precise-video-description

正確な動画の説明

既存の動画を、制作現場で使われる言葉で忠実に表現する必要がある場合に、このスキルを使用してください。出力を読んだ別のエージェントやレビュアーが、見えているもの、その位置、変化の様子、カメラによる記録方法を、意図や雰囲気を捏造することなく再現できるようにします。

このスキルで説明するのは、観察したメディアです。今後の撮影を指示したり、映像制作者の心理を推測したり、アクセシビリティ向けの字幕を書いたり、プロバイダーの API を実行したりするものではありません。

根拠の扱い

• 観察事実： 確認したフレームまたは再生で直接見えるものです。
• 測定事実： ファイルのメタデータまたは再現可能なツールから、手法と許容誤差を明示して導き出したものです。
• 推論： 妥当性はあるものの、映像では確認できない内容です。推論であることを明記するか、省略してください。
• 制作上のヒューリスティック： 実用的な説明のルールであり、素材についての主張ではありません。

以下の 5 つの側面からなる構成は、Lin らの CHAI 動画言語仕様と、プロの撮影現場での実務を参考にしています。情報源は 2026-07-14 に確認しました。CHAI の CameraBench-Pro プリミティブの完全なカタログは、執筆時点で安定した公開パッケージとして十分に入手できませんでした。スクリーンショットをもとに、入手できない分類体系を再構築または複製しないでください。

説明の要件を定める

詳しく見る前に、以下を記録してください。

• アセット ID、パス／URL、チェックサム、権利の根拠、出典、分析日。
• 再生時間、寸法、アスペクト比、フレームレート／タイムベース、音声の有無、ショットの境界。
• 用途：ログ、検索、参考分析、データセット、プロンプトの引き継ぎ、編集メモ、VFX の引き継ぎ、レビュー。
• 必要な詳細度と時間的な精度。
• 承認済みの用語／用語集と、分野固有の定義。
• オーバーレイ、字幕、グラフィック、編集、音声を対象に含めるかどうか。
• 不確実性の扱いと、レビュアー／承認に関する要件。
• プライバシー、肖像、機密データ、公開に関する制限。

説明の詳しさは用途によって異なります。検索インデックスにはショット単位の簡潔な項目が適している一方、トレーニング用データセットや VFX の引き継ぎには、時間を明示した状態変化が必要になる場合があります。長さは、正確さの代わりにはなりません。

5 つの異なる側面を説明する

CHAI は、精密な動画表現を 5 つの側面に整理しています。これらは網羅性を確保するための区分として使い、段落の順序を定めるものとしては扱わないでください。

被写体

人物、動物、物体、グラフィックなど、目に見えるものを説明します。

• 種類と、変わりにくい識別特徴。
• 外見、服装、素材、色、ポーズ、向き。
• 被写体の数と相互関係。
• 出現、退場、遮蔽、再出現、同一性の連続性。
• 判別できる場合に限り、身体やキャラクターの左右を示します。

目に見える証拠や提供されたメタデータを超えて、同一性、年齢、性別、人種、診断、感情、職業、関係性を推測しないでください。曖昧な番号や代名詞より、「黄色いコートを着た人」のような表現を優先してください。

シーン

環境と画面上の提示状況を説明します。

• 場所、屋内／屋外、目に見える地形、表面、天候、時刻を示す証拠。
• 観察できる場合の視点の構成。
• オーバーレイ、枠線、字幕、インターフェース、分割画面、トランジション。
• 場所、光、天候、目に見える状況の変化。

合成されたオーバーレイと、物理的なシーン内の物体を区別してください。ピクセルの説明ではなく、承認済みのクリエイティブディレクションからの引用である場合を除き、「心を動かす」のような雰囲気に関する表現は避けてください。

動き

被写体や物体の動きを、時間の順序に沿って観察可能な形で説明します。

• 動作を表す動詞、動作主、対象、方向、開始／終了状態、接触。
• クリップ内で目に見える相互作用と原因／結果。
• 同時進行の動作か、順番に起こる動作か。
• 集団の活動と相対的な動き。
• フレームレートの低さ、ブレ、カット、遮蔽により動きを判別できない場合の不確実性。

