social-media-skills/video-editing-skill

ビデオ編集スキル

生のトークヘッド録音は、通常20〜40%が無音です。間、"えー"、言い間違い、同じ文章を2回言うなどです。それらを手動でカットするのは、録画時間よりも時間がかかります。このスキルは最初の編集を行います。文字起こしを読み取り、すべてのカットに理由を付けて計画し、計画を表示し、ジャンプカットにパンチインとクリーンなオーディオを加えてレンダリングし、キャプションとチャプターを作成し、承諾後に投稿します。必要なものはすべてこのフォルダに含まれています。

4つのコミットメント:

1. ユーザーの発言はそのまま残します。 間、フィラー、吃音、言い直し、およびユーザーが承認した範囲のみが削除されます。意味が編集されることはありません。
2. レンダリング前に計画を立てます。 カットリストは最初に表示され、承認されます。
3. 承諾なしに投稿されることはありません。
4. ユーザーが使用を許可された映像のみ。 自分の録画、または許可を得たものに限ります。

Windowsでは、すべてのコマンドでpython3の代わりにpyを使用してください。

ステップ0: セットアップとソース

python3 scripts/check_setup.pyを実行します。ffmpeg、Pillow、文字起こしルート、OpenCVの状態と、不足している場合のインストールコマンドを報告します。必須: ffmpegとPillow。

以下の項目について、見えないものだけを1回のメッセージで質問してください:

1. どのファイルか、そしてそれはユーザーのものか？
2. 出力先: YouTube（16:9）、ソーシャル（縦型）、または両方。
3. 編集のタイトさ: youtube（デフォルト: 0.5秒以上の間をカット、自然なビートを保持）、tight（0.3秒、高速なYouTubeおよびソーシャル用）、またはpodcast（穏やか、パンチインなし）。
4. 習慣で使用していて安全にカットできる単語（「みたいな」、「だから」、「つまり」、「基本的に」など）。これらは他の文では意味を持つため、オプトイン式です。
5. そのまま残さなければならないもの（デモ、間を意図したジョーク、スポンサー読みなど）。

ステップ1: 文字起こし

python3 scripts/transcribe.py VIDEO --out work/ --terms "製品名、専門用語、ゲスト名"

--termsで名前や専門用語を指定して正しく綴られるようにします。それでも聞き間違いがある場合は、レンダリング前にedit.jsonの"replace"で修正します。投稿済みの動画に焼き込まれたキャプションは修正できません。

同じ3つのルートがあり、トレードオフは一度説明します:

ルート	方法	コストと速度
既存の文字起こし	--from captions.srt	無料、即時。単語のタイミングは推定され、ほとんどの「えー」が欠落しているため、フィラー除去は弱い
Groq または OpenAI	GROQ_API_KEY または OPENAI_API_KEY	Groqはオーディオ1時間あたり約0.04ドル、処理時間は1〜2分
ローカル	pip install faster-whisper	無料でプライベート。--model smallで動画時間の約半分から1倍の処理時間

文字起こしエンジンはフィラーを書き留めるように指示されます。Whisperはデフォルトでそれらを落とします。それでも見逃された音（誰も書き留めなかった「んー」、息遣いなど）は、エディターによってオーディオ自体から見つけ出されます。

ステップ2: 編集計画

work/transcript.txtを一度すべて読んでください。次にedit.jsonを記述します（フォーマットはscripts/edit_video.pyの先頭にあります）:

• スタイル: "style": "youtube"、"tight"、または"podcast"（閾値はreferences/editing-rules.mdにあります）。制限を超える間は自然なビートに短縮されます。文の途中では短く、文の後では長く、話題の変更では最も長くなります。
• フィラー: デフォルトリスト（「えー」、「あー」、「えっと」、「うーん」、「んー」）は安全です。ユーザーが依頼した場合にのみ、習慣単語をextra_fillersに追加します。
• 脱線と無駄なセクション: 脱線、「聞こえますか？」、本題に入る前の長い前置きなど。理由を付けてcutに追加し、ユーザーに伝えます。
• 保護: 残さなければならないものはkeepに追加します。無音部分も含みます。
• 質問カードや目に見えるインタビュアーがいるインタビュー: ユーザーが特に指示しない限り、質問（各カードの約3秒間をkeepに）を保持します。これがないと、すべての回答が「だから…」で始まり、文脈が失われます。
• 聞き間違えた名前: "replace": {"Cyrus Rex": "OSIRIS-REx"} のように指定します。
• チャプター（YouTube用）: 話題の変更点から3〜10のチャプターを作成します。最初は0:00、それぞれ最低10秒、視聴者が得られるものに基づいて名前を付けます（「Part 2」ではなく「カメラが故障した理由」）。時間は元の動画のものを基準にし、スクリプトが調整します。

次に計画を作成します:

python3 scripts/edit_video.py edit.json --transcript work/transcript.json --out edited/ --plan

edited/edit-plan.mdには、新しい長さ、トーク部分内部からの削除量と長い間やカードからの削除量の内訳、1分あたりの単語数ペース、および1秒を超える各削除の理由と単語が記載されます。すべての言い直しと吃音行を読み、「可能性のある言い直し」リストも確認します。同じように始まる2つの完成した文は自動的にはカットされません。それぞれを判断し、本当に言い直しであればcutに追加します。ユーザーにサマリー、言い直し、選択した脱線、チャプターを表示し、承諾を得ます。

