explainer-video-guide

belt CLI のスキルをインストール： npx skills add belt-sh/cli

解説動画ガイド

inference.sh CLI を使って、スクリプトから最終カットまで解説動画を作成します。

クイックスタート

inference.sh CLI（belt）が必要です。インストール手順

belt login

# Generate a scene for an explainer
belt app run google/veo-3-1-fast --input '{
  "prompt": "Clean motion graphics style animation, abstract data flowing between connected nodes, blue and white color scheme, professional corporate aesthetic, smooth transitions"
}'

スクリプトの定型構成

問題・煽り・解決（PAS）— 60秒

セクション	長さ	内容	語数
問題	10s	視聴者が抱えている悩みを提示します	約25語
煽り	10s	問題が想像以上に深刻であることを示します	約25語
解決策	15s	製品やアイデアを紹介します	約35語
仕組み	20s	3つの主要な手順や機能を紹介します	約50語
CTA	5s	明確な次のアクションを1つ提示します	約12語

ビフォー・アフター・ブリッジ（BAB）— 90秒

セクション	長さ	内容
ビフォー	15s	現在の不満な状態を示します
アフター	15s	理想的な結果を示します
ブリッジ	40s	製品を使って、どうすればその状態に到達できるか説明します
ソーシャルプルーフ	10s	簡潔な統計やお客様の声を紹介します
CTA	10s	明確な次のステップを提示します

機能紹介 — 30秒（ソーシャル向け）

セクション	長さ	内容
フック	3s	驚きの事実や質問
機能	15s	1つの機能で1つの問題を解決する様子を示します
結果	7s	結果やメリット
CTA	5s	試してみる／詳細を見る

ペース配分のルール

コンテンツの種類	1分あたりの語数	メモ
標準的なナレーション	150 wpm	会話のようなペース
複雑・技術的な内容	120 wpm	内容を理解する時間を確保します
活気のあるソーシャル向け	170 wpm	短尺動画向けに速めのペース
子ども向けコンテンツ	100 wpm	明瞭でゆっくり

重要なルール： 主要なメッセージごとに1つのシーンを割り当てます。1つの映像に複数のアイデアを詰め込まないでください。

シーンの長さの目安

• 導入ショット：3～5秒
• 機能の実演：5～8秒
• 画面上のテキスト／統計：3～4秒（読み取れる長さにします）
• トランジション：0.5～1秒
• CTA画面：3～5秒

ビジュアル制作

シーンの種類

# Product in context
belt app run google/veo-3-1-fast --input '{
  "prompt": "Clean product demonstration video, hands typing on a laptop showing a dashboard interface, bright modern office, soft natural lighting, professional"
}'

# Abstract concept visualization
belt app run bytedance/seedance-2-0 --input '{
  "prompt": "Abstract motion graphics, colorful data streams connecting floating geometric shapes, smooth fluid animation, dark background with glowing elements, tech aesthetic",
  "generate_audio": true
}'

# Lifestyle/outcome shot
belt app run google/veo-3-1-fast --input '{
  "prompt": "Happy person relaxing on couch with laptop, smiling at screen, bright airy living room, warm afternoon light, satisfied customer feeling, lifestyle commercial style"
}'

# Before/after comparison
belt app run falai/flux-dev-lora --input '{
  "prompt": "Split screen comparison, left side cluttered messy desk with papers and stress, right side clean organized minimalist workspace, dramatic difference, clean design"
}'

シーンの画像から動画への変換

# Generate a still frame first
belt app run falai/flux-dev-lora --input '{
  "prompt": "Professional workspace with glowing holographic interface, futuristic but clean, blue accent lighting"
}'

# Animate it
belt app run falai/wan-2-5-i2v --input '{
  "prompt": "Gentle camera push in, holographic elements subtly floating and rotating, soft ambient light shifts",
  "image": "path/to/workspace-still.png"
}'

ナレーション制作

スクリプト作成のヒント

• 短い文にします。1文は最大15語です。
• 能動態を使います。「データを追跡できます」とし、「データは追跡できます」とはしません。
• 会話のような口調にします。声に出して読み、堅苦しく聞こえたら書き直します。
• 1文につき1つのアイデアにします。映像の展開1つにつき1文です。

