anycap-media-production

AnyCap メディア制作

開始する前に、このファイル全体をお読みください。 画像、動画、音楽、音声にわたる制作ワークフロー全体を網羅しています。人間のフィードバックを受けた反復的な調整も含まれます。

AnyCap でメディアアセットを制作するためのワークフローガイドです。初回の生成から反復的な調整、納品まで、画像、動画、音楽、音声を扱います。

このスキルでは、メディアの制作方法を説明します。CLI コマンドとパラメーターについては、anycap-cli スキルをお読みください。

前提条件

AnyCap CLI がインストールされ、認証済みである必要があります。セットアップが必要な場合は、anycap-cli スキルをお読みください。

クイックリファレンス

メディア	生成	調整	一般的な所要時間
画像	anycap image generate	注釈＋画像から画像への変換	5～30秒
動画	anycap video generate	パラメーターを調整して再生成	30～120秒
音楽	anycap music generate	プロンプトを調整して再生成	30～90秒
音声	anycap audio generate	プロンプトまたは参照を調整して再生成	モデルによる

すべての生成コマンドは同じパターンに従います。

1. Discover models    anycap {cap} models
2. Check schema       anycap {cap} models <model> schema [--mode <mode>]
3. Generate           anycap {cap} generate --model <model> --prompt "..." -o output.ext

モデル ID は必ず最新のモデルカタログから選び、モデル固有のパラメーターを使用する前に、選択したモードのスキーマを確認してください。必ず説明的なファイル名を指定して -o を使用してください。

画像制作

テキストから画像への生成

テキストプロンプトから画像を生成します。

anycap image generate \
  --prompt "a cozy home office with a wooden desk, laptop, coffee cup, and plants by the window" \
  --model <model-id> \
  -o workspace-v1.png

画像から画像への変換（編集／変換）

参照画像を使って既存の画像を編集または変換するには、--mode image-to-image を使用します。

anycap image generate \
  --prompt "make it a watercolor painting" \
  --model <model-id> \
  --mode image-to-image \
  --param images=./photo.png \
  -o photo-watercolor.png

参照画像にはローカルパスまたは URL を指定できます。CLI が自動的にアップロードします。

複数の参照画像

スタイル変換、構図のブレンド、または被写体を基準にした生成のために、複数の参照画像を受け付けるモデルもあります。複数のファイルを渡すには、JSON 配列構文を使用します。

# Combine style from one image with composition from another
anycap image generate \
  --prompt "merge the architectural style of the first image with the color palette of the second" \
  --model <model-id> \
  --mode image-to-image \
  --param images='["./style-ref.png","./color-ref.png"]' \
  -o blended.png

# Mix local files and URLs
anycap image generate \
  --prompt "a portrait in the style of the reference images" \
  --model <model-id> \
  --mode image-to-image \
  --param images='["./local-ref.png","https://example.com/style-ref.jpg"]' \
  -o portrait-styled.png

ヒント：

• JSON 配列構文 '["path1","path2"]' を使用してください。--param images= を繰り返しても追記ではなく上書きされます。
• 配列内のローカルファイルパスは、単一ファイルモードと同様に自動アップロードされます。
• すべてのモデルが複数の参照に対応しているわけではありません。事前にモデルスキーマを確認してください。非対応の場合、通常は最初の画像のみが使用されます。

注釈を使った反復的な調整

テキストプロンプトだけでは目的の編集を正確に伝えられない場合（「これを移動して」「特定のものを削除して」「この領域の色を変えて」など）は、注釈ワークフローを使用します。URL／動画のレビュー、ヘッドレスアクセス、録画の分析、複数ユーザーでの共同作業など、注釈の完全なガイドについては、anycap-human-interaction スキルをお読みください。

graph TD
    A[Start: concept or existing image] --> B{Have an image?}
    B -->|No| C[Generate initial image]
    B -->|Yes| D[Human annotates the image]
    C --> D
    D --> E[Build prompt from annotations]
    E --> F[Generate with image-to-image]
    F --> G[Show result to human]
    G --> H{Satisfied?}
    H -->|Yes| I[Done -- deliver final asset]
    H -->|No| D

