Ai Presenter Video

台本と画像から、検証済みの AI プレゼンター動画を作ります。

skill の情報

参考: SKILL.md 全文

AI Presenter Video

テーマ（または完成した台本）と、使用許諾のある成人プレゼンターの画像 1 枚から、 そのまま公開できるプレゼンター主導の動画を仕上げます。確定したナレーション、 リップシンクの品質確認つきのアバター生成、字幕、決定的な編集、ラウドネスを 正規化したマスター版と共有版のエンコード、機械と目視による受け入れレポートまでを含みます。

この skill は、新しいプレゼンター動画を作るときにも、既存のプレゼンター動画ジョブを 続ける・修正する・字幕を付ける・リップシンクを直す・書き出し直すときにも使います。 ワークフローは特定のプロバイダーに依存しません。生成に使う機能は、そのセッションで 実際に使えるものから選びます（image_generate と動画生成プラグイン経由の FAL の動画・画像モデル、 text_to_speech による TTS、whisper/STT ツールによる音声認識、決定的な処理はすべて ffmpeg）。

> cclank/lanshu-create-ai-presenter-video（MIT）からの移植です。上流の本文は > 実質そのまま references/ に残し、Hermes 向けの調整は > このハブファイルに置いています。スクリプトは決定的です（ネットワークも認証情報も使いません）。

Hermes 向けの調整（最初に読む）

• skill ディレクトリの解決 — 上流では、自分のエージェントの skills パスを直書きしていました。

Hermes ではローダーが ${HERMES_SKILL_DIR} をこの skill の導入先 ディレクトリに展開するので、以下のコマンドはすべてこのトークンをそのまま使います。

SKILL_DIR="${HERMES_SKILL_DIR}"

シェル変数はツール呼び出しをまたいで残りません。使うターミナル呼び出しのたびに、 この代入（または展開済みのパス）を貼り直してください。

• 機能の対応づけ — references に「音声生成の機能」とあれば、

text_to_speech（ユーザー設定に応じて OpenAI/Edge/ElevenLabs）を使います。 「プレゼンター/アバター生成」は、設定済みの動画ツール経由の FAL image-to-video 系 （Kling、Wan、MiniMax H3 など）か、ユーザーが使えるアバター/リップシンクの エンドポイントです。「単語タイムスタンプつき ASR」は STT ツール経由の whisper か、 venv に入れた faster-whisper です。「決定的なコンポジター」は ffmpeg の フィルターグラフか、導入済みなら hyperframes skill です（編集の references にある HyperFrames の節がそのまま対応します）。

• 目視の品質確認 — 「通常速度での目視確認」の手順は、

生成したコンタクトシートと抜き出したフレームを vision_analyze で見て行います （同一人物か、口の動きのタイミング、手、まばたき、つながり）。数値の確認は スクリプトが出す ffprobe の結果で行います。

• 有料生成の同意 — リモートでのアバター生成や TTS 生成は課金されます。

上流の運用ルールに従い、最初の有料呼び出しの前に、アップロードする素材、 依頼する秒数、わかっている費用、試作の規模、再試行の上限を伝え、 ユーザーの明確な了承を得てください。job.json の remote_upload_approved が true になるまで、プレゼンター画像をリモートのプロバイダーにアップロードしてはいけません。

• 同意フラグは input の下にある — rights_confirmed、

adult_presenter_confirmed、remote_upload_approved、 voice_clone_approved は job.json の input オブジェクトの中にあります（init の フラグで設定されます。手で編集するときは、ジョブのルートではなく input.* を対象にします）。 manual_input_review.* はルートにあります。preflight.py は、 errors（すべてを止める）と remote_blockers（リモート生成だけを止める）を区別します。 リモートが止められていても、ローカルの台本や音声の作業は進めてかまいません。

ワークフロー

1. ジョブを始めるか、再開します。 新しいジョブの場合:

python3 "$SKILL_DIR/scripts/init_job.py" \
  --job-dir ~/Videos/my-presenter-video \
  --presenter-image /path/to/presenter.png \
  --topic "explain context engineering in one minute" \
  --duration 60 --aspect 9:16 \
  --rights-confirmed --adult-presenter-confirmed

既存の台本ファイルを使うときは --script を指定します。ほかのフラグは --voice-sample、 --supporting-media、--width、--height、--fps、--watermark、 --cta です。既存のジョブでは、job.json と品質確認のレポートを読み、 終わっていない最も早い状態から再開します。受け入れ済みの成果物は決して作り直しません。

1. 入力を人の目で確認します。 プレゼンター画像を実際に見て

（vision_analyze）、音声サンプルがあれば聞きます。わかったことは job.json の manual_input_review の真偽値に記録します。たとえば次のとおりです。

python3 - <<'PY'
import json
p = "~/Videos/my-presenter-video/job.json"  # expand ~ or use an absolute path
import os; p = os.path.expanduser(p)
j = json.load(open(p))
j["manual_input_review"].update(image_viewed=True, single_clear_face=True,
                                image_has_no_unwanted_text=True)
json.dump(j, open(p, "w"), indent=2)
PY

