エクスプレイナー（Voxスタイル）→ HyperFrames

約60秒のエクスプレイナーは Nブロック × 10秒（60秒 = 6ブロック）です。ブロックkのナレーションはブロックkの画像とともに再生されます。ツール: .claude/skills/explainer/tools/ ($T)。スタイルガイド: references/styles.md。ソース付きの実例: examples/explainer-eiffel/。

動作イメージ

ターミナルと話しているのではなく、よくできたアプリを使っているように:

メッセージごとに1つのステージを表示し、その後停止して待機。太字のステージタイトルと、それに合った絵文字1つ。
設定や選択肢はテーブルで表示。セクション間は---で区切り、短い行で余白を確保。
内部のやり取りは一切表示しない: ファイル書き込み、ツールチェック、タイミング計算について説明しない。ユーザーが行動する場面か、何かが欠けている場合のみ発言。
貼り付けを意図したものはプロンプトのみを含むコードブロックに入れる。ラベルや注意事項は外側に。

ステージ0 — サイレントチェック（説明なし）

setup/doctor.sh --quiet。videos/ にエクスプレイナープロジェクト（内部にpack.jsonがあるもの）が存在する場合、「おかえりなさい — 新しいビデオを作りますか、それとも <最新> を続けますか？」と表示してステージ1をスキップ。

ステージ1 — ようこそ 🎬

短い歓迎メッセージと、仕組みを説明する5行のテーブル（アイデア → ルック → 音声 → シーン → 最終カット）を表示し、1つだけ質問する: ビデオのテーマは何ですか？ ざっくりしたアイデアで構いません。または find one で今週のベストトピックを提案。停止。

ステージ2 — トピックと設定 ⚙️

find one の場合 → ウェブ検索で現在の話題を調査し、トップ3を提案。それぞれ1行のフック（理由/方法の質問 + 驚きの数字 + 見栄えが良い理由）を添える。悲劇やゴシップは除外。ユーザーが選択する。代理で選択してはいけない。
それ以外の場合 → アイデアを1行のアングルに絞り込む。答えが驚きとなる質問。

次に、デフォルト値が入力された設定テーブルを1つ表示。go ですべてを受け入れる:

設定	デフォルト	オプション
ルック	`collage`	`collage` (大胆なエディトリアルコラージュ) · `diorama` (セピア調のペーパードキュメンタリー)
画像	`code`	`code` (自由、HyperFramesでビルド) · `ai` (Higgsfieldまたは任意の生成ツール) · `mixed`
長さ	60 s	30秒～ 10分、10秒単位
アスペクト	16:9	16:9 · 9:16 · 両方

停止。

ステージ3 — リサーチとスクリプト（サイレント）

videos/<slug>/ を作成。すべての主張をリサーチ: ウェブ検索で各数字を2つの独立した情報源でクロスチェックし、URLを保持。情報源が一致しない場合は、安全な数値を使用するか、その主張を削除。曖昧でも真実の一文が、正確でも虚偽の一文に勝る。絶対に数字、引用、予測を捏造しないこと。

ブロックごとにナレーションを1行作成。数字はスペルアウト、平易な話し言葉:

Kokoro音声: 各行22～26語。edge-tts音声: 18～20語。音声ステップでずれは補正される。
構成: コールドオープン（最も驚くべき事実、挨拶なし）→ ステークス → 証拠（ブロックごとに1つのアイデア。それぞれ具体的に：数字、日付、場所が含まれ、エスカレート）→ 転換点 → ブロック1を反映したキッカーで解決。
トーン: 探求心があり、正確で、軽妙なウィット。説明する。販売しない。
ブロック間のデザイン: 繰り返し登場するヒーローオブジェクト（タワー、コンテナ、コインなどが変化しながら再登場）; 早い段階で提起され、最後に答えられる質問; ビデオとして記憶される1つの「おおっ」という瞬間。

各ブロックについて、コールアウト（画面上の数字または2語の事実、9文字以内、例 +15 cm、2.5M、7 yrs）とビジュアルも選択。コードモードの場合、ビジュアルのkind は tower スタイルのシルエット（SVGを適応）、dots、bars、lean、calendar、stat のいずれか。pack.json（以下の形式）を書き込む。まだ何も表示しない。

ステージ4 — 音声 🎙

音声	サウンド	エンジン
`am_michael`	米国男性、落ち着いたドキュメンタリー	Kokoro (オフライン、デフォルト)
`bm_george`	英国男性、落ち着いた	Kokoro
`af_heart`	米国女性、温かくクリア	Kokoro
`en-US-ChristopherNeural` / `en-GB-RyanNeural` / `en-US-JennyNeural`	Microsoft ニューラル音声	edge-tts (無料、オンライン)

samples → ブロック1を3つのKokoro音声それぞれでサンプル生成し、ファイルを送信。停止。

ステージ5 — ブリーフ 📋 (ゲート)

1つのメッセージ:

