Hermes Agent Wiki 非公式・日本語wiki

動画生成プロバイダプラグインを作る

目次

動画生成プロバイダプラグインは、video_generate ツールの呼び出しをすべて引き受けるバックエンドを登録します。組み込みのプロバイダ(xAI、FAL、DeepInfra)もプラグインとして同梱されています。新しいものを足したい場合も、同梱のものを差し替えたい場合も、plugins/video_gen/<name>/ にディレクトリを 1 つ置くだけです。

1 つのツールで 2 つのモダリティを扱う

video_generate ツールは、パラメータ 1 つで 2 つのモダリティを使い分けます。

  • テキストから動画prompt だけを指定して呼び出します。プロバイダはテキストから動画を作るエンドポイントへ振り分けます。
  • 画像から動画promptimage_url を指定して呼び出します。プロバイダは画像から動画を作るエンドポイントへ振り分けます。

編集や拡張は、あえて対象外にしています。対応していないバックエンドが多く、揃わないままにするとバックエンドごとの説明文をエージェントのツール説明に書き込むはめになるからです。

見つけ方

Hermes は動画生成のバックエンドを次の 3 か所から探します。

  1. 同梱<repo>/plugins/video_gen/<name>/kind: backend として自動で読み込まれます)
  2. ユーザー~/.hermes/plugins/video_gen/<name>/plugins.enabled で自分から有効にします)
  3. Piphermes_agent.plugins のエントリポイントを宣言したパッケージ

各プラグインの register(ctx) 関数が ctx.register_video_gen_provider(...) を呼びます。実際に使うプロバイダは config.yamlvideo_gen.provider で決まります。hermes tools の Video Generation から選べば、その場で案内が出ます。image_generate と違って、こちらにはツリー内に残った古いバックエンドはなく、どのプロバイダもプラグインです。

ディレクトリ構成

plugins/video_gen/my-backend/
├── __init__.py      # VideoGenProvider subclass + register()
└── plugin.yaml      # Manifest with kind: backend

VideoGenProvider の抽象基底クラス

agent.video_gen_provider.VideoGenProvider を継承します。必須なのは name プロパティと generate() メソッドです。

# plugins/video_gen/my-backend/__init__.py
from typing import Any, Dict, List, Optional

from agent.video_gen_provider import (
    VideoGenProvider,
    error_response,
    success_response,
)

class MyVideoGenProvider(VideoGenProvider):
    @property
    def name(self) -> str:
        return "my-backend"

    @property
    def display_name(self) -> str:
        return "My Backend"

    def is_available(self) -> bool:
        return bool(os.environ.get("MY_API_KEY"))

    def list_models(self) -> List[Dict[str, Any]]:
        # Each entry is a model FAMILY — a name the user picks once.
        # Your provider's generate() routes within the family based on
        # whether image_url was passed.
        return [
            {
                "id": "fast",
                "display": "Fast",
                "speed": "~30s",
                "strengths": "Cheapest tier",
                "price": "$0.05/s",
                "modalities": ["text", "image"],  # advisory
            },
        ]

    def default_model(self) -> Optional[str]:
        return "fast"

    def capabilities(self) -> Dict[str, Any]:
        return {
            "modalities": ["text", "image"],
            "aspect_ratios": ["16:9", "9:16"],
            "resolutions": ["720p", "1080p"],
            "min_duration": 1,
            "max_duration": 10,
            "supports_audio": False,
            "supports_negative_prompt": True,
            "max_reference_images": 0,
        }

    def get_setup_schema(self) -> Dict[str, Any]:
        return {
            "name": "My Backend",
            "badge": "paid",
            "tag": "Short description shown in `hermes tools`",
            "env_vars": [
                {
                    "key": "MY_API_KEY",
                    "prompt": "My Backend API key",
                    "url": "https://mybackend.example.com/keys",
                },
            ],
        }

    def generate(
        self,
        prompt: str,
        *,
        model: Optional[str] = None,
        image_url: Optional[str] = None,
        reference_image_urls: Optional[List[str]] = None,
        duration: Optional[int] = None,
        aspect_ratio: str = "16:9",
        resolution: str = "720p",
        negative_prompt: Optional[str] = None,
        audio: Optional[bool] = None,
        seed: Optional[int] = None,
        **kwargs: Any,  # always ignore unknown kwargs for forward-compat
    ) -> Dict[str, Any]:
        # ROUTE: image_url presence picks the endpoint.
        if image_url:
            endpoint = "my-backend/image-to-video"
            modality_used = "image"
        else:
            endpoint = "my-backend/text-to-video"
            modality_used = "text"