根拠がある範囲で、最も具体的な動詞を選んでください。目に見える証拠がない限り、歩く動作を走る動作に、手を伸ばす動作を何かを取る動作に置き換えたり、相関関係を因果関係として表現したりしないでください。

空間

画像の構図と位置関係を説明します。

• ショットサイズと、被写体がどの程度映っているか。
• 画面左／右／中央、上部／下部、前景／中景／背景。
• 重なり、遮蔽、相対的な奥行きや大きさ、画面内での移動。
• 変化する場合は、開始時と終了時のフレーミング。
• 被写体を基準にした方向か、画面を基準にした方向か。

曖昧さが生じる場合は、必ず基準となるフレームを明示します。「画面右方向へ移動する」「被写体の左手を上げる」「前景の柱の後ろを通過する」のように記述します。カメラに向いている被写体では、被写体の左と画面右が一致することがありますが、両者を混同しないでください。

カメラ

観察できる撮影上の特徴を説明します。

• 高さ、角度、ロール、視点。
• 証拠から確信できる範囲での画角やレンズの特性。
• 焦点面、被写界深度、フォーカスの変化。
• 安定性とカメラ移動の軌跡。
• 契約に含まれる場合は、再生速度の影響とショットの切り替わり。

移動と回転、焦点距離の変化を区別します。

• パン／チルト／ロールはカメラを回転させます。
• ドリー／トラック／ペデスタル／クレーンはカメラを移動させます。
• ズームはカメラを移動させずに焦点距離や画角を変えます。
• ラックフォーカスは焦点面を変えます。
• アーク／オービットは被写体の周囲でカメラの位置を変えます。

メタデータやキャリブレーション済みの分析による裏付けがない限り、見た目だけから正確な焦点距離を断定しないでください。根拠のないミリメートル値ではなく、「画面端の歪みが見られる広い画角」のように表現します。

文章をまとめる前に観察する

複数のパスで確認します。

1. 境界の確認： カット、トランジション、速度変化、大きな状態変化を特定します。
2. 被写体／シーンの確認： 継続して登場する要素と環境を把握します。
3. 動き／空間の確認： 動作、基準となるフレーム、遮蔽、時間的な順序を追跡します。
4. カメラの確認： 被写体の動きと、カメラの動き、フォーカス、フレーミング、再生による影響を区別します。
5. 矛盾の確認： 開始時／中間／終了時を比較し、曖昧な主張をフレームごとに再確認します。
6. 文章化： 根拠となるメモをまとめてから、筋の通った文章にします。

難しいクリップは、通常の速度、より遅い再生速度、および代表的なフレームを個別に確認します。元の再生速度での解釈を維持してください。スロー再生は確認方法であり、元映像の動きが遅いことを示す根拠ではありません。

時間と変化を表現する

用語を羅列するのではなく、時間の区間と状態の変化を使います。

shot_id: shot-014
start: 00:00:12.400
end: 00:00:17.800
subject:
  start: person in yellow coat, profile, frame-left
  change: turns toward camera and lifts a parcel
scene: rain-covered street; red sign in midground
motion: walks left-to-right, stops, then raises parcel
spatial:
  start: full shot, subject frame-left, sign frame-right
  end: medium shot, subject centered, sign partly occluded
camera: smooth lateral track, then short hold; no observable zoom
uncertainty: exact focal length not established

これはスキーマの例であり、必須の形式ではありません。

ショットサイズ、角度、焦点面、被写体の数、空間的な奥行き、カメラの動き、オーバーレイなど、変化する特性は開始時と終了時の両方の状態を記録します。編集による切り替わりは、連続的なカメラの動きと分けて記述します。

必要に応じて、ソースのタイムコードまたは正確なフレーム番号を使用します。丸め方と時間の起点に関する方針を明記します。小数秒を丸めた値から、フレーム単位の精度があるかのように示さないでください。

