music-video-subtitle-generator

Music Aesthetics MV

目的

ユーザーが、音楽、歌詞、タイポグラフィ、リファレンス、リズム、パフォーマンス、カメラ表現を一体として設計する必要があるミュージックビデオのプロンプトや、音楽を取り入れたエモーショナルな短編映画のプロンプトを作成、改訂、監査、または生成したい場合に、このスキルを使用します。このワークフローでは、MV プロンプトのルールを Hub の実行フローに適用します。重要なクリエイティブ上の決定を確認し、確定したプロンプトをキャンバスのテキストノードに記載したうえで、メディアの作成を Hub エージェントに委任します。

通常の字幕焼き付け、汎用的な動画編集、音楽を使わない製品広告、または MV の構成がない単純な単一画像／単一クリップの依頼には使用しないでください。

Hub の互換性ルール

• サードパーティ製ツール、シェルスクリプト、ブラウザープラグイン、外部生成 API が利用できると想定しないでください。
• 確定したプロンプトと改訂内容は、Hub のキャンバスのテキストノードに記載してください。
• キャラクターカード、シーンカード、タイポグラフィカード、動画クリップ、BGM、最終編集は、Hub の画像、動画、音楽、編集エージェントに委任してください。
• 出力パスをハードコードせず、常に Hub から返されたパスを使用してください。
• ユーザーが「確認を省略して／すぐ実行して」と言った場合は、外側のオーケストレーターによってセッションの実行許可が有効になっていない限り、今回の実行にのみ適用してください。
• ユーザーがプロンプトのみを求めている場合は、提示した時点で終了してください。完成した MV を求めている場合は、確認後に生成と編集を続行してください。

基本原則

1. 構成を選ぶ前に、作品を理解してください。テンプレートは整理に役立ちますが、必須の形式ではありません。
2. 直近で確認されたクリエイティブ上の意図を使用してください。
3. 関係のない項目は、プレースホルダーを埋めるのではなく省略してください。
4. プリセットに含まれているというだけで、パフォーマンス、タイポグラフィ、トランジション、カメラワーク、キャラクターの動作を機械的に追加しないでください。
5. 画面上のテキストは、ユーザーが明示的に字幕を求めていない限り、通常の字幕ではなく、デザインされた視覚レイヤーとして扱ってください。
6. ユーザーが実際の楽曲やビートをアップロードした場合、置き換えの依頼がない限り、それをマスター音源として使用してください。
7. 15 秒を超える動画の自然なマルチショット接続：動画の長さがモデルの単回生成の上限を超える場合は、「マルチショットのストーリーボード分解＋末尾／先頭フレームの継続＋ビートに合わせたハードカット＋マスター音源全体との同期」を使用してください。すべてのセグメントで、同じグルーヴ、テンポ感、アスペクト比、キャラクターの一貫性、ビジュアルプリセット、ライティング表現、タイポグラフィのモーションルールを維持してください。
8. 歌詞のない音楽重視の完成 MV をユーザーが求めている場合は、まずオリジナルの歌詞を生成して確定してください。最終的な MV では、キャラクター、タイポグラフィのパッケージ、シーンカードをまとめて参照する必要があります。タイポグラフィのパッケージカードで制御するのは、テキストのパッケージスタイル、フォントの質感、グラフィックデザイン、レイアウト比率、モーション表現のみです。

STEP 1：事前確認と確定

最終的な制作プロンプトを記述する前に、推奨する選択肢を簡潔に示し、必要最低限の基本事項を確認してください。

1.1 動画形式

次の固定選択肢を提示してください。

用途	アスペクト比	解像度
TikTok／Reels／Shorts 縦型	9:16	1080×1920
YouTube／Bilibili 横型	16:9	1920×1080
フィード用正方形	1:1	1080×1080
高密度な縦型広告テスト	9:16	720×1280
シネマティックなワイドスクリーン MV	21:9	2560×1080