ナレーションの生成

# Professional narration with Dia TTS
belt app run falai/dia-tts --input '{
  "prompt": "[S1] Tired of spending hours on reports that nobody reads? There is a better way. Meet DataFlow. It turns your raw data into visual stories... in seconds. Just connect your source, pick a template, and share. Try DataFlow free today."
}'

TTSでのペース調整

テクニック	効果	例
ピリオド .	中程度の間	"This changes everything. Here's how."
省略記号 ...	長い間（ドラマチック）	"And the result... was incredible."
カンマ ,	短い間	"Fast, simple, powerful."
感嘆符 !	強調／活気	"Start building today!"
疑問符 ?	語尾を上げる	"What if there was a better way?"

音楽とオーディオ

BGMのガイドライン

• 音量： ナレーションより20～30％小さくします（音声再生中は6～12dB下げます）
• スタイル： ブランドのトーンに合わせます（企業向け＝アンビエントな電子音楽、スタートアップ＝アップビートなインディー音楽）
• 構成： 冒頭で盛り上げる（最初の3秒）→ ナレーション中は控えめにループ → CTAで盛り上げる
• ボーカルなし： ナレーション中はインストゥルメンタルのみ

# Generate background music
belt app run <music-gen-app> --input '{
  "prompt": "upbeat corporate background music, modern electronic, 90 BPM, positive and professional, no vocals, suitable for product explainer video"
}'

編集パイプライン

制作ワークフロー全体

# 1. Generate voiceover
belt app run falai/dia-tts --input '{
  "prompt": "[S1] Your script here..."
}'

# 2. Generate scene visuals (in parallel)
belt app run google/veo-3-1-fast --input '{"prompt": "scene 1 description"}' --no-wait
belt app run google/veo-3-1-fast --input '{"prompt": "scene 2 description"}' --no-wait
belt app run google/veo-3-1-fast --input '{"prompt": "scene 3 description"}' --no-wait

# 3. Merge scenes into sequence
belt app run infsh/media-merger --input '{
  "media": ["scene1.mp4", "scene2.mp4", "scene3.mp4"]
}'

# 4. Add voiceover to video
belt app run infsh/video-audio-merger --input '{
  "video": "merged-scenes.mp4",
  "audio": "voiceover.mp3"
}'

# 5. Add captions
belt app run infsh/caption-videos --input '{
  "video": "final-with-audio.mp4",
  "caption_file": "captions.srt"
}'

フォーマット別の動画の長さ

フォーマット	長さ	プラットフォーム
ソーシャル向けティーザー	15-30s	TikTok, Instagram Reels, YouTube Shorts
製品デモ	60-90s	ウェブサイト、ランディングページ
機能解説	90-120s	YouTube、メール
チュートリアル／操作ガイド	2-5min	YouTube、ヘルプセンター
投資家向けピッチ動画	2-3min	ピッチデッキの補足資料

トランジションの種類

トランジション	使用する場面	効果
カット	関連するシーン間のデフォルト	すっきりとしてプロフェッショナル
ディゾルブ／クロスフェード	時間の経過、雰囲気の変化	柔らかく、思索的
ワイプ	新しいトピックやセクション	明確に区切る
ズーム／プッシュ	詳細への掘り下げ	注目を集める
マッチカット	シーン間の視覚的な類似性	巧みで、印象に残る

よくある間違い

間違い	問題点	修正方法
台本が冗長すぎる	ナレーションが早口になり、視聴者が圧倒される	1分あたり150語以内に抑える
最初の3秒にフックがない	視聴者がすぐに離れる	問題や意外な統計から始める
映像がナレーションに遅れる	ちぐはぐで分かりにくい	映像は言葉に合わせるか、少し先行させる
BGMが大きすぎる	ナレーションが聞こえない	音声よりBGMを6～12 dB下げる
字幕がない	ソーシャル動画の85％は無音で視聴される	必ず字幕を付ける
アイデアが多すぎる	視聴者の記憶に何も残らない	動画1本につき中心となるメッセージは1つにする

関連スキル

npx skills add inference-sh/skills@ai-video-generation
npx skills add inference-sh/skills@video-prompting-guide
npx skills add inference-sh/skills@text-to-speech
npx skills add inference-sh/skills@prompt-engineering

すべてのアプリを閲覧：belt app list