Communitygithub.com

ビデオペーパーエディット(Paper Edit)

トーキングヘッドの生映像をDaVinci Resolve内で編集済みのラフカットに変換します。フッテージドライブからクリップを取得し、ローカルで文字起こしを行い、失敗テイクや間、脇道、無音部分を除去した後、微調整用の2つのペーパーエディットタイムラインを含む新しいResolveプロジェクトを作成します。

ビデオペーパーエディット(Paper Edit) とは?

このスキル「Paper Edit」は、トーキングヘッド動画の生のカメラファイルを、DaVinci Resolveで編集可能なラフカットに自動変換します。Claudeが大まかなカットを行い、クリエイターが細かいトリミングを行うという役割分担で動作します。フッテージドライブから動画フォルダを特定し、各クリップをローカルのWhisper(whisper.cpp)で文字起こしした後、文字起こし結果を人間が読み、カットリストを作成します。カットリストに基づいて、判断カットのみのv1と、無音部分もトリミングしたv2の2つのタイムラインがResolve上に自動構築されます。さらに、オプションで特定の箇所にズームインするパンチインや、トーク内容に関連する写真を重ねる機能も提供します。DaVinci ResolveのMCPサーバーを介して操作し、FCPXMLへのフォールバックも可能です。

対応✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/beachyphotoandfilm-arch/video-skills/tree/HEAD/skills/paper-edit

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

ペーパーエディット(Paper Edit)

生のカメラファイルを入力し、Resolveで組み立てられたラフカットを出力します。最初の実動テストでは、生14分17秒→出力10分16秒(クリエイター自身の手編集10分32秒に対し)でした。

役割分担: Claudeが大まかなカットを行い、クリエイターが細かいトリミングを行います。完成した編集を提供しようとせず、クリエイターが明らかな部分をやり直さなければならないほど控えめにもしないでください。

セットアップ:以下を記入

プレースホルダー説明例
<FOOTAGE_DRIVE>生フッテージが保存されている場所(動画ごとに1フォルダ)/Volumes/MyWorkDrive
<LUT_PATH>オプションのLUT。ResolveのLUTフォルダからの相対パスMyLuts/SLog3-to-709.cube
WHISPER_MODEL (環境変数)whisper.cppモデルファイルデフォルト ~/.cache/whisper-models/ggml-small.en.bin
RESOLVE_APP (環境変数, オプション)Resolveアプリのパス(標準と異なる場合)デフォルト /Applications/DaVinci Resolve/DaVinci Resolve.app

必要要件: ffmpeg, ffprobe, whisper-cli (whisper.cpp), Python 3, execute_resolve_codeを公開するResolve MCPサーバーが動作しているDaVinci Resolve。

実行方法

作業ディレクトリ: セッションのスクラッチパッドを使用します(例: <scratchpad>/paperedit)。スキルディレクトリは以下 .claude/skills/paper-edit。

1. フッテージを特定する

フッテージは <FOOTAGE_DRIVE> に保存されており、動画ごとに1フォルダ、多くの場合、大まかに名前が付けられています。

find "<FOOTAGE_DRIVE>" -maxdepth 4 -iname "*<keyword>*" -not -path "*/.*"

複数一致する場合は、ユーザーにフォルダを確認します。ファイルをコピーしないでください。Resolveはドライブ上のファイルにリンクします。

2. すべてのクリップを文字起こしする

bash <skill>/scripts/transcribe.sh "<FOOTAGE_DRIVE>/<folder>" "<work>"

<clip>.json(単語レベル)、<clip>.wav、およびclips.ndjson(継続時間付き)を書き出します。15分のフッテージで約90秒かかります。既に処理済みのクリップはスキップされるため、再実行しても安全です。

3. 文字起こし結果を自分で読む

python3 <skill>/scripts/sentences.py "<work>"

すべて読みます。 これはスクリプト化できない部分です。繰り返しフレーズ検出器は試されましたが、ひどく失敗しました。教師が意図的にフレーズを繰り返すため(「これがうまくいく方法、これがうまくいかない方法」)、737秒中428秒をカットしようとしました。

4. カットリストを書く

<work>/cuts.json、削除ごとに1つのオブジェクト。時間はそのクリップの開始からの秒数。

[{"clip":"C0002","start":32.58,"end":39.76,"why":"つまずき: 'what I realized was even sometimes...'"}]