選択したアスペクト比は、キャラクターカード、シーンカード、タイポグラフィのリファレンス、ショットプロンプト、動画クリップ、最終編集のすべてで統一してください。

1.2 目標時間とマルチショット構成

プロンプトの作成や動画生成の前に、目標となるMVの長さを確認してください。モデルのデフォルト設定をユーザーの意図として、黙って使用してはいけません。

簡潔な時間カードを提示します。

1. 10秒のテスト：キャラクター、シーン、タイポグラフィ、オーディオのスタイルを確認するための1～2ショットです。
2. 15秒のフック：より完成度の高いサビ／フック／パフォーマンスのフレーズを表現するための2～4個の短いショットです。
3. 30秒以上の完成版MV（マルチショットのつなぎ合わせ）：多くのモデルには1回の生成で15秒までという上限があるため、自動的にマルチショットのつなぎ合わせワークフローを使用します。まず、途切れのない1曲の楽曲／BGMを生成または確定し、30秒をダイナミックな2～5秒のショット4～8個に分割したうえで、ビート同期と先頭／末尾フレームの連続性を考慮してつなぎ合わせます。
4. カスタム時間：ユーザーが時間を指定し、選択したモデルの1クリップあたりの上限に基づいてショット数とつなぎ合わせ方法を計画します。

アップロードされた音楽がある場合、確定した時間は音楽の使用区間の長さになります。

1.3 音楽の使用区間

アップロードまたは指定された音楽が確定した時間より長い場合、プロンプトを作成する前に使用区間を確定します。

1. 推奨区間：アシスタントが最も印象的なサビ／フック／感情の転換点を特定し、ユーザーに確認を求めます。
2. ユーザーがタイムスタンプを指定：ユーザーが開始秒と終了秒を指定し、両方が音声の範囲内にあることを確認します。
3. 複数バリエーション：広告用フックのテストまたは複数のクリエイティブの方向性が必要な場合に限ります。

音楽が目標時間より短い場合、ユーザーから引き伸ばしや延長を明示的に求められない限り、音声全体を使用します。

1.3.0 歌詞の確定と歌詞優先の代替手順

最終的な動画プロンプトの作成または生成の前に、歌詞の扱いを決定します。

1. ユーザーが歌詞を提供した場合、その歌詞を確定済みの歌詞とします。明示的に依頼されない限り、生成、追加、書き換え、拡張、翻訳、意訳、置き換えをしてはいけません。
2. ユーザーが歌詞のない、音楽の美学を重視した完成版MVを希望する場合は、音楽のスタイル、ボーカルモード、時間、感情、ビジュアルプリセットに合った短いオリジナルの歌詞を生成し、確定します。
3. 確定済みの歌詞だけを、ラップ／歌唱パフォーマンスと画面に表示するタイポグラフィのテキストとして使用します。
4. 確定済みの歌詞を、各ショットの Rap line:、Vocal line:、Soft vocal line:、または Spoken line: に分割します。
5. すべての Typography: フィールドは、同じ確定済みの歌詞から作成する必要があります。ボーカルのパフォーマンス中に表示するテキストは、実際に歌唱されるフレーズと一語一句一致させます。
6. 最終的なタイポグラフィMVでは、パフォーマーは確定済みの歌詞をラップまたは歌唱し、目に見える唇の形、顎の動き、呼吸、表情のアクセント、うなずき、手の動きを、フレージングとリズムに合わせる必要があります。

1.3.1 15秒を超える動画のデフォルトのマルチショットつなぎ合わせ

30秒など、15秒を超えるMVでは、グローバルなマルチショットのプロンプトスクリプトを正式な情報源とします。

1. マスターオーディオ全体を確定する：ボーカルとグルーヴ全体を含む途切れのない1つの楽曲／BGMトラックを、音声の唯一の基準として確定します。
2. ショットリストのタイムラインを作成する：30秒を2～5秒の短いショット4～8個に分割し、歌詞のタイムスタンプと、スネア、808、ドロップなどのビートに正確に対応させます。
3. 先頭／末尾フレームとシーンの連続性：Shot Bが同じシーンの続きである場合、Shot Aの末尾フレームをShot Bの先頭フレームとして使用します。ハードカットの場合は、同じキャラクターカード、衣装、照明プロンプトを維持し、同じ方向へのカメラ移動またはマッチカットの視覚要素を使用します。
4. 生成と編集の組み立て：動画エージェントがショットリストから各ショットを生成します。編集エージェントはすべてのクリップをグローバルなマスターオーディオのビートグリッドに合わせ、トリミング、速度ランプ、つなぎ合わせを行い、自然なリップシンク、ビート同期、トランジションを実現します。

