Communitygithub.com

テキスト→アニメーション動画

アイデア、スクリプト、ブログURL、PDF、PPTから、シーンごとのスクリプト、一貫したスタイル(2Dカートゥーン、アニメ調、コミックブック、ストーリーブック/ファンタジー、ホワイトボード、キネティックタイプ)、ナレーション、ワードシンク付きキャプション、効果音/音楽をコードで描画し、MP4にレンダリングします。

テキスト→アニメーション動画 とは?

このスキルは、ユーザーが提供するアイデア、スクリプト、ブログURL、PDF、PPTなどのテキストベースの素材から、完全なアニメーション動画を生成するエンドツーエンドのパイプラインです。Flikiのような「テキスト→アニメーション」サービスと同様の出力を提供しますが、全てのビジュアルはコードで描画され、コンテナ内でレンダリングされるため、クレジット消費、透かし、3分間の制限がありません。対応プラットフォームはClaude Code、Cursor、CodexなどのAIエージェント環境です。このスキルは、アニメーションの説明動画、レッスン、ストーリー、子供向け動画、顔出し不要のYouTubeエピソード、アニメーション広告など、ユーザーが映像素材を提供せずにテキストからアニメーションを生成したい場合に特に有用です。ワークフローは、ブリーフィング→スクリプト生成→シーンプラン作成→音声生成(ユーザー提供MP3、ElevenLabs、または音声なし)→ワードアライメント→キャラクターシート作成→シーンHTML構築→スチル確認→レンダリングとミキシング→納品、という順序で進行します。出力はMP4ファイルと、WhatsApp用の圧縮コピーです。

対応✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/1Harsh88/Video-skill/tree/HEAD/.claude/skills/text-to-animated-video

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

テキスト → アニメーション動画

これはFlikiスタイルの「テキスト→アニメーション」パイプラインです(references/fliki-notes.md 参照)。ただし、ビジュアルはコードで描画され、このコンテナ内でレンダリングされるため、Flikiやモデルのクレジット消費、透かし、3分間の制限はありません。

入力: 以下のいずれか

  • 一言のアイデア
  • スクリプト
  • ブログURL
  • PDFまたはPPT
  • 既存のナレーションMP3

出力: ユーザーが選択したアスペクト比の完成したMP4と、WhatsApp用コピー。

手順

  1. ブリーフィング. 以下の項目を収集します。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。

    • 言語(デフォルト:ユーザーの言語;ヒングリッシュ/ヒンディー語も可)
    • トーン(ニュートラル)
    • 長さ(60秒)
    • アスペクト比(リール/ショート用9:16、YouTube用16:9、フィード用1:1)
    • スタイルプリセット(下記参照)
    • 音声:ユーザーのMP3、ElevenLabs、またはなし

    デフォルト化できない項目についてのみ質問します。

  2. ソース → スクリプト.

    • アイデア: 自身でスクリプトを作成します。
    • URL / PDF / PPT: ソースを読み取り、それが裏付ける事実のみを保持し、エンドカードで引用します。
    • 長さ: 英語では約140語/分、ヒンディー語では120語/分で、シーン分割されたスクリプトを作成します。
    • 構造: 最初の3秒でフック、1シーンにつき1つのアイデア、最後にCTA。
    • 確認: スクリプトを表示し、ユーザーがスクリプトを提供した場合を除き、承認を待ちます。
  3. シーンプラン. 1シーンあたり4〜8秒で plan.json(下記形状)を作成し、短い表として表示します。

    {"W":1080,"H":1920,"fps":30,"style":"2d-cartoon","scenes":[
      {"id":1,"t0":0,"t1":5.2,"text":"<音声ライン>","visual":"<描画内容>","motion":"<カメラ/アニメーション>","sfx":["whoosh:0.1"]}]}
    
  4. 音声. 以下のいずれかを選択:

    • ユーザーMP3: そのまま使用します。音声の下に音楽がある場合は、先にボーカルを分離します(demucs)。
    • ElevenLabs: ユーザーはキーが必要です。ホスト api.elevenlabs.io、ヘッダー xi-api-key に対して request_credential で問い合わせます。キーをチャットに貼り付けさせないでください。その後、POST https://api.elevenlabs.io/v1/text-to-speech/{voice_id} を model_id eleven_multilingual_v2(またはAPIがリストする最新の多言語モデル)で呼び出し、シーンごとまたはスクリプト全体に対して1リクエスト送信します。
    • 音声なし: キャプションと効果音のみを使用し、各シーンを計画された長さにタイミング設定します。
  5. アライメント.