ステップ 1：画像を生成するか、既存の画像を使用する

anycap image generate \
  --prompt "a landing page hero banner with mountains and sunrise" \
  --model <model-id> \
  -o banner-v1.png

ステップ 2：注釈を付ける

注釈ツールを開き、人間が領域を視覚的に指定し、希望する変更を説明できるようにします。必要に応じて、ナレーション付きのウォークスルーを録画することもできます。複数のユーザーが同じセッションでリアルタイムに共同作業できます。

エージェントのワークフローの場合（ノンブロッキング、推奨）：

anycap annotate banner-v1.png --no-wait -o banner-v1-annotated.png
# Returns: {session, url, poll_command, stop_command}

URL を人間に提示して、注釈を付けるよう依頼します。複数の人が同じ URL を開いて共同作業できます。人間が完了したことを確認したら、次のようにします。

# Fetch the result (single call, no loop)
anycap annotate poll --session <session_id>

# If recording exists, analyze it for visual understanding
anycap actions video-read --file .anycap/annotate/<session_id>/recording.webm \
  --instruction "Describe what changes the user wants"

# Clean up
anycap annotate stop --session <session_id>

対話型セッションの場合（人間が端末の前にいる場合）：

anycap annotate banner-v1.png -o banner-v1-annotated.png
# Blocks until Done click, outputs annotation JSON

注釈ツールでは、4 つのツールを使用できます。矩形（R）、矢印（A）、点（P）、フリーハンド（F）です。各注釈には番号付きマーカーとテキストラベルが付きます。

ステップ 3：注釈からプロンプトを作成する

注釈の出力には構造化データが含まれています。各ラベルを一貫性のあるプロンプトにまとめます。

{
  "annotations": [
    {"id": 1, "type": "rect", "label": "Replace with a standing desk"},
    {"id": 2, "type": "point", "label": "Add a cat sitting here"},
    {"id": 3, "type": "freehand", "label": "This area should be a bookshelf"}
  ]
}

プロンプト：「#1：机をスタンディングデスクに置き換える。#2：指定した位置に座っている猫を追加する。#3：輪郭で囲んだ領域を本棚に変える。ほかの要素はすべて変更しないでください。」

ルール：

• 各注釈は番号（#1、#2 など）で参照します
• 人間が付けたラベルの文言をそのまま含めます
• 変更しない領域を保つため、「ほかの要素はすべて変更しないでください」を追加します

ステップ 4：編集を適用する

参照画像には、（視覚的なマーカー付きの）注釈済み画像を使用します。

anycap image generate \
  --prompt "#1: Replace the desk with a standing desk. #2: Add a cat. Keep all other elements unchanged." \
  --model <model-id> \
  --mode image-to-image \
  --param images=./banner-v1-annotated.png \
  -o banner-v2.png

ステップ 5：反復

人間がさらに変更を希望する場合は、最新バージョンを入力として使用し、ステップ 2 から繰り返します。人間が比較して元に戻せるよう、ファイル名にバージョン（v1、v2、v3）を付けます。

画像のヒント

• 広く始めて、細かく調整します。 最初の生成で構図を決めます。注釈を使った反復で、対象を絞って調整します。
• 一度に一つずつ。 複数領域の編集結果がよくない場合は、1 回の処理につき注釈を 1 つだけ試します。
• 注釈付き画像のみを使用します。 参照画像として渡すのは注釈付き画像だけにします。ほとんどのモデルは番号付きマーカーを認識し、出力から削除します。

動画制作

テキストから動画を生成

anycap video generate \
  --prompt "a cat walking on the beach at sunset, cinematic, slow motion" \
  --model <model-id> \
  -o cat-beach.mp4

画像から動画を生成

静止画をアニメーション化します。

anycap video generate \
  --prompt "gentle camera pan across the landscape, wind blowing through trees" \
  --model <model-id> \
  --mode image-to-video \
  --param images=./landscape.png \
  -o landscape-animated.mp4

これは画像生成と組み合わせると強力です。最初に静止画を生成し、その後アニメーション化します。

動画制作のワークフロー

graph LR
    A[Text prompt] --> B[Generate image]
    B --> C{Animate?}
    C -->|Yes| D[image-to-video]
    C -->|No| E[Done]
    A --> F[text-to-video]
    F --> E
    D --> E

