Communitygithub.com

ビデオポッドキャストメーカー ライト

トピックをナレーション付き解説動画(1080pまたは4K MP4)に変換する、シンプルなパーソナルパイプラインです。スクリプト作成 → Azure TTS(SSML)→ Remotion の手順で、トーキングヘッドなしの動画を素早く生成します。

ビデオポッドキャストメーカー ライト とは?

このスキルは、ユーザーが指定したトピックを基に、ナレーション付きの説明動画を自動生成するための軽量パイプラインです。フルバージョンの video-podcast-maker とは異なり、サムネイル作成やショート動画、公開マトリックスといった付加機能は含まず、コア機能に特化しています。対応プラットフォームは Claude Code や Cursor などの AI エージェント環境を想定しており、Azure Cognitive Services Speech と Remotion を主要な技術基盤としています。ワークフローは6つのステップで構成され、スクリプト作成、音声合成(TTS)、映像コンポジション、プレビュー、レンダリング、BGM 追加を順に実行します。特にスクリプト作成とプレビューでは人間による確認ゲートが設けられており、品質を担保しながらも効率的な動画制作を実現します。日本語を含む多言語のナレーションに対応し、SSML による細かな発音調整や字幕生成も自動化されています。

対応~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Agents365-ai/video-podcast-maker/tree/HEAD/skills/video-podcast-maker-lite

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

ビデオポッドキャストメーカー ライト は何をしますか?

個人利用のための単一目的パイプライン:トピック → ナレーションスクリプト → Azure TTS(SSML) → Remotion → 1080p/4K MP4。外部スキルや設定ファイル、バンドルされたテンプレートは不要です。Remotion コンポジションは、下記のコンポジション契約に従って一度生成され、その後は複数の動画で再利用されます。

前提条件

pip3 install azure-cognitiveservices-speech   # 唯一の Python 依存パッケージ
export AZURE_SPEECH_KEY="..."      # Azure Speech リソースキー
export AZURE_SPEECH_REGION="..."   # 例: eastasia
# ffmpeg + Node 18+ 必須; npm install が完了した Remotion プロジェクトが1つ必要
# Playwright MCP(セッションブラウザ)は Step 5 の BGM 取得にのみ必要

プロジェクトの発見(Step 1 の前に実行)

  1. Remotion プロジェクトの特定 — src/remotion/index.ts と node_modules/remotion/ の両方を含むディレクトリ。カレントワーキングディレクトリを最初に確認します。存在しない場合は、ユーザーにプロジェクトパスを尋ねてください。ファイルシステムをスキャンせず、別の場所に既存のプロジェクトがある場合は新しいプロジェクトを作成しないでください。
  2. 既存の動画の確認 — ls videos/ と ls src/remotion/*Video.tsx を実行します。最も新しい *Video.tsx が Step 3 でコピーするコンポーネントです。videos/ で既存の動画を確認できます。
  3. 既存の videos/{name}/ がある場合? これは新しい動画ではなく、その動画の反復作業です。ディレクトリを再利用し、変更があった部分だけを再実行します(反復を参照)。
  4. プロジェクトがどこにもない場合(初回のみ) → ワーキングディレクトリで一度だけスキャフォールディングします:npm init -y && npm i remotion @remotion/cli @remotion/transitions react react-dom を実行し、src/remotion/ を作成します。そして、一度限りの約 2 GB のインストールについてユーザーに警告します。以降の動画ではこの手順はスキップされます。

ワークフロー(6ステップ)

すべてのコマンドはプロジェクトルートから実行します。1つの動画に関するすべてのアーティファクトは、プロジェクト内の videos/{name}/ に格納されます。{name} は小文字の英語で、ハイフン区切りです。

Step 1 — スクリプトの作成:videos/{name}/podcast.txt

動画のセグメントごとに1つの [SECTION:xxx] マーカーを配置します。セクション名は小文字の英語(hero、content-1、outro)です。オプションの表示タイトルは | の後に記述します — [SECTION:outro|thanks] のようにします。これはプログレスバーのピルラベルとデフォルトレイアウトを示します(タイトルがない場合、ラベルは最初の文から派生しますが、不格好になる可能性があります)。# で始まる行は無視されます(マーカーに言及しても安全です)。話すテキストのみで、マークダウンは使用しません。以下のスクリプトスタイルルールに従ってください。例:

