Communitygithub.com

remotion-video

アイデアをナレーション付きの縦型ショート動画(1080×1920 MP4)に変換します。スクリプト作成、ElevenLabsによる音声とワードタイミングの生成、5つのシーンタイプ、単語ごとのキャプション、リップシンク付きマスコットを含むスタータープロジェクトをレンダリングします。

remotion-video とは?

このスキルは、ユーザーのアイデアを元に、Remotionを使用してナレーション付きの縦型ショート動画(1080×1920 MP4)を生成します。スクリプト作成から音声生成、動画レンダリングまでを自動化し、5種類のシーンの切り替え、単語ごとのキャプション、リップシンクするマスコットを備えたスタータープロジェクトを提供します。ElevenLabs APIを使用して音声と単語タイミングを生成し、各単語にリップシンクを同期させるため、視聴者の注目を集める高品質な動画を効率的に作成できます。対応するトリガーとしては、"/remotion-video"、"make a video about X"、"Short/Reel/TikTokを作って"などがあります。スクリプトは自動で生成され、フックから始まりコールトゥアクションで終わる構成で、各シーンは短く簡潔に話されます。動画レンダリングはRemotionの並列フレーム処理を活用し、正確なタイミング制御が可能です。ただし、ElevenLabsのAPIキーが必要であり、Remotionのライセンスは個人または3名以下の企業では無料ですが、それ以上の規模の企業は有料ライセンスが必要です。また、代替としてMITライセンスのrevideo-videoスキルも利用できます。

対応~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/anujkapoor-arch/video-skills/tree/HEAD/skills/remotion-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

remotion-video は何をしますか?

ユーザーのアイデアをMP4ファイルとして提供します。このファイルの隣にあるキット(kitフォルダ)が主要な処理を行います:kit/new-video.sh がプロジェクトを作成し、narrate.py がスクリプトから音声とタイミングを生成し、Remotionプロジェクトがレンダリングを実行します。

このファイルの隣に kit フォルダがない場合、スキルがキットなしでコピーされたことを意味します。https://github.com/anujkapoor-arch/video-skills をクローンし、その kit フォルダを使用してください。

開始前の確認事項

以下を確認し、不足しているものがあれば明確なメッセージを表示して停止してください。

  • node --version、python3 --version、ffmpeg -version。キットは Node 24、Python 3、ffmpeg 8 でテストされています。
  • 環境変数 ELEVENLABS_API_KEY が設定されているか、ユーザーがプロジェクトの .env ファイルに設定する準備ができていること。サイレントモードや無料モードはありません。キーを出力したりコミットしたりしないでください。
  • Remotionのライセンス。個人および従業員3名以下の企業は無料です。それ以上の規模の企業は有料の Company Licence(remotion.dev/docs/license)が必要です。この点をユーザーに一度伝えてください。Remotionが利用できない場合は、MITライセンスの revideo-video スキルを使用してください。

手順

1. アイデアをスクリプトにまとめる

推測できない情報のみを尋ねてください:トピック、対象者、チャンネル名。その後、スクリプトは自分で作成します。

  • 4~7シーン、合計20~45秒。人は1秒あたり約2.5語を話します。
  • 冒頭は hook で始め、最後は cta で締めます。その間に points、stat、bars を使用します。
  • 各 say は1~2文の短い文章で、耳で聞いて理解しやすいように書きます。数字は単語で表記します。
  • 画面上のすべての数字には、ユーザーが提供したソース、または自分で名前を挙げられるソースが必要です。ソースがない場合は質問してください。統計をでっち上げないでください。
  • 各項目に合図語(at)を選び、視覚要素がその単語が話されるタイミングで表示されるようにします。

フィールドの完全なリストは kit/common/SCRIPT.md にあります。スクリプトを作成する前に読んでください。

2. プロジェクトを作成する

<このスキルのフォルダ>/kit/new-video.sh remotion <新しいフォルダ>
cd <新しいフォルダ>
npm install

npm install には約20秒かかります。最初のレンダリングでは、Chrome Headless Shell(約470 MB)が node_modules にダウンロードされます。

