talking-head-and-piece-to-camera

トーキングヘッドとカメラに向けた語り

カメラの前で話す技術――セットアップを録画し、セリフではなく構成を頭に入れ、最初の3秒で引き込み、リテイクのルールを受け入れ、まとめ撮りをすることです。スクリプトは short-form-video-script で作成し、人間が撮影してテイクを選び、完成したファイルをWoopSocial が公開します。

基本姿勢：洗練よりも存在感が大切で、ポケットのスマートフォンで十分です

トーキングヘッドが機能するのは、実在する人物の顔が、アバターには築けないパラソーシャルな信頼を生むからです（信頼を重視する創業者コンテンツを synthesia がここに誘導するのは、まさにこのためです）。初めての人が逆に考えがちな真実が3つあります。1つ目、機材はボトルネックではありません――目の高さに置いて窓に向けたスマートフォンに、安価なピンマイクを組み合わせたほうが、セットアップを間違えた高価なカメラよりも優れています。視聴者は映像の粗さは許しても、音声の悪さは決して許しません。2つ目、読み上げると台無しになります――セリフではなく、話の構成（要点）を覚えましょう。一言一句読むと目に表れますが、多少不完全でも自分の言葉で話せば人間らしく聞こえます。3つ目、十分に良いテイクを公開しましょう――たいていテイク4はテイク2より悪くなります。エネルギーは話し方が上達するより早く落ちるからです。完璧主義は、まさに誰の視聴維持にも役立ちません。自然に感じるより20％高いエネルギーで、1人に向けて話し、自分らしく聞こえるテイクを公開しましょう。

まずはこちらをお読みください

1. brand-profile ＋ voice-builder — 話し手は誰か、カメラの前以外ではどんな話し方をするのか（カメラの前で目指す姿）。
2. short-form-video-script（長尺の場合は youtube-long-form）— 話すスクリプト／要点。撮影に複数のシーンがある場合は scripting-and-storyboarding も参照してください。

フレームワーク：TAKES

（詳しくは references/the-takes-framework.md を参照してください。）

• T — セットアップを録画する： スマートフォンは目の高さで、腕の長さより少し離し、レンズを上部に配置します。最も大きな窓に向かい（背にしない）、マイクは近くに置きます（有線ピンマイク、またはスマートフォンから≤60cm）。どんなマイクよりも静かな部屋を優先します。奥行きのある、きれいながらも自然な背景にします。縦型9:16で、目を画面の上部3分の1に収め、字幕用の安全領域を空けます。
• A — セリフではなく構成を頭に入れる： 3～5個の要点と最初・最後のセリフを一言一句覚え、間は自分の言葉で話します。どうしても必要な場合にのみテレプロンプターを使います。レンズの横にテキストを置き、細い列にして、ゆっくりスクロールさせ、2回リハーサルするか、1行ずつ表示する方法を使います。読むと目に表れます。descript の Eye Contact で補正できるのは、読み上げたときの目線であり、話し方ではありません。
• K — 最初の3秒で引き込む： すでに話し始めている状態から勢いよく始めます。息を整えたり、構えたり、「みなさん、こんにちは」と言ったりしません。毎回、新鮮なフックを最初に言います。笑顔を見せてから話し、手が見えるようにし、レンズの向こうにいる1人に向けて話します。
• E — リテイクのルールを受け入れる： 動画全体ではなく、要点ごとに撮り直します。録画を続けたまま、該当のセリフをもう一度言います（テイクの目印として間に手をたたきます）。3回ルール――同じセリフで3回失敗したら、問題は文章にあります。short-form-video-script に戻しましょう。十分に良いテイクを公開します。
• S — まとめ撮りをする： 1つのセットアップで、1回のセッションにつき4～8本のスクリプトを撮影します。最も難しいスクリプトから始め、投稿が同じ日に撮影したように見えないよう、スクリプトごとにトップスを替えます。エネルギーが落ちる約60～90分で終了します。batch-content-plan ／ content-calendar で計画しましょう。

実情（四半期ごとに検証）

最近のスマートフォンならどれでも4Kで撮影でき、あらゆるSNSフィードの解像度を上回ります。音声は映像よりも、知覚される品質を大きく左右します（クリエイターの共通認識――出典を明記してください）。目線より下のレンズは見下ろされている印象を与え、逆光の窓は人物をシルエットにします。カメラの前でのエネルギーは、実際に感じるより約20％平板に伝わります（放送分野のコーチングでの慣例）。テイクの品質は通常、テイク2～3でピークを迎え、その後はエネルギーとともに低下します。まとめ撮りのセッションは約60～90分で勢いが落ちます――いずれも目安であり、出典を明記し、四半期ごとに検証してください。 詳細な数値とスマートフォン中心のセットアップについては references/talking-head-2026-reality.md を参照してください。まとめ撮り当日の手順、セットアップ例（デスク／歩きながら／車内）、カメラが苦手な人向けの導入方法については references/batch-filming-and-recipes.md を参照してください。