これらをカットします:

  • 脇道やカメラへの話しかけ: 「今のはかなり良かった、嘘じゃない」、「このカメラ、もうすぐバッテリー切れだ」、「これはおそらく7分の動画になるだろう」
  • 誤った開始。最後の試行を残します。話し手はしばしば文を2回言い直し、2回目の方が良いことが多いです。
  • CTAの失敗テイク。最後に3~4回あることが多いので、最終的なものを残します。
  • セクション間の長い沈黙、括弧で囲まれたノイズ([BLANK_AUDIO], (キーボードのクリック音), (ガサガサという音))
  • 途中で放棄され再構築された文(「私がこれを以前やらなかった理由は、怖かったからで、そして…」)
  • 文中の短い再スタート。コンマと再述された節で示されます。「私がお返しに求めたのは、簡単なレビューとこれ、そしてレビューの部分を追加することです…」放棄された節から再スタートまでをカットします。これらは1~2秒で読み飛ばしやすいです。
  • Whisperの単語タイミングは約0.5秒ずれます。 同じ単語を言い直す誤った開始(「私は提供すること、愛することから始めるのが好き、私は最初に来るのが好き」)の場合、最初の試行の終わりではなく、2番目の「私は」の開始でカットを終了します。そうしないと、はみ出した単語が残ります。
  • カットは保持する単語のtoオフセットで開始し、決してそのfromでは開始しません。 あるテストでは、カットが40.30で開始されたにもかかわらず、保持する単語は40.19~40.92に渡っていたため、フックの最後の単語が切り取られ、手動で戻す必要がありました。すべてのカットの直前の単語について、from|toでオフセットを出力します。
  • 長い[BLANK_AUDIO]実行の後、タイミングは信頼できません。 Whisperは30秒の沈黙の後、最初のフックテイクの単語を押しつぶし、カットにより動画の最初の1秒に単語の断片が残りました。無音の後にテイクが始まる場合、単語オフセットを信頼する代わりに、ffmpeg astatsでオーディオレベルを確認して、実際に発話が始まる場所を見つけます。

これらを保持します:

  • 指導リズムのために意図的に使用される反復
  • それでも何かを教えている脱線(ユーザーが特に指示しない限り)
  • 確信が持てないものは何でも。カットする代わりにサマリーにフラグを立てます。

5. セグメントを構築する

python3 <skill>/scripts/segments.py "<work>"

segments-v1.json(判断カットのみ)、segments-v2.json(0.50秒以上のポーズを0.22秒にトリミング)、およびcutlist.txtを生成します。環境変数MIN_GAP、KEEP_PAUSE、NOISE_DBで調整可能です。

また、無発話の小さなクリップも削除します。発話レベルでオーディオがない1秒未満のv2セグメントです。マウスクリックやラップトップへの一瞥などで、トリミングされたポーズの間に孤立したものとして残ります。調整可能: BLIP_MAX, SPEECH_DB。

ユーザーに見せる前に、cutlist.txtのすべてのjoin:行を読みます。 各カットをまたいで文がどのように読めるかを出力します。同じフレーズが|の両側に現れる場合、カットが短すぎます。

両方のパスが重要です。 判断カットのみの場合、フィードバックは「特に最初に大きなポーズが全体にある」というものでした。ポーズのトリミングが、11分32秒を10分16秒に短縮したものです。KEEP_PAUSEを約0.20秒未満に下げないでください。急いでいるように聞こえ始めます。

6. 構築前にカットリストを表示する

サマリーを貼り付けます: 生の長さ、v1、v2、カット数、および理由付きの注目すべきカット。ユーザーが希望するものを拒否権発動します。

7. Resolveで構築する

環境設定 > システム > 一般 > 外部スクリプティングで「ローカル」を選択 が必要です(一度設定すれば固定されます)。ユーザーにResolveを開くように依頼しないでください。最初にこれを実行します。Resolveが閉じている場合は起動し、APIが応答するまで待機します。

bash <skill>/scripts/ensure_resolve.sh

Resolveが実行中にタイムアウトした場合、スクリプト機能がオフになっています。これだけはユーザーに修正を依頼する事項です。

<work>/params.json を書きます:

