Communitygithub.com

Treemation — 3D 教育動画

コードのみで短尺の縦型3D教育動画(9:16、Shorts/Reels/TikTok)を作成 — ピクセルスキンのホストキャラクター + マスコット、ダイナミックカメラ、適応型背景、黄色のキーワードキャプション、リップシンク、効果音、サムネイル — すべてインドネシア語で、ElevenLabs MP3ナレーションと同期。自動2ステップフロー。トピックリクエストにはElevenLabsスクリプトとシーン計画で直接回答。MP3が送信されると、そのままMP4動画+サムネイルに処理。

Treemation — 3D 教育動画 とは?

Treemation は、Claude Code や Cursor などの AI エージェント向けに設計されたスキルで、完全にコードベースで縦型 3D 教育動画 (9:16、Shorts/Reels/TikTok) を生成します。このスキルは、ピクセルスキンのホストキャラクターとマスコット「Byte」、ダイナミックなカメラワーク、トピックに応じた適応型背景、黄色のキーワードキャプション、リップシンク、効果音、サムネイル画像を自動で生成します。ユーザーは「buat konten edukasi apa itu domain」のようなトピックリクエストを送るか、ElevenLabs で生成した MP3 ナレーションファイルを提供するだけで、2 段階の自動フローが動作します。第 1 段階では、スクリプトとシーン計画 (plan.json) を作成し、第 2 段階では MP3 を受け取って音声に合わせたアライメント、シーン構成、レンダリング、エンコードを行います。カメラのカット、背景テーマ、リップシンク、フック、進行状況バー、3D セットなど、動画制作の原則に従い、教育用の短尺動画を効率的に制作できます。

対応~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Adytm404/treemation/tree/HEAD/skills/treemation

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

Treemation — 3D 教育動画 は何をしますか?

このスキルは examples/zenhosta/ (「Kok website bisa online?」) のような動画を生成します: ピクセルスキンのホスト (ブロック状のサンドボックスゲーム風のキャラクターで、ピクセル化されたアニメの顔を持つ) がユーザーのコンテキストに適応し、マスコット「Byte」、カメラが切り替わるショット (顔アップ、マスコットアップ、3D イラストフォーカス、ワイド、ローアングル)、トピックに従う背景テーマ、上部のステップラベルとプログレスバー、プロップ用の浮遊 3D ステージ、3D セット (データセンター、オフィス、倉庫、都市、または独自の部屋/場所 — ホストの背後に構築され、ホストはその前に浮かび、その後カメラが内部に飛び込む)、言葉が発せられた瞬間に表示される UI パネル、大きなキャプション (キーワードは黄色)、そして声に合わせて口が動くホストを備えています。

ユーザーとのコミュニケーションはすべて インドネシア語 (スクリプト、キャプション、チャット応答) で行われます。

トリガールール (最初に読むこと — ユーザーの一言で十分)

A. ユーザーがトピックを指定した場合 — 例: 「buat konten edukasi apa itu domain」、「bikin video soal cara kerja email, CTA ke tokoku.id」、「konten tiktok: kenapa harga emas naik」。

  • これは コンテンツ作成 のリクエストであり、質問ではありません。チャットでトピックを説明せず、内容を要約せず、逆質問 (「どのくらいの長さ?」「ターゲット視聴者は?」「CTAを使う?」) もしないでください。
  • すぐに ステージ 1 に進み、以下のデフォルトを使用し、ステージ 1 の形式 (references/output-format.md) で応答します: コピーして使える ElevenLabs スクリプト、キャラクター、サムネイル、シーン表、video-plan.json のパス。最後に一言: 「Kirim MP3 dari ElevenLabs, nanti langsung aku jadikan video.」(ElevenLabsからMP3を送ってください、すぐに動画にします)
  • 指定がない場合のデフォルト: 所要時間約 60–70 秒 (120–150 単語)、トピックに応じて 2–4 ステップ、karakter.md からキャラクター (ユーザーコンテキスト → ニッチ → プリセット raka)、クロージング CTA「他の教育コンテンツもフォローしてください!」(ブランドなし)。ユーザーがブランド/URL を指定した場合、CTA はそれを使用します。すべてのデフォルトは後で変更可能 — 応答で簡単に触れ、最初に質問しないでください。
  • トピックが変更の可能性のある事実 (価格、規制、最近のデータ) に依存し、ウェブアクセスがある場合は、最初に確認してください。そうでない場合は、現在の数値に依存しないスクリプトを作成します。