対応範囲を正直に示す（決して逸脱しない）

• エージェントは、準備と公開をコーチし、台本をビートマップまたはプロンプターテキストとして整え、ショットリスト やまとめ撮りプランを作成し、セルフレビューチェックリストを提示します。人間が撮影し、演じ、テイクを選びます。エージェントは映像を見られません — テイクを評価することも、「自然に見えた」と捏造することも、観察できない結果を主張することもありません。WoopSocial が完成ファイルを公開します — 撮影、編集、映像の分析は行いません。
• 機材の購入を解決策として勧めること（まずはスマートフォンを使い、明確な限界に達した場合にのみアップグレード）、カメラが苦手な人に撮影を強いること（アバターや顔を出さない形式へ誠実に案内）、画面に映るほかの人の同意を省略することは決してしません。実在の人間の AI による補正（視線の補正、レタッチ）は、プラットフォームの開示ルールに従います。（対応範囲の詳細：references/scope-and-connections.md。）

エッジケース（誠実に対応）

• カメラが苦手／撮影したくない： 正当な選択です。開示したうえでアバターを使う場合は、heygen（クリエイター／ソーシャル向け）または synthesia（エンタープライズ／ L&D 向け）へ案内するか、顔を出さない形式（画面録画／B-roll + ai-voiceover）を提案します。 音声のみから始め、次に手元や机のショット、最後に顔を映すという無理のない導入も提案しますが、決して強要しません。
• 完璧主義／30テイク目に突入： ほどよい完成度を目指す方針を適用します。ビートごとのテイク数は最大3回とし、自分らしい話し方になっているテイクを公開するよう促し、視聴者が評価するのは完璧さではなく、その人らしさだと思い出してもらいます。
• 「テイクを見て、よくできていると言って」： できません — 映像を見られないためです。セルフレビューチェックリスト（ミュートでもフックが伝わるか？ エネルギーはあるか？ レンズを見ているか？ 音声はクリアか？）を渡し、人間自身の判断を尊重します。

関連するスキルとの違い（適切に案内）

talking-head-and-piece-to-camera（これ） = 人間による撮影と演技の技術 · short-form-video-script = このスキルで使う台本（併用） · scripting-and-storyboarding = 複数シーンの撮影計画（これは撮影当日の演技） · heygen / synthesia = 人間が撮影できない／したくない場合の合成プレゼンター · captions-and-clipping / capcut / descript = 撮影後の編集（descript の Eye Contact は読み上げ映像を補正するものであり、 演技の代わりにはなりません） · livestream-and-realtime = カメラに向かって行うライブ配信（撮り直しなし） · ai-voiceover = 顔を出さずに音声のみを使う形式。

接続先

最初に参照：brand-profile + voice-builder. 台本の取得元：short-form-video-script（または youtube-long-form）、計画の取得元：scripting-and-storyboarding、まとめ撮りの枠の取得元：batch-content-plan + content-calendar。連携先：captions-and-clipping / capcut / descript（編集）、opus-clip （長尺動画のクリップ作成）、cross-platform-repurposing. 別の形式へ案内：アバター → heygen / synthesia. 公開方法：編集済みファイル → scheduling-and-queue → WoopSocial. 測定：ネイティブの分析機能 + analytics-and-reporting で3秒視聴維持率／AVD／完了率を測定 — 決して捏造しません。

完了の定義

ビートマップに基づいて撮影した、カメラに向かって話す動画（最初と最後のセリフは逐語どおり、中央部分は即興）が完成していること。目の高さで光の当たる方向を向き、スマートフォンを使って撮影し、近くに設置したマイクでクリアな音声を収録し、字幕を載せやすい9:16の画角に収めること。前置きなしで、フックから勢いよく始めること。各ビートの撮り直しは3回までとし、無難な完成度で公開して、磨きすぎて生気を失わせないこと。量を重視する場合は、台本4～8本、冒頭部分の差し替え案、所要時間90分以内でまとめ撮りすること。カメラが苦手な人は、heygen/synthesia または顔を出さない形式へ誠実に案内すること。人間が撮影し、テイクを選ぶこと（エージェントは見られない映像を評価せず、称賛を捏造せず、機材を解決策として勧めないこと）。画面に映るほかの人の同意を得ること。ファイルをcaptions-and-clipping/capcut/descriptで編集し、scheduling-and-queue → WoopSocialで公開すること。3秒視聴維持率／AVD／完了率で測定すること。そしてshort-form-video-script、scripting-and-storyboarding、heygen/synthesia、編集スキルと正しく区別すること。