youtube-script-master

YouTube スクリプトマスター

Hinglish でデータに基づき、エビデンスに基づいた循環器系の YouTube スクリプトを作成するための統合スキルです。

このスキルは、research-engine の Python パイプラインからデータを取り込みます。 手作業でのウェブ検索によって、そのパイプラインを置き換えるものではありません。

---

重要：まずリサーチパイプラインを実行する

スクリプトを執筆する前に、research-engine を実行して、次の項目を生成しておく必要があります。

• 優先順位を付けたトピックを含むコンテンツカレンダー
• 需要分析（人々が何を求めているか）
• ギャップ分析（どこに機会があるか）
• ナラティブ分析（取り上げるべき誤情報は何か）

cd "/Users/shaileshsingh/cowriting system/research-engine"
python run_pipeline.py --quick    # Quick mode (~10 min)
python run_pipeline.py            # Full mode (~30 min)

---

全体のアーキテクチャ

┌─────────────────────────────────────────────────────────────────┐
│           PHASE 1: DATA COLLECTION (Weekly - Python Pipeline)   │
├─────────────────────────────────────────────────────────────────┤
│                                                                  │
│  channel_scraper.py ──► Scrapes 35+ channels (no API needed)   │
│                         Competition, inspiration, belief-seeders│
│                                                                  │
│  comment_scraper.py ──► Downloads comments from top videos      │
│                         Extracts questions and pain points      │
│                                                                  │
│  OUTPUT: /data/scraped/latest_scrape.json                       │
│          /data/scraped/latest_comments.json                     │
└─────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────────┐
│           PHASE 2: ANALYSIS (Python Pipeline)                    │
├─────────────────────────────────────────────────────────────────┤
│                                                                  │
│  demand_signals.py ──► What topics get views/engagement         │
│                        Question themes, demand scoring           │
│                                                                  │
│  narrative_monitor.py ──► Tracks 8 dangerous narratives:        │
│                           1. LDL skepticism                      │
│                           2. Statin fear                         │
│                           3. Insulin primacy                     │
│                           4. Fasting absolutism                  │
│                           5. Supplement superiority              │
│                           6. Seed oil villain                    │
│                           7. Exercise compensation               │
│                           8. Fear mongering                      │
│                                                                  │
│  gap_finder.py ──► Content opportunities                        │
│                    CORRECTION_OPPORTUNITY (misinformation)       │
│                    LANGUAGE_GAP (English→Hindi needed)           │
│                    DEMAND_GAP (questions but no videos)          │
│                    PROVEN_TOPIC (high views in English)          │
│                                                                  │
│  view_predictor.py ──► ML prediction of video performance       │
│                        Ridge regression + TF-IDF on title        │
│                                                                  │
│  OUTPUT: /output/demand_analysis_*.json                          │
│          /output/narrative_analysis_*.json                       │
│          /output/content_gaps_*.json                             │
└─────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────────┐
│           PHASE 3: PLANNING (Python Pipeline)                    │
├─────────────────────────────────────────────────────────────────┤
│                                                                  │
│  idea_combinator.py ──► Seed ideas (300+) × Modifiers (215+)   │
│                         Filters by pillar, archetype, compat    │
│                         Prioritizes by demand + gap scores       │
│                                                                  │
│  calendar_generator.py ──► 100-day content calendar             │
│                            Mon/Wed/Fri schedule                  │
│                            Balanced by pillar and audience       │
│                                                                  │
│  OUTPUT: /output/calendar.json                                   │
│          /output/100-day-calendar.md (Obsidian-ready)           │
│          /output/idea-briefs/*.md (per-video briefs)            │
└─────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────────┐
│           PHASE 4: KNOWLEDGE BUILDING (Per Video)                │
├─────────────────────────────────────────────────────────────────┤
│                                                                  │
│  knowledge_pipeline.py ──► RAG + PubMed in parallel             │
│    ├─► RAG: Your textbooks/guidelines (AstraDB)                 │
│    └─► PubMed: Latest research (NCBI API)                       │
│                                                                  │
│  OUTPUT: Knowledge brief with citations                          │
└─────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────────┐
│           PHASE 5: SCRIPT WRITING (This Skill - Opus)            │
├─────────────────────────────────────────────────────────────────┤
│                                                                  │
│  INPUTS:                                                         │
│  - calendar.json (which topic, why now)                         │
│  - content_gaps.json (opportunity type)                         │
│  - narrative_analysis.json (if debunk: which narrative)         │
│  - knowledge_brief (evidence for claims)                        │
│                                                                  │
│  APPLY:                                                          │
│  - Hinglish rules (70% Hindi / 30% English)                     │
│  - Script structure (hook → body → CTA)                         │
│  - Debunk protocol (if correction opportunity)                  │
│  - 6-point voice check                                          │
│                                                                  │
│  OUTPUT: Complete 15-30 min script in Hinglish                  │
└─────────────────────────────────────────────────────────────────┘

