--- license: "MIT. Translation of the Hermes Agent documentation, Copyright (c) 2025 Nous Research. See https://wiki.winsmux.dev/hermes/licenses.txt" title: "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る" description: "台本と画像から、検証済みの AI プレゼンター動画を作る" upstream_path: user-guide/skills/optional/creative/creative-ai-presenter-video.md upstream_blob: 5918dec49904c7bb3975430b94d68303b4be95e4 sources: - https://hermes-agent.nousresearch.com/docs/user-guide/skills/optional/creative/creative-ai-presenter-video --- # Ai Presenter Video {#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 {#skill-metadata} | | | |---|---| | 提供元 | 追加で入れるもの — `hermes skills install official/creative/ai-presenter-video` で導入します | | パス | `optional-skills/creative/ai-presenter-video` | | バージョン | `1.0.0` | | 作者 | cclank (https://github.com/cclank/lanshu-create-ai-presenter-video)、Hermes Agent が移植 | | ライセンス | MIT | | 対応プラットフォーム | linux, macos | | タグ | `video`, `presenter`, `avatar`, `lipsync`, `tts`, `captions`, `creative` | | 関連 skill | [`hyperframes`](/hermes/docs/user-guide/skills/optional/creative/creative-hyperframes/), [`kanban-video-orchestrator`](/hermes/docs/user-guide/skills/optional/creative/creative-kanban-video-orchestrator/), [`comfyui`](/hermes/docs/user-guide/skills/optional/creative/creative-comfyui/) | ## 参考: SKILL.md 全文 {#reference-full-skillmd} :::info 以下は、この skill が呼び出されたときに Hermes が読み込む skill 定義の全文です。skill が有効なあいだ、エージェントはこれを指示として受け取ります。 ::: # AI Presenter Video {#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） {#hermes-adaptations-read-first} - **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 `${HERMES_SKILL_DIR}` をこの skill の導入先 ディレクトリに展開するので、以下のコマンドはすべてこのトークンをそのまま使います。 ```bash SKILL_DIR="${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 {#workflow} 1. **ジョブを始めるか、再開します。** 新しいジョブの場合: ```bash python3 "$SKILL_DIR/scripts/init_job.py" \ --job-dir ~/Videos/my-presenter-video \ --presenter-image /path/to/presenter.png \ --topic "explain context engineering in one minute" \ --duration 60 --aspect 9:16 \ --rights-confirmed --adult-presenter-confirmed ``` 既存の台本ファイルを使うときは `--script` を指定します。ほかのフラグは `--voice-sample`、 `--supporting-media`、`--width`、`--height`、`--fps`、`--watermark`、 `--cta` です。既存のジョブでは、`job.json` と品質確認のレポートを読み、 終わっていない最も早い状態から再開します。受け入れ済みの成果物は決して作り直しません。 2. **入力を人の目で確認します。** プレゼンター画像を実際に見て （`vision_analyze`）、音声サンプルがあれば聞きます。わかったことは `job.json` の `manual_input_review` の真偽値に記録します。たとえば次のとおりです。 ```bash python3 - <<'PY' import json p = "~/Videos/my-presenter-video/job.json" # expand ~ or use an absolute path import os; p = os.path.expanduser(p) j = json.load(open(p)) j["manual_input_review"].update(image_viewed=True, single_clear_face=True, image_has_no_unwanted_text=True) json.dump(j, open(p, "w"), indent=2) PY ``` 続けて、関門を通します。 ```bash python3 "$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。 3. **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。 4. **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。 5. **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。 6. **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 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） {#operating-rules-non-negotiable} - 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 {#defaults-for-minimal-input} 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 {#reference-routing} - `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 {#pitfalls} - `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 {#verification} 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。