B. ユーザーが MP3 を送信した場合 (メッセージの有無は問わない) — 確認を求めずに ステージ 2 を完了 まで実行します: プロジェクトを見つけ、アライメント調整、scenes.js を作成、スチル確認、レンダリング、サムネイル、エンコード、結果確認、その後ステージ 2 の形式で応答します。

  • プロジェクトの特定: python <skill>/scripts/find_project.py でプロジェクトとそのステータスをリストします。plan.json は存在するがオーディオがまだないプロジェクト (最新のもの) を使用します。MP3 ファイル名またはトピックを指定するユーザーメッセージは、時系列より優先されます。複数の候補が同程度に可能性がある場合のみ、短い質問を 1 つ行います。
  • プロジェクトが全くない場合 → ElevenLabs で読み上げられたテキストをユーザーに貼り付けてもらい (アライメントには正確なテキストが必要)、そのテキストを中心に plan.json を構築し (単語は変更せず)、ステージ 2 を続行します。
  • オーディオの長さが推定値と大きく異なる (> 25%) か、align.py が多くのフレーズに <-- cek フラグを付けた場合 → テキストが ElevenLabs で編集された可能性があります。使用されたテキストを確認し、計画内のナレーションを更新してやり直します。
  • 途中で停止する唯一の理由: 依存関係の欠如 (インストールの許可を一度求める) または自分で修正できないエラー。
  • フルレンダリングには時間がかかる場合があります。バックグラウンドで実行し、待機中にサムネイルを作成し、セッションがサポートする場合は短い進捗状況の更新を投稿します。

C. ユーザーが修正を依頼した場合 (「キャラクターをヒジャブの女性に変更して」、「サムネイルタイトルをもっと短く」、「ブランドカラーを青に」) → 同じプロジェクト内で plan.json/scenes.js を変更します。MP3 が存在する前: 変更されたステージ 1 の応答部分のみを再送信します。ナレーションが変更された場合は、MP3 を再生成する必要があることをユーザーに伝えます。動画完成後: 必要なものだけを再レンダリングします (サムネイルのみ、または動画全体)。

両ステージのチャット応答形式は references/output-format.md にあります — 正確に従ってください。

プロジェクトフォルダ

1 動画 = 1 フォルダ video-<短いトピック>/ (小文字、ハイフン、例: video-apa-itu-domain) を作業ディレクトリに作成します。ステージ 1 で作成し、一度だけセットアップします:

python <skill>/scripts/setup_project.py video-<topic>

これによりエンジン (index.html、engine.js、pixelchar.js) がコピーされ、npm 経由で three.js + フォント + アイコンがインストールされ、icons.js が作成され、ffmpeg/numpy/playwright がチェックされます。行が PERLU: で始まる場合、最初にその名前のものをインストールします (システムに何かをインストールする前にユーザーの許可を求めてください)。

完了時のフォルダ内容: plan.json (あなたが作成)、scenes.js (あなたが作成)、narasi.mp3、naskah-elevenlabs.txt、video-plan.json、timeline.js/json、frames/、previews/、video.mp4。

ステージ 1 — コンセプト → スクリプト + シーン計画

  1. references/naskah-dan-plan.md を読む (スクリプトの書き方、plan.json スキーマ、ポーズ、表情、マスコットのアクション、効果音のリスト)。
  2. ユーザーのコンテキストからホストキャラクターを選択し (references/karakter.md を読む)、それを plan.json の characters に書き込みます。python <skill>/scripts/preview_characters.py <project> --plan を実行し、結果を確認します。可能であれば previews/karakter.png を応答に含めます。
  3. references/hook.md を読む。3 つのフックバージョン (異なるタイプ) を作成し、最初のナレーション文 + plan.json の hook (画面上の大きなテキスト、代替案) に最適なものを選びます。シーン 1 は 3 層ルールを満たさなければなりません: @start で強いショット、最初の単語に効果音、挨拶や導入なし。
  4. plan.json を作成: フック → 導入 (ポイント数) → ステップ 1..n → まとめ → CTA に従う 6–9 シーン、さらに thumbnail (カバータイトル、表示するプロップ、ホストの表情) を含む — 「サムネイル」セクションを参照。各シーンの shots と background を同時に計画します (「Shot kamera」と「Latar adaptif」のセクション)。合計 120–150 ワードを目指します (ElevenLabs で約 60–70 秒)。ステップが 場所 (サーバールーム、倉庫、オフィス、通り、教室、工場…) に関する場合、references/sets.md を読み、そのシーンに set を使用します (動画あたり 1–2 セット): ホストは 3D ルームの前に浮かび、カメラはナレーションで指定された spot: に移動し、mark はその部分を指し示し、fx はそれを生き生きと動かします。組み込みセットにない場所 → ステージ 2 で scenes.js 内の defineSet() を使用して構築します。
  5. python <skill>/scripts/plan_timing.py <project> を実行 → video-plan.json (推定タイミング) と naskah-elevenlabs.txt を作成します。出力を確認: すべてのトリガーワードが見つかり、「Cek hook: OK」と表示され、セットが使用されている場合は「Cek set 3D: OK」と表示される必要があります — すべての ⚠ 警告を修正し、再度実行します。セットを含む動画ではオプション: plan_timing.py <project> --preview は推定 timeline.js も書き込むため、MP3 が存在する前に render.py --stills でセットの見た目を確認できます (scenes.js が必要。ステージ 1 では 1 行で十分: import { register } from './engine.js'; register({});)。
  6. references/output-format.md のステージ 1 形式でユーザーに応答します: コピーして使えるスクリプトブロック、発音メモ、分単位のシーン表、video-plan.json のパス。MP3 を要求します。