画像から動画を生成する場合、最良の結果を得るには次の手順に従います。

1. まず高品質の静止画を生成します（必要に応じて注釈を使って反復します）
2. 最終画像を動画生成の参照として使用します
3. 動画のプロンプトはシーンの説明ではなく、動きとカメラワークに絞ります

動画のヒント

• 動画の生成には 30～120 秒かかります。実行環境が対応している場合は、非同期実行を使用します。
• モデルのスキーマで、対応パラメーター（aspect_ratio、duration など）を確認します。
• モデルごとに得意なスタイルは異なります。anycap video models で利用可能なモデルを確認します。

音楽制作

テキストから音楽を生成

anycap music generate \
  --prompt "upbeat electronic track with synth leads and driving bass, 120 BPM" \
  --model <model-id> \
  -o background-track.mp3

音楽生成では、複数のクリップが返されることがあります。最初のクリップを取り出します。

anycap music generate --prompt "..." --model <model-id> -o track.mp3 \
  | jq -r '.outputs[0].local_path'

音楽のヒント

• プロンプトでは、ジャンル、テンポ、楽器、雰囲気を具体的に指定します。
• 音楽の生成には 30～90 秒かかります。可能な場合は非同期実行を使用します。
• スキーマでモデルのパラメーターを確認します。一部のモデルは duration、genre、tags に対応しています。

音声制作

音声生成では、テキストや参照メディアから生成する音声合成、会話、完成した音声シーンを扱います。シーンには声、BGM、環境音、効果音を組み合わせることができます。主な納品物が楽曲やインストゥルメンタルトラックの場合は、音楽機能を別途使用します。

# Discover live modes and controls first
anycap audio models <model-id> schema --mode text-to-audio

# Generate speech with supporting ambience from text
anycap audio generate \
  --prompt 'A calm narrator says: "Welcome to the evening program." Soft room ambience underneath.' \
  --model <model-id> \
  --mode text-to-audio \
  -o evening-introduction.mp3

# Guide a new voice performance with reference audio
anycap audio generate \
  --prompt "create a new spoken welcome with the reference delivery style" \
  --model <model-id> \
  --mode audio-to-audio \
  --param audios=./reference.wav \
  -o guided-welcome.mp3

# Create a narrated audio scene from an image
anycap audio generate \
  --prompt "a guide describes this scene while matching ambience plays underneath" \
  --model <model-id> \
  --mode image-to-audio \
  --param images=./scene.png \
  -o narrated-scene.mp3

参照素材の制限や音声の制御項目については、最新のスキーマを確認します。ローカルの参照ファイルは自動的にアップロードされます。プロバイダーから返される場合、JSON 出力には再生時間、サイズ、字幕、使用状況のデータが保持されます。

納品

アセットの準備ができたら、適切な方法で納品します。

# Share via Drive (generates a shareable link)
anycap drive upload banner-final.png
anycap drive share banner-final.png

# Publish as a web page
anycap page deploy ./site-directory

マルチメディア制作の例

プロモーション用パッケージを制作する、ワークフロー全体の例です。

# 1. Generate hero image
anycap image generate \
  --prompt "modern SaaS dashboard with data visualizations, dark mode, purple accents" \
  --model <image-model-id> -o hero-v1.png

# 2. Refine via annotation (agent asks human to mark changes)
anycap annotate hero-v1.png --no-wait -o hero-v1-annotated.png
# ... human annotates, agent polls result ...
anycap image generate \
  --prompt "#1: Make the chart larger. #2: Change accent color to blue." \
  --model <image-model-id> --mode image-to-image \
  --param images=./hero-v1-annotated.png -o hero-v2.png

# 3. Create an animated version
anycap video generate \
  --prompt "slow zoom into the dashboard, data points animate in sequentially" \
  --model <video-model-id> --mode image-to-video \
  --param images=./hero-v2.png -o hero-animation.mp4

# 4. Generate background music
anycap music generate \
  --prompt "ambient tech background music, minimal, clean, 90 BPM" \
  --model <music-model-id> -o background-music.mp3

# 5. Deliver
anycap drive upload hero-v2.png hero-animation.mp4 background-music.mp3