analyze-video-editing

動画編集を分析する

完成した動画がどのように注意を引き、感情を生み、勢いを作り出しているかを調べます。映像を単なるカットの羅列ではなく、映像、音声、話し言葉、タイポグラフィ、構成が同期したものとして捉えてください。

SKILL_DIR に、このファイルを含むディレクトリの絶対パスを設定します。ユーザーが分析結果を編集に反映したい場合は、隣接する video-editing スキルを使用します。

まず、確認できるソースを用意する

ローカルファイルの場合：

uv run "$SKILL_DIR/scripts/video_analyzer.py" analyze \
  /path/to/video.mp4 \
  --work-dir /path/to/analysis \
  --subtitles /path/to/captions.vtt

公開 URL の場合は、形式を選択する前にダウンローダーが返す実際のメタデータを確認してください。フィールドやストリームの有無を推測しないでください：

uvx --from yt-dlp yt-dlp --dump-single-json --no-playlist URL > source.json
uvx --from yt-dlp yt-dlp --no-playlist \
  -f 'bv*[height<=1080]+ba/b[height<=1080]' \
  --merge-output-format mp4 -o 'source.%(ext)s' URL

字幕をダウンロードできる場合は、ダウンロードしてください。ダウンロードの権利やサイトへのアクセス可否が不明な場合は、ローカルコピーをユーザーに依頼してください。

動画が長い場合は、まず代表的な範囲を分析してください：

uv run "$SKILL_DIR/scripts/video_analyzer.py" analyze source.mp4 \
  --work-dir analysis-first-three-minutes --start 0 --end 180 \
  --subtitles source.en.vtt --ocr

スクリプトは次のものを書き出します：

• analysis.json：プローブで取得した情報、ショットの境界、黒味と静かな区間、音声レベル、ビートの推定値、トランスクリプトの手がかり、動きの推定値、OCR 候補。
• timeline.md：簡潔なエビデンス表。
• contact-sheet.jpg：指定範囲における視覚的リズム。
• frames/：代表的なショットのフレーム。
• strips/：主要なカット、黒味の区間、その他のイベント周辺の高密度フレーム。

シーン検出、オプティカルフロー、ビートトラッキング、OCR は候補を生成するためのものです。動画をスクラブして確認する手間を減らしますが、視聴や編集上の判断に取って代わるものではありません。

サウンドデザイン、音楽の連続性、効果音が重要な場合は、意味に基づく聴取と信号のエビデンスを組み合わせてください：

python3 "$SKILL_DIR/scripts/audio_listener.py" \
  source.mp4 \
  --work-dir analysis/audio-movement \
  --start 60 --end 172 --mode movement

この任意コマンドは、音声を直接抽出し、スペクトログラムを生成し、0.5 秒単位のラウドネスを測定します。また、--prepare-only が指定されていない場合は、Gemini に編集向けのサウンド分析を依頼します。GEMINI_API_KEY は環境から読み取り、コマンドライン引数で認証情報を受け取ることはありません。カット、音声の途切れ、黒味の区間、またはフェードの可能性がある箇所を集中的に高感度で分析するには、--mode transition を使用してください。

静かな素材に対するモデルの分類を採用する前に、references/audio-and-timing.md を読んでください。

3 つの層で分析を組み立てる

次のラベルを明示してください：

1. 測定値： タイムスタンプ、ショットの長さ、ハードカットのスコア、黒味のフレーム、無音、音声レベル、検出されたビート、トランスクリプトの語句、OCR のバウンディングボックス。
2. 観察内容： 構図、被写体、カメラの動き、照明、レンズの印象、テキストの処理、演技、B ロールまたはインタビュー形式と思われるもの。
3. 解釈： 緊張、解放、強調、コントラスト、物語上の役割、または並置が機能する理由。

動きの分類器や音楽の推定を確実なものとして提示しないでください。推論に基づく場合は、「手持ち撮影のように見える」「音楽が再び入る可能性が高い」のように述べてください。