{"project":"<Video Name> - YYYY-MM-DD","work":"<work>",
 "files":["<FOOTAGE_DRIVE>/<folder>/C0001.MP4","..."],
 "fps":23.976,"width":1920,"height":1080}

その後、execute_resolve_code を1回呼び出します:

PARAMS = "<work>/params.json"
exec(open("<skill>/scripts/resolve_build.py").read())

複数の動画: 並列ツール呼び出しではなく、一度に1つずつ構築します。 Resolveには1つのカレントプロジェクトしかないため、2つのビルドが同時に競合します。ある時、2つのビルドが同時に実行され、スクリプトがすべてのアイテムが追加されたと報告したにもかかわらず、一方のv2が空になりました。各ビルド後、各タイムラインのアイテム数を自分で確認してください。

プロジェクト名は <Video> - YYYY-MM-DD と名付けます。 同じ名前のプロジェクトが混同されることがありません。新しいプロジェクトを作成し、クリップをインポートして、Paper Edit v1 と Paper Edit v2 (tight) を構築します。既存のものは何も触れません。これは execute_resolve_code の許可された使用法です。append_to_timeline はイン/アウトポイントを受け取れないため、代替ツールはありません。セッションで初めて使用するときは、コードをユーザーに表示します。

Resolveに到達できない場合のフォールバック(クラウド/スケジュール実行、または ensure_resolve.sh が失敗した場合): セグメントごとに asset-clip 要素を持つFCPXMLを書き、start と duration を frames*1001/24000s で指定し、ユーザーがインポートできるようにします。同じ結果ですが、クリックが1回余分にかかります。

8. 引き継ぎ

両方のタイムラインが存在すること、最初にどちらをスクラブするか(v2)、そしてv2が詰まりすぎていると感じた場合のセーフティネットがv1であることをユーザーに伝えます。その後、カットがロックされているかどうかを尋ねます。なぜなら、オーバーレイはその後に行われるからです(video-overlaysがあれば参照)。

9. パンチイン(オプションの第3タイムライン)

静的なフレーミングのバリエーションは、トーキングヘッドを見やすくします。ResolveのAPIにはキーフレームアクセスがありません。そのため、スロープッシュはスクリプト化不可能です。静的なクリップごとのフレーミング(「時々、クリップの1つが少しズームインしている」)が可能なことです。

すべての変更をトランスクリプトに結び付け、タイマーには決して結び付けないでください。 タイマーベースのバージョンはランダムに感じられました。インパクトのあるセリフや新しいトピックが始まる場所でパンチインし、意味のあるものにします。

<work>/framing.json を書きます:

[{"clip":"C0002","at":361.40,"framing":"med","why":"TIP 3"},
 {"clip":"C0002","at":371.80,"framing":"close","why":"'this is the part that matters'"}]

at は sentences.py からの文の開始位置です。次に python3 <skill>/scripts/punchins.py "<work>" を実行し、params.json で "punchins": true を設定します。マークがセグメント内にある場合、文の開始付近の最も静かなポイントでセグメントを分割します。なぜなら、トーキングヘッドはしばしば休止なしに長く続き、そうしないと変更が遅れてスライドするからです。

ユーザーがResolveでv2を手動トリミングした場合、そのタイムラインがカットです。 そのアイテムを読み取り(GetLeftOffset/GetDuration、フレーム x 1.001/24 = 秒)、segments-locked.json に格納し、SEGMENTS=segments-locked.json で実行し、"timelines": ["v3"] で既存のプロジェクトにv3のみを追加します。約20~40秒ごとに1つの変更を目指します: 新しいトピックごとにワイド、教える部分でミディアム、重要なセリフでアップ。ビルダーは各変更に理由を命名した青いマーカーをドロップするため、ロジックが可視化されます。

フレーミング: wide 1.00, med 1.11 (チルト -12), close 1.21 (チルト -24)。

ユーザーがトリミング中にv2をグレーディングした場合、v3はLUTのみでスクラッチから構築されるため、構築直後にv2のグレードをv3にコピーします:

src = v2.GetItemListInTrack("video", 1)[5]          # グレーディングされた任意のv2アイテム
src.CopyGrades(v3.GetItemListInTrack("video", 1))    # タイムライン間で機能; ズーム/チルトは維持