3. script.json を書き、確認し、音声の料金を支払う

サンプルの script.json をユーザーのスクリプトに置き換え、その後:

python3 narrate.py --check    # バリデーションと文字数の表示、API呼び出しなし

話す台詞と文字数をユーザーに表示し、次のコマンドを実行する前に了承を得てください。ElevenLabsは文字数単位で課金されます。

python3 narrate.py            # public/narration.wav と src/spec.json を書き込みます

各シーンの開始時間と長さが表示されます。行は .tts-cache/ にキャッシュされるため、編集後に再実行すると変更された行のみが課金されます。

4. フルレンダリング前に静止画を確認する

静止画のレンダリングには約4秒、フルレンダリングには動画の長さと同程度の時間がかかります。

npx remotion still src/index.ts Video out/check.png --frame=150

フレーム = 秒 × 30。各シーン内で、最後の合図語の約1秒後のフレームで静止画を1枚レンダリングし、それぞれを確認します。テキストがカードに収まっているか、キャプションやマスコットと重なっていないか、重要な要素が y = 1620(ショート動画/リールのUIで隠れる領域)より下にないかをチェックします。

5. レンダリング

npm run render                # -> out/video.mp4
npm run studio                # オプション:タイムラインとホットリロード付きプレビュー

6. 報告

ファイルに対して ffprobe を実行し、ユーザーに長さ、サイズ、保存場所を伝えます。確認したこと(静止画)と確認していないこと(音声は聞けず、動きも見れない)を伝えます。音声をオンにして一度視聴するよう依頼してください。

変更方法

変更内容編集するファイル
色、チャンネル名、フッター、キャプションのOn/Off、マスコットのOn/Offscript.json、その後 python3 narrate.py(無料、音声はキャッシュされます)
音声script.json 内の voice.id または ELEVENLABS_VOICE_ID。新しい音声に変更すると、すべての行が再課金されます。
フォント.ttf ファイルを public/fonts に配置し、src/fonts.ts でリストし、src/util.ts の FONT を変更します。
シーンタイプのレイアウトsrc/scenes.tsx 内の対応するコンポーネント
ヘッダー、カード、キャプション、バブル、紙吹雪src/Video.tsx
マスコットsrc/Mascot.tsx

シーンの種類を追加する

  1. src/scenes.tsx に {s: Scene} を受け取り、その内容を <Layer s={s}> でラップするコンポーネントを作成します。
  2. 同じファイルの末尾にある KINDS と、src/util.ts の kind ユニオンに追加します。
  3. その必須フィールドとともに narrate.py の KINDS に追加します。

マスコットを差し替える

キャラクターのSVGを src/Mascot.tsx にJSXとして移植します。.svg ファイルを読み込まないでください。フレームごとに駆動する5つの要素を維持します:open からの口の高さ、blink からの目の scaleY、瞳孔のオフセット、眉のオフセット、傾く頭部グループ。SVGが後で変更された場合、移植をやり直す必要があります。

Remotionのレンダリングを正しく保つルール

  • 画面上のすべては現在のフレームの関数です。useState、CSSトランジション、setTimeout、Math.random() は使用しないでください。Remotionはフレームを並列かつ順不同でレンダリングするため、状態を保持するものは壊れます。remotion の random(seed) を使用してください。
  • すべてのタイミングは spec.json から取得します。時間を秒単位でハードコードしないでください。s.start、item.t、または単語の t を読み取ることで、新しいナレーションがコード変更なしで動画のタイミングを再調整できます。
  • フォントは src/fonts.ts で delayRender を使って読み込まれます。これがないと、フォントの準備ができる前にフレームがキャプチャされる可能性があります。
  • ブラウザがレンダリング時に読み込むファイル(音声、フォント、画像)は public/ に配置し、staticFile() で参照します。
  • HTMLは長いテキストを折り返しますが、何も縮小しません。スターターは文字数からフォントサイズを選びます。テキストを追加する場合は同様に行わないと、カードからあふれます。
  • スプリングは spring({frame: frame - at * fps, fps, config}) です。util.ts の pop() ヘルパーがこれをラップします。
  • リップシンクは単語タイミング(util.ts の mouthOpen)から生成され、音声解析は行いません。
  • 動画の長さはフレーム単位に切り上げられるため、MP4は spec.total より最大 1/30 秒長くなることがあります。

テスト機の数値(Apple M2、8 GB RAM)

  • 25秒の動画:レンダリング時間26.5秒、ファイルサイズ4.9 MB。
  • node_modules:インストール後240 MB、最初のレンダリング後約950 MB(Chrome Headless Shellとwebpackキャッシュを含む)。

Individual skills in this repo

This repo contains 1 individual skill — each has its own dedicated page.

関連スキル