realistic-ugc-video

リアルなUGC動画制作

本物の人間のように見え、聞こえる長尺のAI動画を作成します。このスキルでは、リアルなベース画像の作成にNano Bananaを、動画生成にKling AIを使用する複数ステップのワークフローを実行し、「AIらしさ」を避けるための具体的な手法を取り入れます。

動画がAIらしく見える理由（およびその解決方法）

問題	解決策
肌が完璧すぎる／きれいすぎる	微細な毛穴、自然な皮脂、細かいシワなど、不完全さを加えます
スタジオ照明	その場にある光／自然光や、色温度が混在した光を使います
キャラクターが静止しすぎている	微細な動き、頭の傾き、自然な揺れを加えます
ペースに一貫性がない	クリップごとに55～60音節にします
ロボットのような声	Adobe PodcastまたはResemble AIで処理します
不自然なジャンプカット	Bロールやアニメーションで隠します
AIの手がおかしい	手がフレームに入らないようにトリミングするか、完全に静止させます

既知の制限：手

AI動画モデル（Kling、Veoなど）は、リアルな手の動きの生成が苦手です。指の形が変化したり、ジェスチャーが不自然に見えたりするため、手はAI生成だと見抜かれる最大の要因になることがよくあります。

ベストプラクティス：手をフレームに入れないか、完全に静止させます。

方法：

1. 頭と肩が映る構図 - ベース画像をトリミングして、手が完全に入らないようにします
2. 腕を組む - 静止したポーズなので、指を動かす必要がありません
3. フレームの下に手を置く - 机の端で手首から下を隠します
4. Bロールで隠す - 編集時に、手の動きがおかしい箇所で別の映像に切り替えます

完全なワークフロー

フェーズ1：要件の収集

開始前に、ユーザーから次の情報を収集します。

1. キャラクターの説明 - 年齢、民族的背景、特徴、服装
2. 設定／背景 - オフィス、自宅、スタジオ、屋外
3. 台本 - キャラクターが話す全文
4. トーン - 会話調、緊迫感のある調子、プロフェッショナル、親しみやすい調子
5. 動画の目標尺 - 必要なクリップ数が決まります

フェーズ2：ベース画像を生成する（Nano Banana）

Nano Bananaスキルを使用してキャラクター画像を生成します。重要： CHARACTER-PROMPTING.mdに記載された不完全さを加える手法を適用します。

リアルなUGCを実現するための重要な要素：

• iPhoneで撮影したような質感（26mm相当のレンズ）
• その場にある光／混合光（スタジオ照明は使わない）
• 見える肌の質感（毛穴、皮脂、細かいシワ）
• 小さな不完全さ（無精ひげ、目の下のクマ）
• コンピュテーショナル写真による被写界深度のアーティファクト
• ISOノイズ（500～900の範囲）

コマンド：

~/.claude/skills/nano-banana/scripts/generate.sh "[enhanced prompt]" --aspect 9:16 --size 2K

その後、必要に応じてEnhancor AIでアップスケールし、質感をさらに加えます。

フェーズ3：台本を分割する（ペース調整で重要）

自然なペースを実現するうえで、最も重要なステップです。SCRIPT-CHUNKING.mdを参照してください。

55～60音節のルール：

• 単語数ではなく、音節数を数えます
• 動画を生成するごとに55～60音節にします
• 文の途中で切らないでください
• 必要に応じて、目標に達するように文を補います

分割例：

Chunk 1 (58 syllables):
"Hey everyone, I wanted to share something that completely changed how I think about productivity. It's not another app or system."

Chunk 2 (56 syllables):
"It's actually about understanding your own energy patterns throughout the day. Once I figured this out, everything clicked into place."

フェーズ4：動画クリップを生成する（Kling AI）

台本の各分割部分について、10秒の動画クリップを生成します。MOVEMENT-PROMPTING.mdに記載された動きのプロンプトを使い、Kling AIスキルを使用します。

重要な要素：

• 手の「ホームベース」プロトコル
• タイムスタンプ付きの動きのまとまり
• 自然なまばたき、頭の傾き、微細な揺れ
• 一貫したベース画像の参照

クリップごとにバックグラウンドエージェントを起動します：

Task tool:
- subagent_type: "general-purpose"
- run_in_background: true
- prompt: [Include image URL, script chunk, movement prompt, output path]