続けて、関門を通します。

python3 "$SKILL_DIR/scripts/preflight.py" ~/Videos/my-presenter-video/job.json

ok: true のときだけ先に進み、リモート生成は remote_ready: true のときだけ行います。注意: preflight は job.json もその場で書き換えます （レポートのパスを記録します）。実行したら、古いコピーを編集せずに 読み直してください。

1. 内容と音声を確定します — references/generation.md を読みます。台本 →

text_to_speech でナレーション全体を作る → ASR でナレーションを 台本と照合する → 実際の長さを記録する、の順です。確定した音声が、以降のすべての基準となる時計になります。

1. プレゼンターを計画し、生成します — references/generation.md を読みます。

まず短く安い試作を作り、同一人物かどうかと口の動きのタイミングの確認に 試作が通ってから本番を回します。

1. 編集します — references/editing.md を読みます。確定した音声に合わせた

決定的なタイムラインで組みます。字幕とキーワードの強調表示は、音声と映像素材が 確定してから入れます。

1. 検証して納品します — references/qa-recovery.md を読み、レンダリングしてから次を実行します。

bash "$SKILL_DIR/scripts/finalize_delivery.sh" \
  ~/Videos/my-presenter-video/renders/rendered.mp4 \
  ~/Videos/my-presenter-video/outputs my-video

この仕上げスクリプトは、縦横比を保ったまま 2 パスのラウドネス正規化 （番組全体で約 −16 LUFS）を行い、マスター版と共有版をエンコードし、両方がデコードできるかを確かめ、 納品レポートの JSON を書き出し、9 コマのコンタクトシートを出力します。 完成と言う前に、コンタクトシートを vision_analyze で確認してください。

運用ルール（譲れないもの）

• 画像の権利、成人であること、リモートへのアップロードの承認、

声のクローンの許可は、それぞれ該当するリモート操作の前に確認します。

• 画像から実在の人物の声を推測したり、クローンしたりしません。許可を得た

サンプルか、既製の TTS 音声を使います。

• プレゼンターの生成、字幕のタイミング、最終的なシーンの区切りより前に、

ナレーション全体を確定させます。

• 最終的な合成では動画素材の音を消します。音を持つのは、承認済みのナレーションと

意図して入れたミックス用のトラックだけです。

• プロバイダーへのリクエスト本文とタスク ID を保存します（認証情報と期限つきの

URL は除きます）。中断した作業は、送り直す前に状態を問い合わせます。二重課金を避けるためです。

• 有料の候補が 3 回却下されたら止め、失敗の傾向をまとめます。
• 最終ファイルが最後までデコードでき、コンタクトシートか通しの再生を

確認するまでは、完成と言いません。

最小限の入力のときの既定値

9:16、1080×1920、30fps。テーマから作る動画は 45〜75 秒を目安にします。許可を得た サンプルがなければ既製の音声を使います。構成はプレゼンター主導で、つかみ → 2〜4 個の要点 → 締めです。 音楽や CTA は頼まれない限り入れません。言語は依頼から判断します。

references の案内

• references/generation.md — 受け付け、内容、声、使う機能の選び方、

プレゼンターのプロンプト、有料生成、プロバイダーの変更。

• references/editing.md — タイムラインの取り決め、冒頭と締め、字幕、

キーワード強調表示のプリセット、HyperFrames での合成、書き出し。

• references/qa-recovery.md — 技術的な受け入れ、目視での受け入れ、そして

リップシンク・同一人物・手・露出・フリーズ・字幕・音声の不具合からの立て直し。

落とし穴

• preflight.py には ffprobe が必要です。何も入っていない環境では先に ffmpeg を入れてください。
• init のフラグで設定される同意の真偽値は input.* の下に入ります。これを

job-json のルートで編集しても何も起きず、エラーも出ません（preflight は止めたままです）。

• finalize_delivery.sh には bash と jq と awk、そして最後までデコードできる入力が必要です。

途中で切れたレンダリングがデコード確認で落ちるのは、偶然ではなく意図した設計です。

• 長いアバター映像はずれていきます。章ごとに何本も生成し直すより、ひと続きの

プレゼンター素材を 1 本作って音声のタイムラインに沿って切り分けるほうを選びます （生成し直すたびに別人のように変わっていくことが、目視の品質確認で最も多い失敗です）。

• FAL の i2v エンドポイントには長さの上限があります（多くは 5〜15 秒）。それに合わせて

章単位のプレゼンター区間を計画し、エンドポイントが対応していれば、一貫性のために 試作の seed とパラメーターを使い回します。

検証

実際に動かして確認済みです（2026 年 8 月）。init_job.py → 状態遷移の正しい job.json が できました。preflight.py は未確認の入力で正しく止まり、確認の真偽値を立てると ok: true に切り替わり、input.remote_upload_approved が立つまで remote_ready: false を保ちました。finalize_delivery.sh は合成で作った 5 秒の 1080×1920 のレンダリングから、デコード確認済みのマスター版（631kbit/s）と共有版、 納品レポートの JSON、9 コマのコンタクトシートを出力し、終了コードは 0 でした。