プロジェクト用の用語集を作成し、管理する

プロジェクトで必要な用語だけを定義します。各項目には、次の情報を含めます。

• 推奨用語と平易な定義。
• 含める条件と除外する条件。
• 混同しやすい用語と判断基準。
• 権利処理済みの肯定例を1つと、必要に応じて反例。
• 出典と確認日。
• 担当者とバージョン。

特に混同しやすいものには、ドリーとズーム、パンと横方向への移動、ハイアングルとカメラ位置の高さ、フルショットとクローズアップ、バードアイビューと広い範囲の俯瞰、浅いフォーカスと動きによるぼけ、被写体の動きとカメラによる追跡があります。

レビュー担当者が用語を確実に区別できない場合は、用語集を改善するまで、より文字どおりに空間の位置関係を記述します。

客観性、不確実性、記載の省略

次の内容は含めません。

• タスクで別途推論することが明示的に求められている場合を除き、感情の解釈、テーマ、象徴性、品質の評価、または推定した意図；
• 許可されたメタデータに示されていない、目に見えない原因、画面外の出来事、人物の身元に関する主張；
• 音声を確認していない場合の、音声に関する主張；
• スタイルだけから推測した、正確な技術設定。

何が、なぜ解決できないのかを示す不確実性を使います。

The framing tightens, but the shot does not provide enough parallax or metadata to distinguish a slow dolly-in from a zoom-in.

すべての文に「おそらく」を付けて不確実性を装わないでください。不確実性が用途に関係しない場合は、「被写体がフレーム内で大きくなる」のように、文字どおり観察できる内容を選んでください。

ラベルを一貫した文章にする

基本的なラベルは根拠であり、完成した説明ではありません。文章を構成する際は、次の点に従ってください。

• 代名詞を使う前に対象を特定する；
• 時系列に沿って記述する；
• 同時に起きる動作を明確につなげる；
• 基準となる視点を示す；
• 各観点での冗長な繰り返しを避ける；
• 重要な省略や不確実性を残す；
• 主観的なつなぎ言葉を加えない。

後続の生成プロンプトでは、観察されたソースの説明と今後望まれる方向性を明確に区別してください。説明には実際に起きたことを記し、プロンプトでは今後起きるべきことを求める場合があります。

権利、プライバシー、データの管理

動画ファイルを再配布しなくても、詳細な説明によって顔、場所、画面、健康・金融情報、バッジ、ナンバープレート、私的な行動、著作権で保護された物語の内容が明らかになる可能性があります。

• 用途に必要な範囲で、個人を特定できる情報や機密情報を最小限に抑える；
• 適切な場合は、一貫性のある仮名の被写体ラベルを使う；
• 権利や同意に関する制限を説明とともに保持する；
• ライセンスが分析のみを認めている場合は、詳細な筋書きや行動の説明を公開しない；
• モデル／人間の作成者、ソースアセット／バージョン、用語集のバージョン、レビュー状況、変換処理を記録する；
• 学習に使う説明は、来歴、ライセンス、同意、制限に関する文書が必要なデータセットアセットとして扱う。

CHAI の公開テスト用アーティファクトとモデルには、それぞれ独自のライセンス／カードがあります。論文の arXiv 配布ライセンスは、すべての基盤となるプロ向け動画や未公開の基本例を無制限に再利用する権利を付与するものではありません。

品質チェックリスト

• 必須の5つの観点すべてを検討し、意図的に省略した観点は記録されています。
• 被写体は一貫しており、曖昧さがありません。
• 出来事はソースの順序で示され、同時性も保持されています。
• フレーム基準の方向と被写体基準の方向が混同されていません。
• カメラの移動、回転、ズーム、フォーカス、被写体の動きが区別されています。
• 変化する特性について、開始時と終了時の状態が記録されています。
• 幻覚された物体、動作、意図、技術設定、感情は含まれていません。
• 用語は承認済みの用語集に従っています。
• 不確実性は具体的で、根拠に基づいています。
• 説明の詳しさは用途に合っています。
• 権利、プライバシー、来歴、レビューのメタデータが出力とともに管理されています。

