AIビデオジェネレーター(プロンプト → クリップ → 完成動画)
このスキルは、Flikiの「AIビデオジェネレーター」スタック(references/fliki-notes.md参照)をミラーリングしています。生成AIビデオモデルがショットを生成し、仕上げレイヤーがボイス、キャプション、音楽、リサイズを追加します。
モデルアクセス: このコンテナはモデルにアクセスできません。ユーザーは自身のFlow / Kling / Flikiアカウント(または他のツール)で、ここで書かれたプロンプトからクリップを生成します。このスキルは計画立案と最終編集を行います。
モードA — 計画+プロンプト
- ブリーフィング. 以下の情報を収集し、ユーザーが明示しない場合はデフォルト値を使用します。
- トピックまたはスクリプト
- 長さ(デフォルト30〜60秒)
- アスペクト比(9:16リール、16:9 YouTube、1:1フィード)
- ルック(シネマティック、アニメ、3D、UGC風スマホ撮影、プロダクトスタジオなど)
- 使用可能なモデル
- ボイスオーバーとキャプションの言語
- スクリプト. 最初の3秒でフックとなるスクリプトを書き、1ショットに1つのアイデア、CTAを含めます。事実については、ユーザーのソースまたは検証済みの検索結果のみを使用します。スクリプトを表示し、承認を待ちます。
- ショットリスト. 1ショットあたり3〜8秒(ほとんどのモデルは4〜10秒のクリップを生成)で、以下のテーブル形式で作成します:
# | 時間 | VO line | shot | model | t2v or i2v。 - ショットごとのプロンプト.
references/prompt-guide.mdのテンプレートを使用し、ショットごとにフェンス付きブロックを作成してユーザーがコピーできるようにします。- すべてのプロンプトは単独で機能する必要があります。被写体の完全な説明、設定、照明、レンズ、動き、スタイル、アスペクト比を繰り返し記述します。モデルは以前のショットを記憶しません。
- 一貫性: キャラクターとプロダクトごとに「バイブル」(顔、髪、服装、色、小道具)を一度定義し、同じ単語をすべてのショットに貼り付けます。難しいケースでは、最初に参照用静止画の画像プロンプトを作成し、その静止画から画像to動画でショットを生成します。
- ネイティブオーディオ: モデルがオーディオを生成する場合は、
Audio:行(アンビエンスとSFXのみ)を追加します。ユーザーがカメラ上のスピーチを希望する場合のみ、ダイアログを引用符で囲みます。 - モデルが得意とするもの: 1ショットにつき1つのアクション。カメラの動き+被写体の動きは問題ありませんが、3つ以上の同時イベントは通常失敗します。
- テキスト: モデルに読み取り可能なテキスト、ロゴ、UIを要求しないでください。これらはアセンブリ時またはコード描画オーバーレイとして追加します。
- 引き継ぎ. ユーザーに以下を提供します:
- ショットリスト
- プロンプト
- ダウンロードファイルの命名規則(
s01.mp4、s02.mp4…) - 「クリップをここに送り返してください。動画を完成させます。」
モードB — クリップのアセンブル
- クリップを取得します(チャットアップロード、Driveリンク、ワークスペース内のファイル)。コンタクトシートを作成し(
ffmpeg … tile)、各クリップをショットと照合します。被写体の誤り、手や顔の歪み、不要なテキストがないか確認し、不良品は使用せず再生成を提案します。 - ボイス. 以下から選択します:
- ユーザーのMP3ファイル
- ElevenLabs(
request_credentialを使用。ホストapi.elevenlabs.io、ヘッダーxi-api-key)— チャットでキーを尋ねることは絶対にしないでください。 - なし(キャプションのみ)
- ボイスがある場合、アライメントして
words.jsonを生成します:scripts/align.pyを使用します。 edit.jsonの作成(フォーマットはscripts/assemble.pyの先頭にあります):- クリップごとのトリムポイント:最初と最後の0.3秒(モデルが不安定なことが多い部分)をカットします。
fitcover/contain、fade- ボイス、音楽 +
music_db、ワード、キャプションスタイル fontsdirローカルのwoff2/ttfファイルを含む。ヒンディー語に必要。
- レンダリング.
python scripts/assemble.py edit.json final.mp4を実行します。スクリプトはすべてのクリップをW×Hとfpsに正規化し、クロスフェード、クリップオーディオ、ボイス、音楽(ボイスの下でダッキング)をミックスし、ワードハイライトキャプションを焼き込み、loudnorm −14 LUFSを適用します。 - 他のアスペクト比. W/Hを変更して再度レンダリングします。フルブリード映像には
cover、トリミングできないワイドショットにはcontainを使用します。 - 納品.
blackdetectで黒フレームを確認します。- WhatsApp用に20MB未満の720pコピーを作成します。
- 両方を
SendUserFileで送信します。
ルール
- 実在の人物: ユーザー本人で同意がある場合を除き、実在の人物(政治家、有名人、私人)のリアルなAI類似を使用しないでください。シルエットや象徴的なショットを使用します。YouTubeとMetaではリアルなAI生成コンテンツのラベル付けが必要であることをユーザーに注意喚起します。
- 虚偽の主張の禁止: 偽の推薦文、捏造された統計、実際の顧客レビューを装ったUGCを禁止します。実際の人物の体験であると主張しない限り、UGCスタイルは問題ありません。
- モデルスペックは急速に変化: クリップ長、価格、モデル名は
references/内の日付付きメモです。必要な場合はユーザーのツールを確認し、正確なクレジットや価格を約束しないでください。