scenario-ugc

シナリオ：UGC クリエイター動画

概要

UGC とは長さではなく、話し方のスタイルです。ブランドが撮影スタッフを通して話すのではなく、本人が自分のスマートフォンに向かって話しているように感じられるコンテンツです。このスタイルを実現するために、このスキルは制作全体を案内します。失敗の多くは、広告制作の手法を持ち込むことで起こります。制作の振り分けはこのスキルが担い、各工程の仕組みは、工程ごとに指定された関連スキルが担います。連携と基本的な流れについては、このリポジトリの scenario スキルを参照してください。ここで名前が挙がっている関連スキルを利用できない場合は、ユーザーにインストールを依頼してください（npx skills add scenario-labs/skills --skill <name>）。無人で処理を進める場合は、ツールのスキーマに基づいて続行し、利用できないスキルがあることを明示してください。

譲れないルールが2つあります。製品を生成してはいけません。デモ撮影では、実際の製品を撮影した写真または動画のアップロードデータを使用してください（静止画には scenario-product-shots を使用）。また、言葉を創作してはいけません。架空の体験談、レビュー件数、指標、医療・金融に関する主張、法的な文言を捏造せず、ユーザーが提示または承認した台詞のみを使用してください。「ニキビが治ります」のような主張より、「質感が軽く見えます」のように観察可能な表現を優先してください。

クイックリファレンス：話者のレーンに応じて振り分ける

recommend には、レーンの機能とユーザー自身の言葉を渡して、利用可能なメンバーを見つけてください。recommend は、実測されたコストとレイテンシに基づいて候補を順位付けし、目的に特化した候補を示します。一方、機能を説明する言葉で search を実行すると、選択の手がかりがないキーワード検索結果が何百件も返ってきます。候補を選ぶ前に、scenario スキルに従って next_step を確認してください。すでに名前がわかっているメンバーを探す場合に限り、search を使用してください。生成モデルの ID を定数として決めつけないでください。Scenario 独自の単一目的ツールモデルは、以下にそのまま名前を記載しています。それぞれ1つしかないため、検出しても定数を再確認するだけです。

レーン	ルート	契約
ポートレートと音声	トーキングアバターのメンバー（img2video）	scenario-kling
既存の映像に新しいセリフを追加	リップシンクのメンバー（video2video）、音声またはtextのいずれか一方のみ	scenario-kling
収録済みの演技を別の顔で再現	モーションコントロールのメンバー（video2video。「motion control」とrecommendプロンプトに入力するか、リップシンクのメンバーが返された場合）：キャラクターの静止画と、駆動用のvideoとして収録映像を指定します。keepOriginalSoundを指定すると音声を保持します。出力はメンバー独自のサイズになり、静止画から引き継がれるのは向きのみです	scenario-kling
ネイティブ音声で話す生成クリエイター	ネイティブ音声対応の動画ファミリー（txt2video）。引用符内にセリフを入れ、演技（ペース、トーン、ジェスチャー1つ）を指定します	scenario-veo、scenario-seedance、scenario-kling
顔を映さないナレーション	Bロールクリップ（txt2video）とTTSナレーション（txt2audio）	scenario-video、scenario-elevenlabs
製品デモ用の挿入映像	アップロードした製品の静止画から動画を生成	scenario-product-shots、scenario-video
字幕、カット、9:16のマスター	アセンブリツールのモデル。テキストカードは画像レイヤーとして扱います	scenario-video-assembly、scenario-text-overlay
6つの話し言葉のビートで台本を書きます：フック（具体的な緊張感や結果を1つ）、背景（話し手がなぜそれを気にかけているのか）、製品が登場する場面、証拠（目に見えるデモ、またはユーザーから提供された事実）、転換点（反論への回答、またはビフォーアフター）、締め（控えめなCTA）。紙面ではなく、口に出して自然な言葉で書きます。短縮形や言いよどみも使ってかまいません。キャッチコピーは使いません。話すペースは1秒あたり約2.5語なので、25秒の広告はおよそ60語ですが、これはあくまで最初の目安です。アバターのメンバーは実際にはそれより遅く話します。観測されたペースは1秒あたり1.76〜1.94語で、あるメンバーは60語の台本に21秒の無音を加えていました。クリップを組み立てる前に、生成されたクリップの長さを測り、無音部分があればトリミングしてから、単に話すペースが遅い場合は台本を短くします。コンポジターではレイヤーの途中でカットできないため、トリミング後に残す各セグメントにつき1つのレイヤーが必要で、それぞれに独自のtrimStartとdurationを設定します。