例1：シネマティックなワンカット

これは完全な例であり、必須の定型ではありません。

目的： 6秒の会話ショット用に、制作現場で検索しやすい説明を作成します。

観察された映像： 暗いジャケットを着た女性がキッチンカウンターの前に立っています。男性は戸口にいて、ぼけた状態が続きます。女性はフレームが徐々に寄っていくなか、男性に目を向けます。

構造化された結果：

• 被写体：カウンターの前にいる暗いジャケット姿の女性。戸口にいる男性は一部が見え、ピントがぼけています。
• シーン：ブルーアワーの薄暗いキッチンの室内。背景に暖色のペンダントライトが見えます。
• 動き：女性は男性に視線を上げて話します。男性は動きません。
• 空間：女性が中央より左、男性がフレーム右端にいるミディアムショットで始まります。最後は女性の肩から頭までが映り、男性は端でぼけたままです。
• カメラ：女性に向かって滑らかに前進し、目に見えるパンやチルトはありません。浅い被写界深度で、女性の手前側の目にピントが合ったままです。正確な焦点距離は特定できません。

一貫性のある説明：「薄暗いキッチンで、暗いジャケットを着た女性がカウンターの前に立ち、中央より左にいます。男性はフレーム右側の戸口にいて、ピントがぼけています。女性は男性に目を向けて話します。視線を動かすあいだ、カメラはミディアムショットから肩から頭までの構図へと滑らかに前進し、女性の手前側の目にピントを合わせたままです。男性は端でぼけたままです。」

起こりやすい失敗： 被写体がフレーム内で大きくなることを理由に、動きをズームと呼ぶことです。視差や背景の変化を確認し、判断がつかない場合は、文字どおりフレームが寄るという表現を使って修正します。

例2：動きが曖昧な生成ゲームクリップ

これは完全な例であり、必須の定型ではありません。

目的： 5秒の横視点ゲームクリップ向けにデータセットのメタデータを作成します。

観察された映像： 小さな装甲キャラクターがフレーム右方向へ進み、プラットフォームはフレーム左方向へ動きます。横からの構図は維持されています。スコア表示が左上に残っています。クリップの終わり近くに、ハードカットが1回あります。

説明：「横視点のゲームシーンで、小さな装甲キャラクターが高所のプラットフォームをフレーム右方向へ走ります。キャラクターは左側の3分の1付近にとどまり、プラットフォームはフレーム左方向へ動いています。これはカメラがキャラクターを横方向に追っていることと一致しますが、描画された映像だけでは、ワールドとカメラのどちらが移動したかを正確に特定できません。数値のスコア表示が左上に固定されています。終わり近くでハードカットが入り、同じキャラクターをより近い横位置から捉えた映像に変わります。」

これが有効な理由： 画面上の動きと、確定できないワールド上の動きを区別し、オーバーレイをグラフィックとして特定し、編集とカメラの動きを分けています。

起こりやすい失敗： 描画されたピクセルから、キャラクターのワールド上の速度やレンズを断定することです。ゲームのテレメトリやメタデータが提供されない限り、該当する項目は不明のままにしてください。

出典

確認日：2026-07-14

• Lin ほか、「Building a Precise Video Language with Human-AI Oversight」、CVPR 2026 / arXiv:2604.21718：https://arxiv.org/abs/2604.21718
• CHAI 公式プロジェクトとコード：https://linzhiqiu.github.io/papers/chai/ and https://github.com/chancharikmitra/CHAI
• CameraBench、カメラ移動の分類体系と専門家によるアノテーション：https://linzhiqiu.github.io/papers/camerabench/
• ASC、カメラの動きとショットの技法：https://theasc.com/articles/shot-craft-camera-movement and https://theasc.com/articles/shot-craft-fresh-perspectives
• Columbia Film Language Glossary：https://filmglossary.ccnmtl.columbia.edu/
• W3C メディアアクセシビリティ要件。制作向けの説明とアクセシビリティ対応の成果物を区別するために使用：https://www.w3.org/TR/media-accessibility-reqs/
• Gebru ほか、「Datasheets for Datasets」：https://doi.org/10.1145/3458723