# コメント行は読み上げられません
[SECTION:hero|イントロ]
皆さん、こんにちは!今日は皆さんが気になる話題についてお話しします。

[SECTION:content-1|ポイント1]
まず最初に、最初のポイントを見ていきましょう。ここでいくつか重要な情報をお伝えします。

[SECTION:outro|まとめ]
さて、今日の内容は以上です。参考になったと思ったら、いいねとチャンネル登録をお願いします。また次回お会いしましょう!

スクリプトスタイル(AI感抑制、日本語・中国語対応)

記述中に適用し、TTS 前に自己チェックを行います。目標は日常会話の日本語(または中国語)であり、読むための散文(句読点だらけの文)ではありません。(フルスキルの natural-narration.md + script-polish.md からの抽出 — これらが正規のソースです。編集ルールはそちらを優先し、その後こちらに反映してください。)

接続詞の置き換え(書き言葉→話し言葉):また→それから・しかし→でも・だから→なので・その際→そのとき・まとめると/結論として→削除・まず/次に/最後に→直接次のことを話す。

禁止リスト(書き換えるか削除):エンパワー、作り上げる、徹底検討、特筆すべき/注目すべき、言うまでもなく、極めて重要、革命的、破壊的、天井、シームレス、クローズドループ、抓手、マイルストーン、象徴する、未来は明るい、期待して見守ろう。

構造的な特徴 — 修正パターン:

パターン修正方法
動詞+名詞の組み合わせ:最適化を行う/成長を実現/選択を行う具体的な行動+結果:「承認プロセスを3ステップから1ステップに変更」
否定対比:XではなくYY を直接述べる
3つの並列:AでもありBでもありCでもある最も情報量の多い項目のみ残す。3つより2つが良い
空虚な強調:著しく/大幅に/非常に数字か知覚可能な結果
曖昧な帰属:業界では一般的に/専門家によると名前のある情報源+日付、または文を削除
スローガン的な結び:未来は明るい/新たな活力を注入具体的な事実で締める:数字、日付、次のアクション

耳で聞いてわかるように書く:一文に一つのアイデア、主語を先に、文の長さに変化をつける、入れ子構造なし、接続詞として — や · を使わない(これらは発話されず、字幕を乱雑にします)。軽い一人称は問題ありません(「実際に試してみたところ」)。

字幕はスクリプトそのものです — そのため、数字は画面上で見た目通りに書く必要があります:アラビア数字(3.8、63K、98.8%、128G)を使用し、中国数字(六十五点一 / 三百九十七)は使用しないでください。同じ数字ルールが Remotion コンポーネント(カード、見出し)の画面上テキストにも適用されます。発音を修正するためだけにスクリプトに話し言葉の形を書かないでください。それが字幕に漏れ出します。tts.py は発話レイヤー自体を自動的に導出します:数字を含むトークン(86.1、9B、5600、Qwen3.5)はすべて、合成前に中国語読み(八十六点一、九B、五千六百、千问三点五)に変換され、その後ワード境界がマッピングし直されるため、字幕は表示テキストを保持します。(zh-CN-XiaoxiaoMultilingualNeural のような多言語音声は、混合コンテキストで裸の数字を英語で読みます — このレイヤーがまさにそれを防ぎます。SSML の <sub alias> は試されましたが、Azure の <sub> のワード境界イベントにバグがあり、SRT が破損するため放棄されました。)

数字には出典が必要です — 出典のない正確な数字は捏造です。削除するか、出典を明記してください。

Step 2 の前のセルフチェック:禁止リストの単語はないか?「XではなくY」はないか?スローガン的な結びはないか?各セクションを声に出して読んでください。つかえる場合は、文を分割してください。

