tts の速度は、字幕の読み取り速度に影響を与えるため注意深くテストしてください。