    • python scripts/align.py voice.wav script.txt words.json 30 で単語のタイミングを取得し、さらに words_mouth.json でリップシンク用データを取得します。
    • この実行には pip install --break-system-packages torch torchaudio uroman librosa soundfile が必要で、download.pytorch.org からモデルをダウンロードします(この環境では許可されています)。
    • アライメントされた単語に合わせて plan.json のシーンタイミングを再調整します。音声が存在する場合、タイミングを推測してはいけません。
  6. キャラクターシートを最初に作成(動画にキャラクターが含まれる場合)。各キャラクターを、いくつかのポーズ(アイドル、話す、指差し、驚き)を持つ関数として一度描画し、PNGシートを保存します。すべてのシーンで同じ関数を再利用し、キャラクターの見た目が一貫するようにします。キャラクターはオリジナルでなければならず、既存のカートゥーンやアニメキャラクターをコピーしてはいけません。

  7. scene.html を構築.

    • サイズ W×H の1つのキャンバス。
    • window.renderAt(t) は決定論的でなければなりません:シード付き乱数、Date.now() やCSSアニメーションは使用禁止。
    • window.ready はフォントのロード後に解決されます。ローカルのwoff2ファイルを使用:ヒンディー語用のBaloo 2またはNoto Sans Devanagari、スタイルに応じてInter/Anton/Bangers/Caveat。
    • キャプションはキャンバスに描画されます:
      • チャンクあたり2〜5語、句読点または0.35秒以上のポーズで区切ります
      • アクティブな単語は開始と同時にハイライト表示されます
      • テキストはセーフゾーン内に収めます。9:16の場合、上部250px、下部420pxには何も配置しません
    • モーション: イーズド移動、2〜5秒ごとのまばたき、アイドル時の揺れ、シーンごとのスロープッシュイン、シーン間の1つのトランジション移動。
  8. スチル確認. node scripts/render.cjs stills scene.html <8–12回> stills/ W H を実行し、次にffmpeg tile でスチルをコンタクトシートにまとめます。自分でシートを確認し、問題を修正した後、ユーザーに表示してフルレンダリング前に承認を待ちます。

  9. レンダリングとミキシング.

    • 動画:node scripts/render.cjs video scene.html 0 DUR v.mp4 30 W H
    • 効果音:python scripts/sfx.py DUR sfx.wav whoosh:3.2 pop:8.1 chime:10.5
    • 音声を0dB、効果音を約-12dBでミックスします。音楽はユーザーが提供した場合のみ使用し、sidechaincompress で音声の下にダッキングします。
    • 多重化後、loudnorm=I=-14:TP=-1.5 を適用します。
  10. 納品.

    • blackdetect で黒フレームを確認します。
    • 20MB未満のWhatsApp/720pコピーを作成します。
    • 両方のファイルを SendUserFile で送信します。
    • 他のアスペクト比の場合は、レイアウトを (W,H) の関数として記述し、再レンダリングします。

スタイルプリセット

プリセット見た目動き
2d-cartoon丸みを帯びた形状、1シェーディングのフラットカラー、濃い4〜6pxの輪郭線、明るい背景バウンシー(back/elasticイージング)、着地時のスカッシュ
anime-style大きな目、太くてクリーンな線、フラットカラー+ハードシャドウ、空のグラデーションスピード線、インパクトフレーム、ヒット時の小さな画面振動
comic-book重い黒インク、ハーフトーンシェーディング、パネル、バーストステッカー(POW、WAAH!)パネルスラム、ズームパンチ、ページめくりトランジション
storybook(ファンタジー)柔らかい絵画的なグラデーション、紙の質感、暖かい光、丸みを帯びたセリフ体スローパララックス、漂うパーティクル、優しいフェード
whiteboard白いボード、stroke-dashoffsetで描かれる黒いマーカーのストローク、1つのアクセントカラー手/ペンが描かれるストロークを追従;消去ワイプ
kinetic-type太字(Anton/Inter Black)、2〜3色、アクセントとしての形状単語がビートに合わせてスラム、スライド、スケール;マスクとマッチカット
cinematic-2dセミリアリスティックなフラットイラスト、単一光源のドラマチックな光、落ち着いたパレットスロープッシュインとパンのみ;ドキュメンタリー風のペース

ルール

  • コードで描画する。 すべてコードで描画されます:ストック映像や画像・動画生成は使用禁止です。ただし、ユーザーがメディアを提供したり、生成クリップを要求した場合(その場合は ai-video-generator を使用)は除きます。
  • 実在の人物。 実在の存命する公人のリアルなAI似顔絵は作成しないでください。象徴的なイメージ、シルエット、またはユーザーの写真から描いた似顔絵を使用してください。
  • 事実。 画面上の事実は、ユーザーのソースまたは検証済みの検索結果に基づく必要があります。統計、引用、推薦文を捏造してはいけません。
  • 上書き。 既存の出力ファイルを上書きする前に確認を取ってください。

Individual skills in this repo

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

関連スキル