すべてのビジュアルプロンプトで、同じレジスターを保ちます：スマートフォンの高さからのフレーミング、自然光、雑然とした実在の場所、自然な肌の質感、手持ちカメラの揺れは最大1回まで。シネマティックな文法（ドリー移動、ゴールデンアワーのリムライト、浅い被写界深度のアナモフィックな表現、カラーグレーディング、肌のレタッチ）は広告のように見え、信頼感を損ないます。ネイティブの9:16で構図を作ります。生成前に、scenario-formatsに従って、レーンで使う縦向きではない静止画（アバターのポートレート、モーションコントロール用のキャラクター静止画、製品写真）をリフレーミングします。16:9のマスターをクロップした映像は、テレビのような構図になります。

実践例：ポートレートから25秒の創業者広告を作成

1. 最初に一度だけ、オファー、プラットフォーム、再生時間、創業者が主張してよい事実、トーンを伝えます。ポートレートと実際の製品写真を集めたら、途中で止めずに実行します。
2. 最初の生成前に、この実行用のコレクションを作成し（collection_create、カタログ書き込みレーン、name のみ）、キープするアセットができるたびに collection_add_assets で追加します。返された itemCount が追加の証跡です。
3. 約60語で6つのビートを作成し、ユーザーに文言を確認します。スクリプトは単なるコピーではなく、主張の基盤です。無人で実行する場合は、ブリーフにすでに記載されている表現だけを各行に使い、新たな主張が必要になるビートは削除します。
4. 音声には、創業者が録音したナレーションを upload_asset するか、承認済みの代替音声を希望する場合は scenario-elevenlabs に従って TTS を生成します。
5. capability="img2video" と、ユーザー自身の言葉によるブリーフを指定して recommend を実行します。ランキングされた一覧から、まず入力要件で選びます（音声がテキストのみならスクリプトを受け取るメンバー、録音があるなら音声を受け取るメンバー）。次に、字幕を焼き込まないよう指示できるかで選びます。字幕にでたらめな文字を生成し、ネガティブプロンプトでも抑えられないメンバーもあります。切り替え機能があるメンバーは数倍の費用がかかりますが、その費用は recommend が算出します。
6. ポートレートを upload_asset します。話者の手には何も持たせず、セットには製品を置かないようプロンプトで指定します。アバターメンバーは小道具やラベルの文字を勝手に生成します。まず dry_run=true で model_run を実行します。アバターメンバー間の料金差は大きいため、費用を確認してから支出します。
7. wait=false で実行し、返されたジョブ ID を jobs_wait に渡します。タイムアウトした場合は pending_job_ids を指定して再呼び出し、model_run は二度と実行しません。
8. 製品写真の挿入カットを作成します。scenario-video に従い、画像から動画を生成するメンバーで、3～5秒の小さな動きを1つ付けてアニメーション化します。開始画像を使った場合に aspectRatio が維持されるかどうかはメンバーごとに異なり、スキーマの注記も正しいとは限らないため、比率が維持されたと決めつけず、返されたアセットの width と height を確認します。
9. scenario-video-assembly に従って model_scenario-compose-video で編集します。トーキングヘッドを軸にし、3つ目と4つ目のビートに挿入カットを重ねます。scenario-text-overlay で製品名カードを画像レイヤーとして作成し、承認済みの製品名がない場合は完全に削除します。製品名を捏造することは、ブリーフで禁じられた捏造にあたるためです。すべてのオーバーレイレイヤーには width と height を明示します。指定しないとコンポジターによって拡大縮小されます。また、durationMode: "custom" を指定すると、画像レイヤーによって尺が延びるのを防ぎ、マスターの長さを固定できます。コンポーズジョブの成功だけでは、レイヤーが描画されたことや指定位置に配置されたことの証明にはなりません。納品前に合成動画からフレームを取り出し、カードが存在し、正しく配置されていることを確認します。字幕は完成映像に最後に追加します。recommend で scenario-video-assembly が見つける字幕生成ツールを使います（候補が2つあるため、固定 ID はありません）。プラットフォームのセーフゾーン内に配置します。コンポジターにはテキストレイヤーがありません。
10. マスターを asset_display します。トーキングヘッドを含む、生成したすべてのクリップを審査します。プラットフォームからフレームを取得します。まず asset_get から無料の firstFrame と lastFrame を取得し、クリップ途中のフレームが判断材料になる場合は model_scenario-video-to-image-seq を使います。その後、scenario-asset-analysis に従ってアップロード素材と照合します。どの予算でもローカル抽出で代用することはできません。ファイル保存も監査もできるアセットが生成されず、審査の追跡可能性が失われるためです。話者の手に製品が捏造されていたり、生成された文字が判読できたりするクリップは、挿入カットのラベルが変わってしまうのと同様に不合格です。支出額は、この実行に属するジョブレコードをジョブ ID ごとに合計して報告します。jobs_list はプロジェクト単位のため過大な数値を返し、usage の見出し額はプロジェクト開始以来の累計です。