---

リサーチエンジンの出力を活用する

ステップ 1：コンテンツカレンダーを確認する

# See next 5 topics to create
python calendar_generator.py --show-next 5

# Or read directly
cat /output/calendar.json | head -100

カレンダーの各項目には、次の情報が含まれています。

• seed_idea - トピック
• modifier - 切り口
• gap_score - これが機会である理由
• recommended_date - 公開するタイミング

ステップ 2：誤情報を訂正する必要があるか確認する

# Get threat ranking of narratives
python analyzer/narrative_monitor.py --threats

# Generate debunk ideas
python analyzer/narrative_monitor.py --debunk

# Get response video ideas for high-reach misinformation
python analyzer/narrative_monitor.py --response

出力には次の情報が含まれます。

• どのチャンネルが、どのナラティブを広めているか
• 誤情報を含む動画の再生回数
• 誤情報訂正コンテンツ用に事前生成された Hinglish のフック
• 反論コンテンツに対応する seed idea

ステップ 3：訂正の機会を確認する

python analyzer/gap_finder.py --corrections

リーチの大きい誤情報動画が、次の情報とともに返されます。

• 動画のタイトルと再生回数
• 検出されたナラティブ
• 推奨される訂正形式（direct_response、evidence_synthesis、gentle_correction、indian_context）

ステップ 4：選択したトピックのナレッジを構築する

from rag_pipeline.src.knowledge_pipeline import KnowledgePipeline

pipeline = KnowledgePipeline(verbose=True)
brief = pipeline.synthesize_knowledge("Your selected topic")

ステップ 5：このスキルを使ってスクリプトを執筆する

すべてのデータがそろったら、以下のルールを適用してください。

---

追跡対象のチャンネル 35 以上（データソース）

research-engine は target_channels.json 内の次のチャンネルを追跡します。

競合チャンネル（ヒンディー語）- 差別化／モニタリング

• Dr Navin Agrawal CARDIO CARE（300K+）
• Cardiac Second Opinion（100K+）
• SAAOL Heart Center（3.4M）- 反面教師

インドの大規模チャンネル - モニタリング／差別化

• Fit Tuber（7M+）
• Dr Vikas Bangar（1M+）
• Satvic Movement（1M+）
• Dr Biswaroop Roy Chowdhury（4M+）- 重大な反面教師

参考チャンネル（英語）- 手法を取り入れる

• Peter Attia MD（1.5M+）- 主要な手本
• York Cardiology（1M+）
• Nutrition Made Simple（1.2M+）
• The Proof with Simon Hill（1M+）
• Dr Ford Brewer（700K+）
• Medlife Crisis（1.5M+）

誤った信念の発信源 - 誤情報訂正の優先度：高

• Dr Eric Berg（11M+）- ケト、インスリン最優先説、スタチンへの懸念
• Dr Sten Ekberg（3.5M+）- インスリン、断食
• Dr Ken Berry（2.5M+）- 肉食、LDL への懐疑
• Dr Mark Hyman（3M+）- 機能性医学
• Dr Jason Fung（1M+）- 断食
• Dr Pradip Jamnadas（1M+）- インド系ディアスポラで人気

---

追跡対象のナラティブ 8 種類（誤情報訂正コンテンツ用）

narrative_monitor.py は、次の危険な信念を追跡します。

ナラティブ	主張の内容	主なチャンネル
ldl_skepticism	「LDL は心臓病を引き起こさない」	Berg, Ekberg, Berry, Low Carb Down Under
statin_fear	「スタチンは危険／不要だ」	Berg, Berry, SAAOL, Satvic
insulin_primacy	「重要なのはインスリンだけで、LDL ではない」	Ekberg, Fung, Jamnadas, Hyman
fasting_absolutism	「断食はあらゆる病気を治す／回復させる」	Fung, Jamnadas, DeLauer
supplement_superiority	「サプリメントは薬より優れている」	Berg, Hyman, Huberman
seed_oil_villain	「種子油は心臓病を引き起こす」	Berry, Saladino
exercise_compensation	「運動でプラークを消せる」	Various
fear_mongering	「医師や製薬会社は治療法を隠している」	Dr Biswaroop, SAAOL