        # ... call your API ...

        return success_response(
            video="https://your-cdn/output.mp4",
            model=model or "fast",
            prompt=prompt,
            modality=modality_used,
            aspect_ratio=aspect_ratio,
            duration=duration or 5,
            provider=self.name,
        )

def register(ctx) -> None:
    ctx.register_video_gen_provider(MyVideoGenProvider())

プラグインのマニフェスト

# plugins/video_gen/my-backend/plugin.yaml
name: my-backend
version: 1.0.0
description: "My video generation backend"
author: Your Name
kind: backend
requires_env:
  - MY_API_KEY

video_generate のスキーマ

このツールのスキーマは、どのバックエンドでも同じ 1 つです。対応していないパラメータは、プロバイダ側が読み飛ばします。

パラメータ 何をするか
prompt 文章での指示(必須)
image_url 指定すると画像から動画、省くとテキストから動画になります
reference_image_urls 画風や登場人物の参考画像(対応はプロバイダ次第)
duration 秒数。範囲はプロバイダが丸めます
aspect_ratio "16:9""9:16""1:1" など。範囲はプロバイダが丸めます
resolution "480p" / "540p" / "720p" / "1080p"。範囲はプロバイダが丸めます
negative_prompt 出したくない内容(Pixverse と Kling のみ)
audio 音声つきで生成します(Veo3 と Pixverse の該当プラン)
seed 同じ結果を再現するための値
model 使用中のモデルやファミリーを上書きします

このうちどれが実際に効くかは、プロバイダの capabilities() が伝えます。エージェントは使用中のバックエンドの対応内容をツール説明として受け取り、hermes tools でバックエンドを変えると、その説明もその場で組み直されます。

モデルファミリーとエンドポイントの振り分け(FAL のやり方)

FAL のように、1 つの「モデル」に複数のエンドポイントがあるバックエンド、つまりどのファミリー(Veo 3.1、Pixverse v6、Kling O3)にも /text-to-video/image-to-video の両方の URL があるような場合は、ファミリーごとにカタログの項目を 1 つ用意します。generate() は、image_url が渡されたかどうかで使うエンドポイントを選びます。

FAMILIES = {
    "veo3.1": {
        "text_endpoint": "fal-ai/veo3.1",
        "image_endpoint": "fal-ai/veo3.1/image-to-video",
        # ... family-specific capability flags ...
    },
}

def generate(self, prompt, *, image_url=None, model=None, **kwargs):
    family_id, family = _resolve_family(model)
    endpoint = family["image_endpoint"] if image_url else family["text_endpoint"]
    # ... build payload from family's declared capability flags, call endpoint ...

利用者は hermes toolsveo3.1 を一度選ぶだけです。エージェントはエンドポイントを気にすることなく、image_url を渡すか渡さないかだけを決めます。

どれが優先されるか

呼び出しごとのモデル指定は、次の順で決まります(plugins/video_gen/fal/__init__.py を参照してください)。

  1. ツール呼び出しでの model= キーワード
  2. 環境変数 <PROVIDER>_VIDEO_MODEL
  3. config.yamlvideo_gen.<provider>.model
  4. config.yamlvideo_gen.model(その値が自分の ID のどれかと一致する場合)
  5. プロバイダの default_model()

返す形

success_response()error_response() が、どのバックエンドでも共通の辞書の形を作ります。自分で辞書を組み立てず、この 2 つを使ってください。

成功時のキーは successvideo(URL か絶対パス)、modelpromptmodality"text""image")、aspect_ratiodurationprovider、それに extra です。

エラー時のキーは successvideo(None)、errorerror_typemodelpromptaspect_ratioprovider です。

生成物の置き場所

バックエンドが base64 を返す場合は、save_b64_video()$HERMES_HOME/cache/videos/ の下に書き出します。あとから HTTP で取得した生のバイト列なら save_bytes_video() を使います。それ以外は上流の URL をそのまま返してかまいません。リモートの URL は、受け渡しのときにゲートウェイが解決します。

テスト

tests/plugins/video_gen/test_<name>_plugin.py に軽い動作確認のテストを置きます。xAI と FAL のテストがお手本です。登録し、カタログを確かめ、image_url ありとなしの両方で振り分けを動かし、認証情報がないときにきちんとエラーを返すことを確認します。