一時停止 — スクリプトレビューゲート(必須):podcast.txt が書き終わったら、パイプラインを停止し、スクリプトをユーザーにレビューしてもらいます。ユーザーが明示的にスクリプトを承認するまで、TTS(Step 2)を実行しないでください。このゲートは、下流のすべて(音声、タイミング、視覚的な入り)よりも前にあります。スクリプトからこれらすべてが派生するため、後半でのスクリプト変更は全体の再実行につながります。

Step 2 — TTS

python3 "${SKILL_DIR}/scripts/tts.py" videos/{name}/podcast.txt videos/{name}/

まず --check を実行します(リントのみ、合成なし、無料)。これにより、実際の合成の前に多音字とエイリアスのギャップを検出できます。

podcast_audio.wav + podcast_audio.srt + timing.json + cues.json(キューごとのテキスト、グローバルフレーム、section_frame を含む — コンポーネントで視覚的な入りを揃えるために、SRT を手動で解析する代わりにこれを使用します)が生成されます。各セクションは SSML を介して個別に合成され、連結されるため、セクションのタイミングは正確です。字幕キューはフレーズ優先です:30表示文字以内の文はそのまま表示され、より長い文はカンマ/セミコロンの句からパッキングされ(約22文字/キュー)、長すぎる句は単語境界で中央に近いところでカットされ、単語の途中で切れることはありません。小さな末尾キューは、同じセクション内でのみ前のキューにマージされます(次のセクションの短い最初の文が、前のセクションの最後のキューに漏れてはいけません)。既存の timing.json 上で再実行すると、セクションごとの duration diff が表示されます。0.3秒以上移動したセクションがある場合、新しい cues.json からコンポーネントのハードコードされたエントランス遅延を再調整する必要があります。

調整可能パラメータ:--voice(デフォルト zh-CN-XiaoxiaoNeural)、--style(mstts:express-as、例:gentle / cheerful — この2つに固定。他は不自然に聞こえる可能性あり)、--rate(prosody、例:-4%)、--phonemes(多音字用の単語全体のピンイン辞書、例:命令行/同行。デフォルトでは ~/.video-podcast-maker/phonemes.json と入力ファイルの隣の phonemes.json がマージされます — per-video エントリが優先)、--aliases(発音エイリアス、表示→発話、例:"Ornith-1.5": "Ornith 一点五"。同じマージ順序で aliases.json とマージ)。環境変数のフォールバック:TTS_VOICE / TTS_STYLE / TTS_RATE。複数の動画で一貫したチャンネルボイスを得るには、毎回フラグを渡す代わりに、シェルプロファイルでこれらを一度設定します(例:TTS_VOICE=zh-CN-XiaoxiaoMultilingualNeural TTS_RATE=+5%)。

発音:多音字の事前チェック、既知の誤読パターン、エイリアス辞書の仕組み、組み込みの発話レイヤーの振る舞いについては、references/pronunciation.md に文書化されています。新しいトピックの最初の TTS 実行前にこれを読んでください。

Step 3 — ビジュアルの構成

  • 初めての動画の場合:コンポジション契約に従って、src/remotion/ の下にコンポジション(index.ts + Root.tsx + Video.tsx)を生成します。
  • 2回目以降の動画の場合:前の動画のコンポーネントをコピーして編集します。契約から再び始めることは絶対にしないでください。

1つの Remotion プロジェクトですべての動画をホストします。新しい動画は、正確に1つのコンポーネントファイルと1つの <Composition> 登録を追加します:

project-root/                    # 1つのプロジェクト、npm install は1回
├── src/remotion/
│   ├── index.ts                 # registerRoot — 共有、変更しない
│   ├── Root.tsx                 # 動画ごとに1つの <Composition id="…">
│   ├── DemoVideo.tsx            # 動画ごとのコンポーネント(前のものをコピーして編集)
│   └── NextTopicVideo.tsx
└── videos/{name}/               # 動画ごとのアーティファクト:podcast.txt, wav, srt, timing.json, mp4

動画ごとに:一意の PascalCase コンポーネント/コンポジション id を選択し(例:ReferenceManagerComparison)、タイトル/色を設定し、各セクション名にレイアウトを与えます(hero / content-N / outro に対する switch (section.name) がうまく機能します)。