すべてのv3アイテムで GetNodeGraph().GetToolsInNode(1) を使用して確認します。ギャラリールート(GrabStill + ExportStills から .drx)は使用しないでください。エクスポートはAPIを介してFalseを返します。GrabStill を使用した場合は、ギャラリーをきれいに保つためにスチルを削除します。

ロックされたv2の読み取り: GetLeftOffset() と GetDuration() はソースフレームを提供します。最初のセグメントはフックがトリミングされたかどうかを示します。ロックされたセグメントを segments-v2.json と比較し、何が変更されたかをメモして、次の編集を調整します。

10. カラー

params.json で "lut": "<LUT_PATH>" を設定すると、すべてのクリップのノード1に適用されます。カメラがログプロファイル(例: S-Log3)で撮影する場合、未グレーディングのフッテージはフラットで灰色に見えるため、LUTを設定する価値があります。APIは2番目のノードを追加できません。マルチノードグレードの場合は、1つのクリップを手動でグレーディングし、CopyGrades でプッシュアウトします。

11. トーク中の写真(オプション)

話し手がスチル写真を持っている何かについて話している場合、それらをv3のV2トラックに、白い背景で配置します。

  • カードであって、スライドショーではありません。 1920x1080のPNGを純白でレンダリングします: 3つのポートレートを横に並べる(高さ840にスケール、50pxギャップ)、2つのポートレート(高さ880、60pxギャップ)、または1つのランドスケープ(高さ900)。写真は話されている内容ごとにグループ化します。
  • 各カードのタイミングをロックされたトランスクリプトの文の開始に合わせ、次の文でカードを切り替えます。カードあたり約2~5秒。説明されている間だけ写真を表示し続けます。
  • 正確な長さのProRes .movとしてインポートし、スチルとしてはインポートしません。 スチルはResolveに固定2秒でインポートされ、互いに重なります。番号付きの名前(card1.png、card2.png)は単一のイメージシーケンスとしてインポートされるため、単語名を使用します。ffmpeg -loop 1 -framerate 24000/1001 -i x.png -frames:v N -c:v prores_ks -profile:v 3 でレンダリングします。
  • .movの場合、AppendToTimeline は endFrame = フレーム数(フレーム数-1ではない)を必要とします。そうしないと、すべてのカードが1フレーム不足し、カードの間に話し手が一瞬表示されます。オーディオが付属しないように "mediaType": 1 を渡します。
  • トラック名を「<トピック> 写真」と名付け、カードを独自のメディアプールフォルダに入れ、それらにLUTを決して適用しません(既にグレーディングされています)。
  • 配置する前に、チャットでカードのコンタクトシートをユーザーに表示します。

知っておく価値のある事実

  • 実際の編集からのキャリブレーション: v2の後、クリエイターは通常、約10分のカットから10~20秒を手動で削除します。そのほとんどは、セグメントエッジでのフレームレベルの調整と、言い直された行です。ポイントが述べられ、数秒以内に再びより良く述べられる場合です。文が直前の文を言い直している場合、最初のバージョンをカットします。これは、セクションをまたいでフレーズを繰り返す意図的な教育上の反復とは異なります。ポイントが離れて2回述べられた場合、弱い方のテイクを可能なカットとしてフラグします。
  • 通常の懸念は、カットしすぎて後で追加しなければならなくなることです。そのため、証拠に基づいてのみ、勘に頼らずにタイトにします。
  • ソースフォーマットの例: 4K 23.976 MP4、48kHzオーディオ。配信タイムライン 1920x1080 23.976、01:00:00:00 から開始。params.json の fps/width/height をフッテージに合わせて調整します。
  • 23.976のタイムコードは、タイムコード秒あたり24フレームをカウントします: frames = round(seconds / 1.001 * 24)。
  • AppendToTimeline は endFrame を排他的として扱います: 必要な最後のフレームの後のフレームを渡します。「包括的、マイナス1」ルールは、すべてのセグメントから1フレームをドロップします(10分のタイムラインで約4秒、1フレームのセグメントは消えます)。
  • 一部の話し手はほとんどフィラーワードを使用しません。フィラー除去を中心に構築する前に確認します。
  • 生のトーキングヘッドフッテージの約20%は削除可能であり、その約4分の3は判断(テイクと再スタート)、4分の1は無音です。
  • Whisperモデル: ggml-small.en.bin で十分正確です。いくつかの単語を聞き間違えることがありますが、カットポイントには影響しません。ただし、話し手を引用する場合には重要です。