同期した各レイヤーを分析する

重要なビートごとに、次の点を確認してください：

• 映像： 何が映っていますか？ カットで何が変わりますか？ フレーミングはワイド、ミディアム、クローズアップ、インサート、それとも抽象的なものですか？
• カメラ： 固定、ロックオフ、手持ち、スタビライズされた歩行撮影、パン、ティルト、プッシュイン、プルアウト、ラックフォーカスですか？ それとも固定フレーム内で被写体が動いていますか？
• 編集： ハードカット、マッチカット、ジャンプカット、暗転、フェード、ディゾルブ、速度変化、モンタージュですか？ それとも、ひときわ長いホールドですか？
• 話し言葉： ここで印象に残るセリフは何ですか？ 次の映像は文字どおりの描写、コントラスト、リアクション、またはトーンの対比のどれですか？
• 音声： セリフ、ルームトーン、環境音、効果音、スコア、パルス、無音のどれですか？ 映像の編集前後で、何が入り、何が抜け、音量がどう変化しますか？
• タイポグラフィ： 字幕、章タイトル、クレジット、ラベル、グラフィックのモチーフのどれですか？ 位置、サイズ、色、大文字・小文字、表示時間、出現の仕方、映像を隠すか補完するかを記録してください。
• 機能： フック、エスカレーション、状況説明、リセット、主題の提示、証明、キャラクター紹介、モンタージュ、トランジション、ペイオフのどれですか？

分析レポートで使う用語については references/editorial-analysis.md、サウンドに基づく分析については references/audio-and-timing.md を読んでください。

2 つのスケールで報告する

次の両方を作成します。

• 最も学びの多いセクションを対象にしたミクロタイムライン。多くの場合、最初の 60～180 秒間における意味のある変化をすべて記録します。
• 映像全体を対象にしたマクロ文法。繰り返し登場するショットの種類、平均ショット長、インタビューと B ロールのパターン、グラフィックのシステム、音楽の展開、章の切り替え、エスカレーションの戦略を記録します。

有用な合成行の例：

01:03.875–01:06.167 | hard cut | handheld exterior insert |
score re-enters and beat becomes explicit | large chapter title fills frame |
turns a reflective line into a formal chapter launch

文章では、根拠のない過度な精密さを避けます。根拠を示す表ではフレーム単位の正確な数値を使い、説明では読みやすい mm:ss のタイムスタンプを使います。

分析結果を再利用可能な学びに変える

模倣ではなく、原則を抽出します。それぞれの手法について、次の内容を示します。

• それによって解決する視聴者の課題。
• 効果を発揮するための前提条件。
• コストまたはリスク。
• 異なる題材に応用する方法を 1 つ。

例：「4 秒間のブラックアウトがここで効果を発揮するのは、冒頭の展開で緊張感が高まり、環境音が続くことで、リセットが動画の終了のように感じられないためです。」

ユーザーが結果を応用したい場合は、証拠と選定した原則を find-broll スキルに渡してカットアウェイの素材を探し、その後 video-editing に渡して制作を進めます。参照映像の正確なタイミング、フォント、トランジションをデフォルトとして設定しないでください。

品質基準

• 代表的なフレームとイベントストリップを自分で確認します。
• 言い回しが編集に影響する場合は、映像と照合して文字起こしを確認します。
• フラッシュ、大きなタイトル、カメラの急なパンによって誤検出されたカットがないか確認します。
• 元映像に含まれる字幕と、プラットフォーム上の字幕を区別します。
• 音については、証拠で裏付けられる範囲でのみ説明します。
• キューの識別には長いコンテキストでの意味的なリスニングを優先し、その後、切り替わり付近を重点的に確認します。
• 無音、環境音、音楽の終わり、フェードについて、スペクトログラムとラウドネストレースを使って確認します。
• レポートで公開ソースに言及する場合は、そのソースを引用します。
• ダウンロードした参照メディアを再配布しないでください。