ビジュアルの豊かさ(デフォルトスタイル — プレーンテキストのボックスは目標の外観ではありません):すべての情報カード、フローボックス、ピル、統計タイルには、1つの先頭絵文字(または実際の製品を描く場合は @lobehub/icons ブランドコンポーネント)を付けます。要素あたり最大1つまで、決して MONO 値の行の中には配置しません(絵文字は等幅の整列を壊します — 代わりにラベル/タイトルに配置してください)。1つの概念 = 1つの絵文字のマッピングを動画全体で一貫させ、トピックに合わせて適切に選択します(日付/パラメータ/速度/コストはそれぞれ明らかなマッチがあります。エージェントが選択します)。また、すべてのセクションには少なくとも1つのビジュアルアンカー(イラスト)があります:公式資料を優先(製品バナー、スペックカード、スクリーンショット)。それ以外の場合は、フリーのイラストやアイコンセット(unDraw SVG、Pixabay/Pexels 画像、OpenMoji / Microsoft Fluent Emoji / Google Noto Emoji、ブランドロゴ用の @lobehub/icons)を使用します — ソース + ライセンスを publish_info の asset-sources セクションに記載します(Flaticon の無料ティアのような帰属が必要なセットは、動画の説明でクレジットする必要があります)。絵文字は UI カードを装飾し、イラストはセクションを固定します。どちらも他方を置き換えるものではありません。

Step 4 — プレビュー(必須の人間によるゲート)

npx remotion studio src/remotion/index.ts --public-dir videos/{name}/

Studio を起動し、ユーザーが直接確認するのを待つ必要があります。ユーザーが明示的に確認する(「レンダリング」/「render」)まで、絶対にレンダリングしないでください。調整リクエストは確認ではありません。変更を適用し、Studio をホットリロードさせ、再度確認を求めます。ビジュアル変更のラウンドごとに、新たな確認が必要です。確認は Step 5 に引き継がれません。

Step 5 — レンダリング + BGM

レンダリング:

npx remotion render src/remotion/index.ts MyVideo videos/{name}/output.mp4 --public-dir videos/{name}/

BGM(デフォルト。ユーザーが音楽不要と言った場合のみスキップ):Pixabay Music からランダムなトラックを1つ取得し、低音量でミキシングします(ナレーションが支配的であること)。Pixabay ライセンス:ロイヤリティフリー、商用利用可、帰属不要 — それでもタイトル/作者を publish_info の asset-sources セクションに記録します。

取得方法(2026-08-25 確認):Pixabay の検索/一覧ページはクライアントサイドレンダリングされており、ブラウザ以外のクライアントでは Cloudflare でブロックされます。しかし、実際のブラウザで開かれた単一トラックページは、フルトラックダウンロード URL を JSON-LD に埋め込んでおり、その cdn.pixabay.com URL は通常の curl でダウンロードできます。

  1. セッションのブラウザ(Playwright MCP)で、検索ページを開きます — https://pixabay.com/music/search/cinematic/(または、より落ち着いた雰囲気が欲しい場合は relaxing / ambient)。

  2. /music/<slug>-<id>/ にマッチする結果リンクを収集します(/music/search/ やロケールプレフィックス付きのもの、例:/de/music/... は除外します)。ランダムに1つ選び、開きます。

  3. トラックの JSON-LD を読み取ります(script[type=application/ld+json"] → その AudioObject):contentUrl(フルトラック MP3)、name、creator.name、duration。約 1.5~8 分を推奨します。範囲外の場合は、別のリンクを開きます。ページの JSON-LD に contentUrl がない場合(レイアウトが変更された場合)、再試行を停止し、ユーザーにトラックを選択してダウンロード URL を提供するよう依頼します。

  4. curl でダウンロードします(ブラウザ UA + Referer: https://pixabay.com/ — 動作確認済み):

    curl -sL -A "<ブラウザ UA>" -H "Referer: https://pixabay.com/" "<contentUrl>" -o videos/{name}/bgm.mp3
    