ステージ 2 — MP3 → 動画

  1. オーディオを <project>/narasi.mp3 として保存します。
  2. plan.json 内のナレーションが 読み上げられたものと正確に 一致することを確認します (ユーザーが ElevenLabs でスクリプトを編集した可能性があります — 不明な場合は確認するか、長さをチェック: 推定値との大きな差はテキストが異なることを意味します)。
  3. python <skill>/scripts/align.py <project> --whisper → 同期された timeline.js、timeline.json、video-plan.json。--whisper を使用すると (pip install faster-whisper が必要。最初のモデルダウンロードは ±500 MB)、各単語のタイミングが実際の音声認識から得られるため、カラオケキャプションとリップシンクが正確に合います。これがない場合、ポーズ + 音節調整が使用されます。faster-whisper がインストールされていない場合、スクリプトは自動的に古い方法にフォールバックします。フレーズリストを確認してください: <-- cek とマークされた行は疑わしい継続時間を持ちます。通常、テキストがオーディオと異なるか、ElevenLabs が予期しない場所で一時停止したことが原因です。必要に応じて計画内のテキストを修正し、再度実行します。
  4. references/engine-api.md (および計画で set を使用する場合は references/sets.md) を読み、次に <project>/scenes.js を作成します。まず examples/zenhosta/scenes.js のパターンをコピーします。すべての時間は T(sceneId, 'word') を使用し、生の秒数は使用しないでください。これにより、オーディオが置き換えられてもすべてが同期したままになります。
  5. フルレンダリング前の視覚確認: python <skill>/scripts/render.py <project> --stills <シーンあたり 3–4 秒> 次に <project>/previews/ の画像を 確認 します。ショットごとに少なくとも 1 枚のスチルを取得します (セットの場合は spot: ごとに 1 枚と、セットが構築中のものを 1 枚)。確認事項: パネルがホストの顔を覆っていない、端で何も切れていない、キャプションが読みやすい、プロップがステージに表示されている、ページエラーがない。修正して、クリーンになるまで繰り返します。これは品質にとって最も重要なステップです。 モーション (キャラクターの横移動、背景のトランジション、カメラカット) を確認するには、音声付きの短いクリップをレンダリングします: python <skill>/scripts/render.py <project> --clip 10 18 → previews/clip_10-18.mp4。
  6. フルレンダリング: python <skill>/scripts/render.py <project> (中断しても再開可能。--workers N でマルチコア CPU 対応)。コンピューターにグラフィックカードがある場合、まず render.py <project> --gpu --check-gpu を確認します。レンダラーが SwiftShader でない場合は、--gpu でレンダリングします (3–10 倍高速)。フルレンダリングの前に、--gpu の 1 枚のスチルを CPU バージョンと比較します。ワーカーあたり約 0.3–0.6 秒/フレーム。長時間かかる場合はバックグラウンドで実行し、進捗状況を監視します。
  7. 背景音楽: ユーザーが音楽ファイルを送信した場合 (または plan.json で music が設定されている場合)、自動ダッキング (ナレーション中は音楽が小さくなる) で使用します。ファイルがない場合は、--music auto (シンプルなコード生成、ロイヤリティフリー音楽) を使用し、応答でユーザーが好きな音楽に置き換えられることを伝えます — 著作権で保護された曲は決して使用しないでください。
  8. サムネイル: python <skill>/scripts/thumbnail.py <project> → <project>/thumbnail.png (1080×1920 カバー) と previews/thumbnail-cek.png (セーフエリアガイド)。チェック画像を 確認 : タイトルとホストの顔が赤いボックス内にあり、タイトルが顔を覆っておらず、プロップが見えている。props_from、stage、または title_y を調整して繰り返します。フルレンダリング中に実行できます。
  9. python <skill>/scripts/encode.py <project> <name>.mp4 [--music file.mp3|auto] → 効果音は自動生成され、ナレーションの下に静かにミックスされ (音楽 + ダッキング付き)、1080×1920 30 fps H.264 + AAC MP4 にエンコードされます。
  10. 最終的な MP4 の数フレームを確認し (ffmpeg -ss <秒> -frames:v 1)、references/output-format.md のステージ 2 形式で応答します。

