yuyurun73-dev/bw-song-ad

/bw-song-ad — 白黒カートゥーンの歌広告を完パケまで

2026-10-18、おひさまパンツ H-OHI-023a で作った手順。参考は X の WhiteHat MRR（骨密度・白黒カートゥーン・約4分）。 本人の反応は「歌がfireすぎる、神だ」。参考動画の正体は短いジングルではなく、ロングフォームVSLの台本をほぼそのまま歌っているもの。

順番（崩さない）

歌詞 → 歌（Suno） → 1文字単位の時刻合わせ → 場面割り → キャラ表 → キーフレーム → 動画化 → 背景の書き出し → Remotion → 検品。 歌が時計。絵を先に作ると、歌の間と合わずに全部やり直しになる。

S=~/.agents/skills/bw-song-ad
AD=<案件フォルダ>/<広告ID>        # lyrics.md / captions.txt / song/ / shots.py / keys/ / clips/ / remotion/
cp -R $S/remotion $AD/remotion && cd $AD/remotion && NODE_USE_ENV_PROXY=1 npm install

0. 先に在庫を見る

同じブランドで前に作った絵・動画があれば、まずそれを使う（ブランドごとの素材在庫表 ASSETS.md を見る・新しく作ったら追記する）。 生成が要る時は、作る前に「画像◯枚・動画◯本・約◯クレジット」を一言伝える。今回の実績：画像61枚で約15、Grok動画61本で約265。

1. 歌詞（lyrics.md）— reference/lyrics.md の型

• VSLの流れを段落ごとに歌う。韻は踏まない。参考と1対1の運び： 専門職の語り出し → 定番を「ちがいます」×3 → もっと大事なこと → 原因は思われている所にない → 体の中の味方と悪役 → 昔はうまくいっていた → 今は悪役が勝っている → 困るのはここから（放置の連鎖）→ 売り場は同じ物ばかり → でも変わった（解決）→ 記事へ（登録不要）→ 在庫 →「もう〜しなくていい」×3 →「だいじょうぶ。下をタップ」
• 全部ひらがな。数字もひらがな（Sunoは漢字と数字で崩れる）。
• 商品名は歌わない（画面のラベルで出す）。金額なし。約束は商品ページの範囲。
• 見せてから作曲する。

2. 歌（Suno・Playwright）

• ログインだけ本人。あとは suno.com/create?mode=CUSTOM に歌詞・Style・Title を流し込んで Create。
• Style（当たり）：1930s vintage upbeat jazz, old cartoon soundtrack, swing, clarinet, muted trumpet, ragtime piano, brushed snare, upright bass, warm female vocal, Japanese, clear diction, storytelling sung melody
• 1回で2曲出る。両方 whisper で全文起こして歌詞と照合し、崩れていない方を採る。
• ダウンロードは曲ページの More options → Download → MP3 →「Unlock & Download」（無料枠を1回使う）。cdn1.suno.ai は403、再生用のm4aは暗号化。ブラウザ内のblobを抜いて回数を回避するのはやらない。
• song/song.mp3 に置く。

3. テロップ文（captions.txt）

• 歌詞の1段落＝1行。行の中を / で区切る（1かたまり＝画面に1回出る文字。12字前後まで）。
• 漢字かな混じりの読みやすい日本語に直す（歌詞はひらがなでもテロップは普通の表記）。
• 2行で出したい所は |（例：下のボタンから|記事を読む）。

4. 1文字単位の時刻合わせ

uv run --python 3.12 --with openai-whisper python $S/scripts/align.py $AD

→ $AD/cap_events.json（かたまりごとの 出る秒・消える秒）と $AD/line_starts.json（各行の歌い出し）。

• whisper-cli の行単位の時刻は使わない。イントロ（歌のない頭の数秒）を0秒から歌っている扱いにし、行の中も均等割りになるので、テロップが「歌ってないのに進む」。
• 歌の止まっている間（0.8秒以上）はテロップを消す。
• 一致率が80%を切ったら、歌が崩れているか captions.txt が歌詞とずれている。

5. 場面割り（shots.py）

• STYLE（全カット共通の絵柄の文）と SHOTS = [(行番号, その行の何カット目, 場面, 動き), ...]。
• 1カット2〜5秒。長い行は2〜3カットに割る。3分半で約60カット。
• 長尺は全部を動画にしない：静止画をゆっくり寄せるカットを半分混ぜると、動画生成が半分で済む。
• キャラ：先生（ボブ・エプロン）／ママ（低いお団子・ストライプ）／子ども（おかっぱ）／体の中の伝令2人（縞のつなぎ・帽子）／悪役（黒い丸・角・スポンジとストロー）／商品（実物の柄）。