フェーズ5：ポストプロダクション

詳しい手順はPOST-PRODUCTION.mdを参照してください。

1. CapCutまたは同様のエディターでクリップをつなぎ合わせます
2. Adobe Podcast（最低限）またはResemble AI（音声の差し替え用）で音声を調整します
3. Bロールやアニメーションでジャンプカットを隠します
4. 不自然に感じる場合はつなぎの文を削除します
5. 最終解像度で書き出します

クイックスタート：クリップを1本テストする

動画全体を生成する前に、クリップ1本でワークフローをテストします。

1. 不完全さをすべて加えたベース画像を生成します
2. 台本の最初の分割部分を使って、10秒のテスト動画を作成します
3. ペースと動きを評価します
4. 必要に応じてプロンプトを調整します
5. 全体の制作に進みます

ベース画像用のプロンプト全文の例

A vertical 9:16 UGC-style video frame captured on an iPhone 11 resting on a tripod.
Medium-wide portrait at true eye-level with slightly forward-leaning posture.

[CHARACTER]: A [age] [gender] with [ethnicity] complexion, [eye color] eyes beneath
[eyebrow description], [nose description]. [Jawline/facial hair]. [Hair description].
Expression is [emotion]—[specific expression details].

[CLOTHING]: [Fitted/casual garment], [collar detail].

[SKIN TEXTURE]: Visible pores across T-zone, faint smile lines, natural oils catching
light on forehead and nose. [Age-appropriate details]. No filter, no foundation.

[FOREGROUND]: Hands rest naturally on [surface], fingers relaxed, visible veins and
knuckle texture. Nearby: [everyday objects like water bottle, phone, notebook].

[CAMERA]: Native iPhone 11 lens (26mm equivalent), slightly wide perspective, mild
barrel softness at edges. Only tiny pockets of neural blur around hair edges.

[LIGHTING]: Available light mix—cool overcast daylight from window left, warm tungsten
from desk lamp right. Soft asymmetric shadows, natural falloff. ISO noise 500-900.

[BACKGROUND]: [Realistic home/office elements]—bookshelf, [furniture], clearly visible
not heavily blurred.

[REALITY DETAILS]: Gentle 35mm film grain, light fingerprint smudge on lens, tiny dust
haze in air. No cinematic bloom, no studio finish.

Styling: raw UGC realism, available indoor light, mixed color temperature, minimal
depth blur, visible ISO noise, emphasis on authenticity.

動画用の動きのプロンプトの例

Hand "Home Base" Protocol: Hands default to Active Idle. Fingers shift, thumbs rub,
wrists rotate slightly while anchored. Gestures only for key emphasis.

[0.0s-0.5s] Pre-roll: Sharp inhale, eyes lock to lens, head still
[0.5s-3.0s] Hands in Active Idle (fingers interlocked), head tilts slightly right,
           brows furrow in seriousness
[3.0s-6.0s] Hands break clasp for quick open-palm rotation then return, head drifts
           forward, natural blink
[6.0s-8.0s] Hands return to Active Idle (loose clasp, thumbs tapping), head nods
           encouragingly, cheeks lift in natural smile
[8.0s-10.0s] Hands anchored (wrist shifts), chin lifts in quick final nod, natural blink

[Script]: "[CHUNK TEXT HERE]"
[Tone]: [Urgent/Conversational/Professional/etc.]
[Pacing]: Rapid fire delivery, high energy, viral UGC style, confident, 2x speed

参考ファイル

• CHARACTER-PROMPTING.md - リアルなキャラクターを作るための不完全さの表現テクニック
• SCRIPT-CHUNKING.md - 一貫したペース配分のための音節メソッド
• MOVEMENT-PROMPTING.md - 自然な動きの振り付け
• POST-PRODUCTION.md - 音声の修正と編集のヒント

代替案：InfiniteTalk

シンプルな長尺動画には、InfiniteTalk（infinitetalk.ai）をご検討ください。

メリット： 1回の生成で長尺動画を作成できます デメリット： ペース配分の制御が少ない（タイマー／長さを制御できない）、出力の長さに応じて課金されます

正確なペース配分の制御が必要な場合は、上記の音節メソッドを使用してください。

生成前のチェックリスト

• キャラクタープロンプトに肌の不完全さが含まれている
• 照明は利用可能なもの／自然光で、スタジオ照明ではない
• スクリプトが55～60音節のセグメントに分割されている
• 各セグメントが完全文になっている
• 動きのプロンプトに手の基本姿勢、頭の動き、まばたきが含まれている
• 音声とジャンプカットのポストプロダクション計画がある