関連

  • video-overlays: アニメーショングラフィック、カットがロックされた後に実行します(インストールされている場合)
  • video-reels: 同じフッテージからの縦型カット(インストールされている場合)
  • video-thumbnails: サムネイルとタイトル(インストールされている場合)
  • lapel-sync: オーディオが別のラペルマイク/レコーダーで録音された場合に最初に実行します

Individual skills in this repo

This repo contains 7 individual skills — each has its own dedicated page.

beachyphotoandfilm-arch/video-skills

Sync camera footage to a separate lapel or field-recorder track (e.g. Tascam DR-10L and similar) and lay it up in DaVinci Resolve. Stitches the recorder's split files, finds each clip's exact place in the audio by matching words then waveforms, cuts one lapel slice per clip so every later skill works unchanged, checks for clipping, and builds a synced timeline in a new Resolve project. Trigger on "sync the lapel", "sync my audio", "line up the recorder", "I used a lav", or any shoot with a separate audio folder (live talks, events, workshops). Run it before paper-edit or video-reels.

beachyphotoandfilm-arch/video-skills

Design a unique Instagram cover for each reel in your house style. Reads what the reel is about, writes a short hook headline, picks one of your own photos from a tagged photo library, lays it out like your existing covers, and proofs it in grid view at phone size. Renders locally, never with AI image generation. Can be called by a scheduling skill before reels are scheduled. Trigger on "make covers", "reel covers", "cover photo for this reel", "design the IG covers".

beachyphotoandfilm-arch/video-skills

Render finished reels out of DaVinci Resolve, write captions in the creator's voice, attach a custom Instagram cover from reel-covers, and schedule them to Instagram, TikTok and YouTube Shorts through Metricool. Handles the Drive upload hop, collision checks against the existing calendar, and cleanup. Trigger on "schedule the reels", "post these", "put these on the calendar", or after reels are approved.

beachyphotoandfilm-arch/video-skills

Build animated brand overlays (motion graphics) for a talking-head video, timed to the speaker's exact words, plus a DaVinci Resolve import file. House style is in-scene type (text beside and behind the speaker's head) plus diagrams. Transcribes the rough cut locally, picks the moments, renders transparent .mov clips, and writes an FCPXML that drops every clip onto the timeline already in position. Trigger on "make animations for this video", "add overlays/motion graphics", "animate this", "b-roll graphics for my YouTube video", or when the user shares a rough cut and asks for graphics.

beachyphotoandfilm-arch/video-skills

Cut vertical Instagram reels out of a long-form talking-head video, hook first. Picks the strongest standalone moments from the transcript, opens each reel on its punchiest line, builds vertical timelines in DaVinci Resolve framed on the speaker's face with the LUT applied, and finishes them: a hook (a held text card, or a word-by-word "build" hook with punch-in) and burned-look captions on V3; this-or-that reels get product graphics and a comment-keyword CTA card. You trim and render, nothing to import. Trigger on "make reels", "clip this for Instagram", "cut some verticals", or after a YouTube video is cut.

beachyphotoandfilm-arch/video-skills

Design YouTube thumbnails and titles for a talking-head video. Pulls graded full-res frames out of the raw footage, renders brand-styled variants in two proven layouts, and proofs them at phone size where the click actually gets decided. Trigger on "make thumbnails", "thumbnail for this video", "title and thumbnail", or after a video is cut.

beachyphotoandfilm-arch/video-skills

Run the whole YouTube video pipeline end to end, one stage at a time, stopping for the creator's approval at every gate. Paper edit, punch-ins, reels, reel covers, scheduling the reels, overlays, thumbnail and title, then scheduling the long-form video, all through Metricool. Keeps state per video so you can stop anywhere and pick up later. Trigger on "/youtube", "let's do the whole video", "run the video pipeline", "continue the <name> video", or when handed raw footage for a YouTube video.

関連スキル