STEP 2: クリエイティブ・コントラクト

最終的なプロンプトを作成する前に、簡潔なクリエイティブ・コントラクトを作成します。

• 音楽ジャンル、楽器編成、テンポ／BPMの感覚、ボーカル形式、感情の温度感。
• 歌詞の出典と、固定する歌詞。
• 目標尺と複数ショットの内訳。例：30秒を6つの短いショットに分割。
• 参照画像の役割：キャラクターカード、シーンカード、タイポグラフィのパッケージングカード。
• カメラの表現、ショットサイズ、フォーカス、ビートに合わせたカットの密度、トランジションのルール。
• フェード、艶のあるAI風の美しい顔、変形の原因となる単一ショットの引き延ばしなどの除外事項。

STEP 3: 参照画像の役割とシーンのサンプリング

各参照画像には、限定的な役割を1つずつ割り当てます。

• タイポグラフィ参照カード：テキストのパッケージングスタイル、フォントの質感、グラフィックデザイン、レイアウト比率、モーション表現のみを制御します。人物やシーンの要素を反映させてはいけません。
• キャラクター参照カード：キャラクターの同一性、顔の雰囲気、髪型、服のシルエット、プロポーション、姿勢、存在感を制御します。
• シーン参照カード：シーンのスタイル、空間の雰囲気、画像の質感、背景の奥行き、照明のムードを制御します。

3.1 クローズアップでのシーン切り替えと複数ショットのサンプリング

Trap、Dark-pop、Cyber-grunge、その他のテンポの速いMVでは、複数のクローズアップ空間を素早く切り替えます。

• シーン全体のムードは統一しつつ、各ショットの空間は、局所的な背景、トンネル、壁、光の帯、反射する床など、はっきりと異なるものにします。
• シーンの切り替えは、ベースヒット、808のドロップ、スネア、ボーカルのアクセント、タイポグラフィのスマッシュなど、音楽のインパクトをきっかけにします。
• ショットの切り替えは、Trapのビートに合わせた「ビジュアルサンプル」です。ハードカット、ジャンプカット、スキャン・グリッチカット、フラッシュカット、アクションマッチカットを使用します。

STEP 4: プリセットの表現ルール、Dark-pop／Cyber-grungeとTrapの例

ビジュアルと編集の表現

• 90年代後半から2000年代前半のインディーズ雑誌、コピー用紙、フィルムスキャン、ZINEコラージュを参考にした、リアルなハイファッションの質感と映画雑誌の質感。
• 強い粒子感、わずかなフィルムの揺れ、網点、粗い印刷エッジ、スキャンのズレ。
• 編集にはハードカットのみを使用します。フェード、ディゾルブ、ソフトトランジションは禁止です。
• 画像とタイポグラフィは、ビートの合図に強く反応させます。ハイハットロールでは微細な揺れ／フレームスキップ、スネアでは拡大／ハードカット／肩落とし、808のベースヒットでは低周波の圧縮／伸長／ズレを発生させます。

タイポグラフィのパッケージングルール

• タイポグラフィは字幕バーではなく、空間内に配置された動的なグラフィック要素です。前景、中景、背景に配置したり、肩や手で一部を隠したりできます。
• テキストが目や主な表情を覆うことは絶対に避けてください。重要なリップシンクの最中は、口にかからないようにします。
• ボーカルがある場合、表示する単語は実際に歌われる歌詞と完全に一致させます。各ショットの主要なタイポグラフィ演出は1つだけにします。

STEP 5: プロンプト構成テンプレート

複数ショットのスクリプトは、ショットごとにモジュール化し、正確な尺と音声の対応を指定する必要があります。

[Global Aesthetic & Character Lock]: (global character and aesthetic anchor prompt)

Shot 1 (0.0s - 3.5s)
Vocal Line: "..."
Typography: "..."
Visual & Action: ...
Camera & Motion: ...
Transition Out: hard cut to Shot 2 on bass hit / same-direction whip pan

Shot 2 (3.5s - 7.0s)
Vocal Line: "..."
Typography: "..."
Visual & Action: ...
Camera & Motion: ...
Transition Out: ...