誤情報訂正コンテンツを執筆する場合は、以下の最善の主張を提示してから訂正するプロトコルを使用してください。

---

Hinglish の言語ルール

語彙の選択基準

文脈	ヒンディー語を使う	英語を使う
感情	Dil, zindagi, takleef	-
医学用語	-	Cholesterol, BP, diabetes, LDL, HDL
行動	Samjhiye, dekhiye, sochiye	-
データ	-	80%、studies show、evidence
身体の部位	-	Heart, arteries, blood
深刻度	Khatarnak, serious	Critical, emergency

比率：ヒンディー語 70%／英語 30%（専門用語のみ）

文のパターン

説明：

「コレステロールには2種類あります。『悪玉コレステロール』のLDLと、『善玉コレステロール』のHDLです。LDLが多すぎると、動脈にたまってしまいます……」

エビデンスの引用：

「インド人5万人を対象とした2023年の研究では、……ということが分かりました」

実践的なアドバイス：

「では、何をすればよいのでしょうか？簡単です。毎日30分歩くこと、夕食は午後8時前に済ませること、そしてナトリウムを減らすことです……」

つなぎの言葉（ヒンディー語）

• 話題を進める：「次の話ですが……」「3つ目は……」「最も大切なのは……」
• 対比：「しかし……」「そうですが、ただ……」「ここに意外な展開があります……」
• 強調：「よく聞いてください……」「これは重要です……」「忘れないでください……」
• ストーリー：「ある患者さんの事例をお話しします……」「私に何が起きたかというと……」

---

台本の構成（15～30分の動画）

フック（0:00 - 0:30）

視聴者のスクロールを止め、好奇心をかき立てます。

パターン：

• 驚きの統計：「これをしているインド人の80％は、心臓病のリスクが2倍です……」
• 通説への挑戦：「[belief]と聞いたことがあるでしょう。それは間違いです。なぜか説明します……」
• ストーリーの導入：「42歳の患者さんが私のところに来ました。その症例を聞けば、目が覚めるでしょう……」
• 直接的な質問：「[common thing]をしていますか？それは心臓にどんな影響を与えているでしょうか？」

ルール：

• 「ナマステ、皆さん」は使わない（退屈で、スキップされやすい）
• 最初の5秒が最も重要
• 必ず解消しなければならない情報のギャップを作る

誤情報を正す動画の場合、narrative_monitor.py は次のようなヒングリッシュのフックを生成します：

• 「YouTubeでLDLは悪くないと見ましたか？循環器専門医が真実をお話しします……」
• 「スタチンが怖いですか？その不安は分かります。では、エビデンスを見てみましょう……」

導入＋信頼性（0:30 - 2:00）

専門性を示し、視聴者の期待を設定します。

「私はシャイレシュ医師です。インターベンショナル・カーディオロジストとして、これまでの15年間で何千人もの患者さんを診てきました。今日は、クリニックで患者さんにお話ししていることをお伝えします……」

本編 - メインコンテンツ（2:00 - 25:00）

構成の選択肢：

A. リスト形式（3～5項目）

Point 1: [Setup → Evidence → Practical takeaway]
Transition: "Ab doosri baat..."
Point 2: [Setup → Evidence → Practical takeaway]
...

B. ストーリー中心

Patient case introduction
What happened (tension)
Medical explanation (education)
Resolution
Lessons learned

C. 神話の検証（誤情報を正す形式）

State the myth clearly
Steelman: Why people believe it (from narrative_monitor data)
Evidence: What studies actually show (from knowledge_brief)
Nuance: The complete picture
What to do instead

エンゲージメントのきっかけ（3～4分ごと）：

• 視聴者への質問：「どう思いますか？」
• 意外な事実の提示：「しかし、ここに意外な展開があります……」
• 共感できる瞬間：「皆さんもそう考えているかもしれません……」
• パターンの中断：テンポ、口調、または視覚的な合図を変える

まとめ＋CTA（25:00 - 30:00）

まとめ：

• 重要なポイントを3つ簡潔に振り返る
• 要点を一文で伝える
• 「一つだけ覚えておくとしたら……」

CTA（主要なものを1つ選択）：

• チャンネル登録：「このチャンネルでは、こうした動画を定期的に公開しています……」
• コメント：「質問を下に書いてください。お答えします……」
• 共有：「役に立ちそうな方に送ってください……」