よくある間違い

• 広告コピーを書いて、話し手に渡すことです。頭韻を踏んだキャッチコピーは、トーキングヘッドでは不自然になります。生成する前に、スクリプトを声に出して読んでください。
• 社会的証明を捏造することです。架空の「星5つのレビュー10,000件」は、ユーザーが一度も述べていない主張です。数値や推薦文は、提供された表現のままにしてください。
• クリエイターにコマーシャルのような指示を出すことです。三脚での撮影、完璧な照明、隅々まできれいなスタジオのキッチンは広告のように見えます。不完全さこそがこの形式の魅力です。
• 音声と text の両方をリップシンクのメンバーに渡すことです。入力はどちらか一方のみです。どちらかを選んでください。
• アバターやリップシンクの実行で dry_run を省くことです。メンバーごとの料金には大きな差があるため、推測で判断できません。
• 商品や画面上のテキストを生成することです。商品はアップロードされた写真から使用し、文字は編集時に重ねます。ネイティブ音声対応メンバーは引用したセリフに字幕を付けることがあり、その字幕が字幕挿入ツールの配置するセーフゾーン内の字幕と重なります。そのため、会話プロンプトの末尾には必ず「字幕なし、画面上のテキストなし」と付けてください。この場合、セリフは唯一の調整手段で、費用もかかりません。ただし保証はありません（作成時に、ネイティブ音声対応メンバーの1つがそれでも字幕を付けました）。そのため、合成する前にフレームを確認してください。アバターメンバーは、どのプロンプトでも抑制できない字幕を幻覚することがあるため、手順5では字幕切り替えの料金を計上しています。
• 40秒のBロールや、生成したクリエイターのテイクを1つだけ使うことです。拍ごとにクリップを生成し、拍の切り替わりでカットしてください。長いテイクはずれが生じやすく、再試行のコストも高くなります。トーキングヘッドのスクリプトは1テイクのままにし、編集時にトリミングしてください。
• 横向きのマスター映像を9:16にクロップすることです。顔や字幕がセーフゾーンの外に配置されてしまいます。最初から縦向きで構成してください。