STEP 6: BGMの連続性と自然な複数ショット接続システム

6.1 全体の音声の連続性

MV全体を1つのマスター音声トラックに同期させる必要があります。分割して動画を生成する際は、クリップごとに独立した音声を使用しないでください。編集工程では、すべての動画クリップをマスター音声のタイムライン上の対応するタイムスタンプに合わせます。

6.2 自然なスティッチングプロトコル

15秒を超えるスティッチングでは、以下の5つの連続性ロックを適用します。

ボーカルとリップシンクの連続性：カットポイントは、歌詞の休止、息継ぎ、スネア、またはドロップに合わせます。次のショットが口の形を連続させた極端なクローズアップでない限り、発声中の母音や歌詞の途中でハードカットしないでください。

リズムとビートのマッチング：カットポイントは、1/4または1/8のビートグリッドに合わせます。スピードランプを使って、うなずき、手のジェスチャー、まばたきをビートに合わせます。

美学とカラーグレーディング：ショットをまたぐ生成では、グレインのレベル、LUTの方向性、光の方向を含む同じ美学ヘッダープロンプトを使用します。最終編集では、統一された35mmフィルムグレインとLUTを適用し、バッチ間の色の違いを目立たなくします。

トランジションと動きの連続性：ロングショットを続ける場合、前のショットの末尾のフレームを次のショットの先頭フレームとして使い、アクションの継続をプロンプトで指示します。シーンをハードに切り替える場合は、同じ方向へのパンや手で遮るマッチカットなど、動きの連続性を利用します。

タイポグラフィの動きのスティッチング：前のショットのテキストは、ベースヒットに合わせて砕ける、画面外へ流れ出る、または画面に叩きつけられるようにします。次のショットのテキストは、アクセントに合わせて画面に叩きつけるか、展開させ、視覚的な勢いを引き継ぎます。

STEP 7: チェックリスト

納品前に、以下を確認します。

• 目標時間が15秒を超える場合、Multi-Shotの分割が自動的に使用されていますか？
• グローバルMaster Audioが1つに固定され、カットポイントがビートに合っていますか？
• カットは歌詞の途中でのボーカルの途切れを避け、リップシンクと息継ぎの連続性が自然ですか？
• 隣接するショットには、末尾から先頭への継続、同じ方向への動き、マッチカット、またはビートに合わせたハードカットなど、明確なスティッチングのロジックがありますか？
• 編集スタイルはハードカットのみで、フェードやソフトトランジションはありませんか？
• キャラクター／シーン／タイポグラフィのカードは、相互に混ざらないよう個別に分離されていますか？
• タイポグラフィは空間レイヤーとして配置され、目や顔の主な表情を決して隠していませんか？
• 画質、グレイン、色、照明は全体を通して一貫していますか？

STEP 8: Canvasへの納品

MVプロンプトスクリプト全体を確定したら、Complete MV Promptまたは完整MV Promptという名前の専用Canvasテキストノードに書き込みます。このノードには、マルチショットプロンプトスクリプト全体とスティッチングのメモを含める必要があります。後で修正する場合は、同じノードを更新します。

STEP 9: 最終MVの生成と編集ワークフロー

1. プロンプトの確定とCanvasへの書き込み：タイムスタンプ、歌詞との対応付け、トランジションのロジックを含むマルチショットプロンプトスクリプト全体がCanvasに書き込まれていることを確認します。
2. ショットの並列生成：動画エージェントがShotlistに基づいて各2～5秒のショットを生成します。継続ショットでは、前のショットの末尾のフレームを抽出し、次のI2Vの先頭フレームとして使用します。
3. マルチトラック編集とスティッチング：編集エージェントがグローバルMaster Audioを読み込み、すべてのショット動画をタイムスタンプに合わせ、ビートグリッドに沿ってトリミングとスピードランプを行い、同じ方向への動きやフラッシュカットによるマスキングでつなぎ目を確認します。
4. 仕上げ：統一されたMovie LUTと35mmフィルムグレインのオーバーレイを適用し、AI特有のプラスチック感を軽減して、映像の一貫性を保ちます。
5. 納品：つなぎ目のない完成MV動画ファイルを出力します。