ステップ3: レンダリング

python3 scripts/edit_video.py edit.json --transcript work/transcript.json --out edited/

実行内容:

• 制限を超える間を自然なビートに短縮し、フィラー、吃音、言い直し、およびすべてのcut範囲を削除します。スタイルの最小値（youtubeでは0.4秒）より短い削除はそのままにします。ジャンプカットのコストが節約効果を上回るためです。
• 音を聞いて各カットを配置します。単語の端は実際に音が止まり始める場所に移動するため、単語の終わりが切られることはなく、文字起こしで見逃された音（書き留められていない「んー」）も見つけ出されます。
• 画像も確認します。タイトルカードやショットチェンジはきれいにカットされ、カードの数フレームが残ることはありません。
• パーツのグループを1パスでレンダリングするため、カット数がいくつでも音と画像の同期が保たれます。
• パンチイン: ジャンプカットを隠す必要がある場合に、フルフレームと1.1倍のパンチインを切り替えます。常に1秒以上を削除したカットで発生し、それ以外では同じフレーミングが4秒続いた後でのみ発生し、新しいカメラショットへのカットでは発生しません。"punch_in": 0でオフにできます。
• オーディオ: 作業レベルへのゲイン調整、ランブルフィルター、測定された室内ノイズに基づくノイズリダクション（室内がすでに静かな場合はスキップ）、穏やかなコンプレッション、ピークリミッター、および-14 LUFSへの2パスラウドネス処理。
• キャプション: 常にcaptions.srt（最大42文字の2行、各1〜7秒、小さな単語の後や名前の中での改行なし）を書き出し、YouTubeにアップロードします。"captions": {"burn": true}でソーシャル用に動画に焼き込みます（ソーシャルではミュートで視聴されることが多いため）。縦型バージョンではデフォルトで焼き付けられます。SRTもアップロードするYouTube動画にはキャプションを焼き込まないでください。視聴者が両方を見ることになります。
• 縦型: "format": "vertical"でfocus_xに基づいてクロップされた1080x1920バージョンを作成します。

edited/edited.mp4、captions.srt、chapters.txt、edit-report.md、manifest.jsonを書き出します。

ユーザーに表示する前に確認: cuts.jpg（最大のカットの直前と直後のフレーム。カードのフラッシュ、異なるショットへのジャンプ、固まった表情がないか確認）を開き、manifest.jsonの警告（同期、190語/分を超えるペース、ラウドネス）を読みます。言い直しで間違ったテイクが保持された場合、ペースが息苦しい場合（より穏やかなスタイルに変更）、またはカットのランディングが悪い場合（その箇所をkeep）は修正して再レンダリングします。

ステップ4: WoopSocialで投稿

接続、アップロード、投稿方法: references/woopsocial.md。簡略版:

1. social_accounts_list。接続されていない場合: このエージェントのための1つの接続パス（無料プラン: 2つのソーシャルアカウント）、次にプラットフォームごとにoauth_create_authorizationを実行。
2. アップロードセッションでedited.mp4をアップロード（media_uploads_create_sessionをmanifest.jsonのバイトサイズと共に実行、python3 scripts/upload_parts.py session.json edited/edited.mp4、media_uploads_complete_session）。
3. YouTube: title（主要な検索ワードを先頭に、70文字未満）、privacy、および視聴者が得られるものについての1行で始まり、chapters.txtのチャプターが続く説明。captions.srtは後でYouTube Studioでアップロードします（WoopSocialはキャプションファイルを送信しません）。
4. 投稿内容（ファイル、タイトル、説明、アカウント、タイムゾーン付き時間）を表示し、明確な承諾を得ます。次にposts_createとposts_getを実行します。

ステップ5: 結果を読む

1週間後、social_account_posts_listを実行します。収集日とともに、視聴回数、いいね、コメント（報告されている場合）が表示されます。未報告は「報告なし」を意味します。再生維持率と平均視聴時間はYouTube Studioにあります。ユーザーに確認してください。視聴者が早期に離脱する場合、次の編集では冒頭をよりタイトにします。特定のチャプターで離脱する場合、そのセクションが長すぎたことになります。

品質基準

プロの編集者がこれを納品するでしょうか？単語が切れている、カットが息継ぎの途中でポップノイズを伴う、パンチインが数秒ごとに変わる、ペースが考え込む余地を残さない、または意味が変わっている場合は、リジェクトします。

エッジケース

• カメラに2人いる場合: formatは元のままにします。パンチインはワイドショットでも機能します。
• 音声付き画面録画: "punch_in": 0を設定します。
• 音声の下に音楽がある場合: 無音検出が音楽を音として認識します。"voiced_gaps": falseを設定します。
• 非常に長い録音（1時間以上）: 動作しますが、レンダリング時間は動画の長さとほぼ同じです。最初に計画を立て、一度だけレンダリングします。
• 意図的に発話がない部分がある場合（デモなど）: keepします。

リファレンス

• references/editing-rules.md: 閾値、フィラー、言い直しパターン、パンチイン、オーディオチェーン、キャプションとチャプター（出典付き）。
• references/woopsocial.md: 接続、アップロード、投稿、結果の読み取り。