---

スチールマンしてから訂正するプロトコル（誤情報を正すコンテンツ向け）

ステップ1：真実の核心を見つける

広く信じられている健康に関する考えには、必ず何かしらの真実が含まれています。それを見つけます。

考え	真実の核心
「LDLは問題ではない」	LDLだけでは全体像は分かりません。粒子数や炎症も重要です
「スタチンは毒だ」	スタチンには副作用もあります。誰もが必要とするわけではありません
「断食ですべてが治る」	断食には代謝上のメリットがあります。カロリー制限も有効です
「本当の問題はインスリンだ」	インスリン抵抗性は重要です。代謝の健康も大切です

ステップ2：明確に認める

誤り：

「この人たちは間違っています。LDLが心臓病を引き起こすことは明らかです」

正しい例：

「この考えはどこから来たのでしょうか？実は、妥当な指摘が一つあります。LDLだけでは全体像は分かりません。ApoB、粒子数、炎症のすべてが重要です。しかし、だからといってLDLがまったく問題ではないということではありません……」

ステップ3：論理的な誤りを示す

• 単純化しすぎること：「それほど単純ではありません……」
• 研究のつまみ食い：「すべての研究を見てみると……」
• 個人の体験談とエビデンスの混同：「そうした経験をした人もいますが、集団レベルで見ると……」

トーン：言わない表現／代わりに使う表現

言わない表現	代わりに使う表現
「この人たちは間違っています」	「このアプローチには問題が一つあります」
「くだらない」	「話はそれほど単純ではありません」
「あなたはだまされています」	「部分的には正しいですが……」
「危険な誤情報です」	「エビデンスは別のことを示しています」

---

6項目のトーンチェック

スクリプトを納品する前に、次の6項目すべてを確認してください。

#	チェック項目	質問
1	権威性	Topol／Attia／Hubermanなら、Hinglishでこう言うでしょうか？
2	専門性	ウェルネスのグルではなく、心臓専門医のように聞こえますか？
3	厳密さ	英語のジャーナルレビューとして通用しますか？
4	わかりやすさ	デリーの中学1年生でも理解できますか？
5	説教臭くない	説明になっていますか？ 説教になっていませんか？
6	偏見がない	エビデンスに基づいていますか？ 生活習慣を責めていませんか？

詳しい基準については、voice-check.md をご覧ください。

---

エビデンスの引用プロトコル

研究について

「2023年にEuropean Heart Journalにメタ分析が発表されました。200件の研究、200万人を対象としたものです。何がわかったのでしょうか？ [specific finding]……」

ガイドラインについて

「欧州のトップ心臓専門医によるESCガイドラインでは、[specific recommendation]を推奨しています。なぜでしょうか？ エビデンスが示しているからです……」

臨床経験について

「私が過去15年間診療を行う中で、[observation]の事例を[X]件見てきました……」

---

クイックリファレンス：データファイル

ファイル	場所	内容
コンテンツカレンダー	/output/calendar.json	何をいつ作成するか
需要分析	/output/demand_analysis_*.json	視聴者が求めているもの
ギャップ分析	/output/content_gaps_*.json	機会がある分野
ナラティブの脅威	/output/narrative_analysis_*.json	誤りを正すべき内容
シードアイデア	/data/seed-ideas.json	300以上のトピック案
修飾子	/data/modifiers.json	215以上のコンテンツの切り口
対象チャンネル	/data/target_channels.json	追跡対象の35以上のチャンネル

---

スラッシュコマンド

コマンド	目的
/research-and-script [topic]	一連のワークフロー：データ → ナレッジ → スクリプト
/show-calendar	コンテンツカレンダーを表示
/debunk-script [narrative]	誤りを正す動画を作成
/idea-details [idea-id]	特定のアイデアについて詳しく調査

---

非推奨のスキル

このスキルは、次のスキルに代わるものです。

• /.claude/skills/youtube-script-hinglish/skill.md - 非推奨
• /.claude/skills/debunk-script-writer/skill.md - 非推奨
• /.claude/skills/cardiology-youtube-scriptwriter/SKILL.md - 非推奨

代わりに、この統合スキルを使用してください。

---

このスキルにより、すべてのYouTubeスクリプトは、データ主導（research-engineによる）＋エビデンスベース（RAG+PubMedによる）＋本物らしさ（6項目チェックを通過したHinglishの語り口）を備えます。