アングル、スルーライン、ルック、画像、長さ/ブロック数、アスペクト、音声を含むテーブル
スクリプト（ブロック1 … N の形式）
情報源リスト

最後に: **「すべて問題ありませんか？それとも何か変更しますか？」**承認されるまでループ。ユーザーはどの行でも書き換え可能。

ステージ6 — 画像

code モード: ステージ8にスキップ。すべてのブロックがコラージュシーン（カラーフィールド、紙の質感、コールアウトのカウントアップ、マーカーサークルの自己描画、およびビジュアル）になる。

ai / mixed モード:

スタイルキー 🎨: 3つの名前付きバリアントをそれぞれ1文で提示（同じビジュアルシステムだが、異なるパレットまたは構図。references/styles.md から）。選択後、貼り付け可能な画像プロンプトを提供。Higgsfield: nano_banana_pro、アスペクトはビデオと同じ。コストを提示し、生成前に同意を待つ。1つの画像でルックが固定され、すべてのシーンに適用される。
シーン 🎬: ブロックごとに1メッセージ（または求められれば一度にすべて）。各シーンにはナレーション行がコンテキストとして付与され、references/styles.md のテンプレートから構築された貼り付け可能なプロンプト: STYLE / SCENE / MOTION / AUDIO / AVOID。設定テーブル: 参照画像 = スタイルキー、10秒、720p以上、アンビエントサウンドオン、blockNN.mp4 として保存。Higgsfield 直接: スタイルキーを使用した kling3_0 pro 画像→ビデオ。最初に合計（ブロック数 × クレジット）を提示。またはユーザーが任意のジェネレーター（Veo、Kling、Runwayなど）でプロンプトを実行。
クリップが到着 📥: ユーザーがファイルを videos/<slug>/clips/ にドロップ。明らかなバリアントは静かにリネーム（Block 1.mp4 → block01.mp4）; ペアリングが本当に曖昧な場合のみ質問。クリップがないブロックは自動的にコードシーンにフォールバック。

ステージ7 — クリップチェック（サイレント）

各クリップからフレームを1つ抽出して確認。スタイルから外れている、またはフォトリアルな場合: STYLE と AVOID の行を厳格化し、そのブロックのみ再生成。2回連続で失敗した場合は、シードだけでなくプロンプト自体を書き換え。AIクリップ内に読めるテキストがある場合、collage モードでは失敗とみなす（テキストはコールアウトとキャプションに配置する）。

ステージ8 — 音声とカット（サイレント）

~/.local/share/hf-kokoro/bin/python $T/voice.py videos/<slug>                 # または --engine edge --voice en-GB-RyanNeural

すべてのテイクが 7.5秒から9.7秒 の範囲に収まらなければならない。ツールが違反リストを出力。該当行を（短くまたは長く）書き換え、--only 3,5 で再音声生成し、すべてが範囲内に収まるまで繰り返す。タイムストレッチは絶対に行わない。

.venv/bin/python $T/build.py videos/<slug> [--aspect 9:16]                     # index.html + assets/mix.wav
cd videos/<slug> && npx --yes [email protected] lint && npx --yes [email protected] render -o raw.mp4
ffmpeg -y -i raw.mp4 -af loudnorm=I=-14:TP=-1:LRA=11 -c:v copy -c:a aac -b:a 192k "../../out/<Title> (16x9).mp4"

lint はネストされた構造と密なトラックについて警告する。これらはStudioタイムラインビューに関するものなので、レンダリングには影響しないため無視する。エラーは修正必須。ブロックあたり1フレームをスナップショット（snapshot . --at 2.5,12.5,…）して確認: 数字が1行に収まっているか、マーカーサークルが数字を囲んでいるか、キャプションが画像を覆っていないか。

ステージ9 — 納品 ✅

MP4を送信。続いて小さなテーブル: トピック、長さとアスペクト、ルックと音声、情報源（リンク）。提供: もう一方のアスペクト比、任意のブロックの変更、または新しいビデオ。

pack.json

{ "title": "…", "angle": "…", "through_line": "…", "look": "collage", "aspect": "16:9",
  "voice": { "engine": "kokoro", "name": "am_michael" },
  "blocks": [ { "line": "…", "callout": { "big": "+15 cm", "label": "taller on the hottest days" },
                "visual": { "kind": "bars", "values": [10, 30, 60, 100], "highlight": 3 },
                "prompt": "(ai mode) full scene prompt" } ],
  "sources": [ "Publisher — title: https://…" ] }

人間が読める pack.md（概要、スクリプト、プロンプト、情報源）も作成する。これがプロジェクトの記録となる。

ルール

事実: 数字ごとに2つの情報源。情報源はすべてのビデオに同梱。捏造した数字、引用、予測は禁止。
有料生成は、モデル × 数 × クレジットのコストを提示し、同意を得てから（PLAYBOOK #1）。
実在の人物の顔をクローズアップで生成しない。ミッドショット、シルエット、または検閲バーを使用する。これによりモデレーション拒否も回避できる。
Voxのルックはオマージュである。ビデオ内でVoxのロゴ、名前、ブランドを使用してはならない。

akachandan1/video-studio

video-studio とは？

お気に入りのAIに質問する

ドキュメント