6. キャラ表とキーフレーム（Higgsfield gpt_image_2_5・9:16・1枚0.25）

• まずキャラ表を1枚作り、以後の全カットに キャラ表＋参考の1コマ の2枚を image_references で渡す。
• 文頭に STYLE：black and white 1930s rubber-hose cartoon, thick clean ink lines, cross-hatching, grayscale only, vintage Fleischer-era look, slightly grainy film, soft dark round vignette, no text。
• python3 $S/scripts/make_reqs.py $AD image → 12件ずつ generate_image_batch。
• 子どもは服を着せる（下着・おむつ姿は nsfw で落ちる）。参考の1コマに下着が写っているとそれだけで落ちる。
• 商品は実物の柄をプロンプトに書く（存在しない柄が出たら作り直し）。
• 全部をコンタクトシートで見る：絵柄・文字なし・キャラ表どおり。

7. 動画化（Grok Imagine grok_video_v15_lite・720p・start_image のみ・1秒≒1クレジット）

• python3 $S/scripts/make_reqs.py $AD video → 12件ずつ generate_video_batch。長さは担当区間＋0.5秒（3〜8秒）。
• プロンプトは「この絵を動かす：<動き>。同じ絵柄・構図・キャラのまま、弾むラバーホースの動き、フィルムのちらつき、カメラ固定、カットなし、新しい文字なし」。
• 落ちた時に preset が返ってきたら declined_preset_id を params に入れて出し直す。
• 終わりのコマを全部並べて見る。 商品が横を向く・回ると柄が崩れる → 崩れる前の秒までだけ使う（SRC_MAX）か、正面の部分を往復させる。

8. 背景の書き出し（文字なし）

python3 $S/scripts/bg.py $AD          # → $AD/bg.mp4（1080x1920・30fps）と shot_starts.json

• カットの切り替えは各行の歌い出しに合わせる（line_starts.json）。最初のカットは0秒から。
• 歌のない頭のイントロは、強い場面（悪役・大洪水・ハンコで潰す等）を速く切って埋める案もある。

9. Remotion（$AD/remotion）

• public/bg.mp4（背景）・public/song.mp3・src/data.json を置く： python3 $S/scripts/make_data.py $AD --hook-end 29.3 --cta 192.9 --brand 44,46,47,50 --hook-top "トイトレ中のママへ" --hook-main "オムツが外れない" --hook-mark "本当の理由" --brand-name "<商品名>" --keys "<黄色にする決め言葉,カンマ区切り>"
• 載せる物（src/SongAd.tsx）：
  • 上のフック：紙のカード（黒い太枠・ずらした影・少し傾き）で「誰向けか＋何の話か」を最初の1秒で分からせる。例「トイトレ中のママへ／オムツが外れない本当の理由」。
  • テロップ：黒い角丸に白い太字、ポンと弾んで出る。決め言葉だけ黄色（白黒の中の唯一の色）。
  • 商品名ラベル：商品が出るカットだけ上に小さく。
  • CTA：最後の「下をタップ」から終わりまで、黄色い矢印3段が下へ流れて弾む＋「下のボタンから|記事を読む」。
• 書き出し（このMacはヘッドレスChromeが単体で落ちる → chrome-wrap.sh、サンドボックス外）：

cd $AD/remotion && NODE_USE_ENV_PROXY=1 npx remotion render src/index.ts SongAd out/<広告ID>.mp4 --browser-executable=./chrome-wrap.sh --concurrency=6 --crf=20

• 納品は -crf 23 -movflags +faststart で再エンコード（白黒の粒子で重い。3分半で約200MB）。

10. 検品（openの前に必ず）

• 約1秒おき24コマのコンタクトシートを読む：テロップが歌とずれていない／歌のない所で出ていない／商品の柄が崩れていない／CTAの矢印が画面内に収まっている／余計な文字がない。
• 最初の3秒だけ別に見る（フックが一目で分かるか）。
• HTMLのプレビューページを作って open。広告名は AdLab の発行名（H-XXX-000a）をファイル名にそのまま使う。

ハマった所（今回の実測）

• テロップが冒頭からずれる：歌い出しは4.9秒だったのに whisper-cli は0秒からとした → align.py（openai-whisper の word_timestamps＋difflib で文字合わせ）で解決。
• キーフレームの nsfw：下着姿の子ども・参考画像の下着 → 服を着せる／参考は絵柄の文で言う。
• 商品が回って崩れる：Grok はよく横を向く。正面の秒だけ使う。
• 作りすぎ：画像61枚＋動画61本を1本で使った。次は在庫と静止画の寄りで半分にする。
• 長い最後の文字が1字だけ次の行に落ちる → | で行を指定する。

関連：reference/lyrics.md（歌詞の型と実例）、/zackd-ad（3Dアニメ型）、AdLab（作る前に仮説を登録）。