原則

  • 同期第一、見た目第二。 すべてのビジュアルは、それを説明する単語と同時に表示されます。単語が話される前に表示されるパネルは違和感があります。
  • フックがコンテンツに先立つ。 最初の 3 秒が動画が視聴されるかどうかを決定します: 挨拶のない 14 語以内のフック文、ナレーションを複製しない画面上の大きなテキスト、最初のフレームから動くキャラクター/プロップ、そして 8 秒目までに約束の回答が始まる (references/hook.md)。
  • 動くカメラ、静止したカメラではない。 すべてのシーンには少なくとも 2 つのショット (host_close、host_medium、mascot_close、illustration、wide、low_angle) があり、適切な単語でカットまたは移動します — フック/パンチライン/CTA ではクローズアップ、プロップについて話すときは illustration (キャラクターは最初に消えるかフレーム外にスライドし、その後戻る)、リアクションには mascot_close。UI パネルはアクティブなショットのセーフゾーン内に留まらなければなりません。
  • 背景はトピックに従う。 各シーン (またはキーワード) には background があります: コンテンツに一致するカラーテーマ、パーティクルパターン、モチーフアイコン — 寒さは氷の青 + 雪、サーバーはバイナリコード、CTA は暖かい/ブランドカラー。動画全体に静的な単一色の背景は退屈です。
  • 口は母音に従う。 リップシンクは 5 つの口の形 A、I、U、E、O を使用し、各単語の母音の順序に従います — 「aku mau makan」→ A U A U A A — ポーズで閉じます。外国語は pronunciation (references/karakter.md) を介した発音で読まれます。
  • キャラクターは決してカメラを遮らない。 イラストに焦点を当てるとき、キャラクターは瞬間的に消えるか (hide、カット用)、カメラが移動する前に真横にスライドしてフレームアウトします (slide、移動用) — 振り返ったり、カメラの前を歩いたりしません。バリエーションのために (必要な場合のみ) キャラクターは enter を介して下、横、または上からポップインできます。
  • 場所は舞台となり、背景ではない。 ナレーションが場所について話すとき、それをホストの背後に 3D セットとして構築します (背景画像ではない): ホストはその前に浮かんで説明し、その後カメラは言及されている部分に移動し、ホストに戻ります。単一のオブジェクトは浮遊島に残ります。
  • 瞬間ごとに一つのアイデア。 上部エリア (y 230–900 px) には一度に一つの主要なものだけを配置します: UI パネル または 大きな 3D プロップ。前のシーンの要素をクリアします。
  • 文脈に適合しつつもオリジナルなキャラクター。 ピクセルスキンのホストは、ユーザーの説明、ブランド、ニッチから選択された仕様 (プリセット + 髪型、服装、色、アクセサリー、ヒジャブ) から構築されます。他のクリエイター、ゲームキャラクター、ブランドマスコットからスキン/キャラクターをコピーしないでください — 参考画像からはスタイルのみを採用します。
  • 正確な事実。 教育用スクリプトは正確でなければなりません。例の数字はドキュメントの範囲 (例: IP 203.0.113.x) または明確なラベルを使用します。統計をでっち上げないでください。
  • 正直な CTA。 ユーザーのブランド/URL をそのまま記載し、ユーザーが提供していない主張 (価格、プロモーション、「最高」、偽の期限) を含めないでください。
  • 毎秒生きている。 カラオケキャプション、キーワードでのズームパンチ、強調された単語でのうなずき、指さしたものを見る目の動き、数字は大きなフォントで表示、CTA で手を振る — 動画のすべての瞬間がアクティブです。

関連スキル