ミキシング(BGMは低く。loudnorm ステージは必須 — これがないとミックスは約 -32 dB 平均になり、約 10 dB 小さすぎます):

ffmpeg -y -i videos/{name}/output.mp4 -i videos/{name}/bgm.mp3 -filter_complex "[1:a]volume=0.08[bg];[0:a][bg]amix=inputs=2:duration=first[a];[a]loudnorm=I=-16:TP=-1.5:LRA=11[out]" -map 0:v -map "[out]" -c:v copy -shortest videos/{name}/final_video.mp4

レンダリングが確認されたら、Studio サーバーを停止します。放置された Studio はポートを保持し、ファイルを監視し続けます。

Step 6 — 配信エクストラ(ユーザーのパイプラインに含まれている場合のみ)

Step 5 の後に、この順序でレンダリングします:

  • カバースチル:npx remotion still で 16x9 + 4x3 のサムネイルスチルを生成します。古い PNG を先に削除します。スチルは既存のファイルをスキップします。
  • BGM ラウドネスチェック:ffmpeg -i final_video.mp4 -af volumedetect -f null -、平均 ≈ -19 ~ -22 dB、最大 ≈ -1.5 dB。
  • publish_info.md:タイトル / 説明 / タグ / チャプタータイムスタンプ(チャプターは timing.json から派生)。
  • assets/manifest.json:アセットの出所。
  • リポジトリレベルの記録:インデックス/テーマジェネレーター(例:VIDEO_INDEX.md ビルダー)は通常 publish_info.md のタイトルをキーとし、分類スクリプトは新しい動画ディレクトリが割り当てマップに追加されるまで実行を拒否する場合があります。公開アーティファクトが配置された後にそれらを実行します。

コンポジション契約

コンポジションは、staticFile() を介して --public-dir videos/{name}/ から3つのファイルを消費します:podcast_audio.wav、podcast_audio.srt、timing.json:

{
  "total_duration": 32.1,
  "fps": 30,
  "total_frames": 964,
  "sections": [{ "name": "hero", "label": "…", "start_time": 0, "duration": 11.8, "start_frame": 0, "duration_frames": 355 }]
}

コンポジションを生成する際の譲れないポイント(それぞれ、見逃すと実際の障害モードになります):

  1. オーディオがマスタークロック — calculateMetadata は durationInFrames = timing.total_frames を返し、実行時にロードされます。決して duration をハードコードしないでください。プロジェクトの規約による解像度:1920×1080 @ 30fps、または 4K(3840×2160)の場合は、1920×1 をスケーリングするラッパーを介します。

...

Individual skills in this repo

This repo contains 2 individual skills — each has its own dedicated page.

Agents365-ai/video-podcast-maker

Smallest personal narrated-explainer-video pipeline (spoken narration over visuals, not an audio podcast), fully tool-agnostic and autonomous by default — topic → research ∥ asset collection → script → TTS → video → 4K render ∥ publish info + cover. The skill defines the pipeline logic and self-verified checkpoints; any TTS backend and any video tool (Remotion, HyperFrames, CapCut, ...) work, and how much human oversight to apply is set by the working project's AGENTS.md/CLAUDE.md, not here. Use when the user wants a quick personal narrated video with minimal steps, whether or not they name the tool stack. Do NOT trigger for audio-only podcasts, written episodic content, or heavy multi-format production.

Agents365-ai/video-podcast-maker

Use when the user gives a topic and wants an automated topic-driven narrated explainer, podcast, or knowledge-summary video (Bilibili / YouTube / Xiaohongshu / Douyin / WeChat Channels), or asks to learn visual design patterns from a reference video/image. Trigger when the user mentions creating a knowledge video, narrated explainer, video podcast, or animated infographic-style video from a topic — even if they don't say "video podcast" explicitly. Also trigger when the user wants to regenerate, re-render, rebuild, update, or iterate on a narrated video this skill already produced — e.g. they edited the script/prompt, changed the visuals, or swapped the background music and want the final video remade (reuse the existing videos/{name}/ directory, never start a new project). Do NOT trigger for generic video editing, trimming, format conversion, color grading, or non-narrative video tasks. Produces 4K video via research → script → TTS → Remotion → MP4 + BGM.

関連スキル