embedded-captions

話している映像に字幕を付けたいときです。映像自体は編集しません。

CATALOG.md にある様式

35

大きな型（Standard・Cinematic・Theme）

3 つ

同梱ファイル（2026-10-09 確認）

143 件

1 人が話す 1 カットの映像が対象

対象の条件が説明文で絞られています。1 人が話す 1 カットの映像。複数のカットが入っているなら、先に分けてから使います。

中国語の引き金の語も入っています（「炸」「特效」「酷炫字幕」）。派手な字幕を求める依頼を拾う意図です。

手元で完結する

説明文に明記されています。

この流れは端から端まで手元で走る。書き起こしと被写体の切り抜きを含む。

書き起こしは WhisperX（uvx 経由）、被写体の切り抜きも手元です。ただし切り抜きのモデル（約 168MB）は同梱されておらず、初回だけ取得するためネットワークが要ります。映像を外部に送らない構成なので、扱いにくい素材でも使えます。

35 の様式から 1 つ選ぶ

中心は CATALOG.md にある 35 の様式です（定番 10 種と意匠 25 種）。本文の言い方が明確です。

目録は 1 つ。最初に選ぶ。裏側の engine は実装の詳細である。

利用者に engine や分類の質問をするな、とも書かれています。見た目で選ばせ、実装は引き当てるという設計です。

大きく 3 つの型がある

★「全語を埋め込むのが定番の間違い」

本文がはっきり書いています。

埋め込みは希少で、勝ち取るもの。全部の語を埋め込むのがよくある間違いである。

解説や語りのある動画は Standard で足りる。Cinematic は完全に映画的な処理を明示的に求められたときだけ。Theme は VFX 級の依頼（「炸」「特效」「AE で作ったみたい」）のとき。

やりすぎを止める指示が本文に入っているのは珍しく、質が高い部分です。

手順は短い

本文の craft の説明は長いが、流れ自体は短いと断ってから段が並びます。

1. 悪い素材を断る関門悪い素材を断る関門を通ったら、目録から様式を 1 つ選ぶ
2. prepare.sh を 1 回hyperframes init のあと、切り抜き・書き起こし・音の波形を並行で
3. 創作上の選択を JSON に創作上の選択を小さな JSON に書く。安全域を先に読む
4. 描き出す前に目で見るpreview-frames.cjs で 1 コマ約 2 秒の合成プレビューを作り、点検の一覧で確かめる
5. 描き出して関門を通すrender-and-composite.sh が時間・隠れ・はみ出しなどの関門を通して final.mp4 を出す

段の外に、決定的に決まるものは計算するか組み立てる。手書きしない、という決まりが添えられています。

1 段目に「断る関門」がある

1 段目に「断る関門」があるのが良い設計です。複数カットや複数人の映像を受けてしまうと、あとで崩れます。

prepare.sh が 1 コマンドで並行に走るのも実務的です。本文の言葉では「1 つのコマンド、忘れ物なし」。

姉妹のスキルとの違い

字幕だけならこちら、情報カードを重ねるならあちらです。

この公開元は入口 1 件から入る作りです。4 層の構造は heygen-com/hyperframes の地図にまとめています。

• 複数のカットが入った映像使えません。先に分けてから、と説明文にあります
• 図版のカードを重ねたい別物です。talking-head-recut です
• 映像を編集したいこのスキルは映像に触りません。並べ替えや色の調整は general-video です
• ゼロから動画を作る作成の作り方（product-launch-video など）に回されます
• FFmpeg が無い環境動きません

図版のカードを重ねたいなら talking-head-recut です。映像の並べ替えや色の調整は general-video です。

SKILL.md の解析では、シェルコマンドを実行する記述が見つかっています。同梱ファイルは 143 件で、この公開元の中でも多いほうです（2026-10-09 確認）。

本文が 32KB を超える

本文は 34,642 バイトあり（2026-10-09 確認）、この公開元で 32KB を超えるもののひとつです。読ませると文脈をまとめて使います（スキルを入れすぎて重くなる仕組み）。

動かす前に入れるものがある

入れる先はプラグインの中ではなく字幕のプロジェクトで、版を固定した npm install の例が載っています。既にロックファイルにあるなら、その版を使って上書きしない、とあります。

切り抜きと書き起こしは、初回に自分のモデルを取得することがある、とも書かれています。切り抜きのモデルは約 168MB で、~/.cache/hyperframes/ に保存されます。

スキルの更新と、全体のスキル群の更新

冒頭に、使う前に npx hyperframes skills update embedded-captions で最新にせよ（走らせる前に利用者に確認する）とあります。また手順の hyperframes init は、入っているスキルを GitHub の最新と比べ、古ければ全体に入っているスキル群を更新すると書かれています。必須の道具が欠けていたら、黙って飛ばさず止まって利用者に聞け、ともあります。

手元で計算資源を使う

被写体の切り抜きと書き起こしを走らせるので、長い映像では時間がかかります（スキルを入れる前に確認すること）。

書き起こしの内容が手元のファイルに残る

話している内容がそのままテキストになります。機微な内容を含む映像なら、作業場所の扱いを決めてください。

同梱のスクリプトを走らせる

prepare.sh と複数の .cjs です。当サイトでは中身を検証していません。

やりすぎに注意する

本文が止めていますが、判断するのはエージェントです。依頼文で「既定の rail で」と伝えるのが確実です。

ライセンス

Apache-2.0。再配布や商用利用の前に公開元の表記を確認してください。

映像は外部に送られますか

送られません。説明文に「端から端まで手元で走る」とあり、書き起こしと被写体の切り抜きを含みます。ただし初回だけ、切り抜きのモデル（約 168MB）を取得する通信が起きます。

どの様式を選べばいいですか

既定の Standard です。下部の帯で本文を運び、山場だけ映像に埋め込みます。

本文は「全語を埋め込むのがよくある間違い」と明記しています。Cinematic は明示的に求められたときだけです。

複数のカットがある映像は使えますか

先に分けてください。説明文に明記されています。

1 人が話す 1 カットが前提です。

図版のカードも入れられますか

別のスキルです。talking-head-recut が題・下帯・引用・PiP のような設計されたカードを扱います。

時間はどれくらいかかりますか

当サイトでは測っていません。被写体の切り抜きと書き起こしを手元で走らせるので、映像の長さに比例します。本文は、切り抜きは CPU だけで 1080p なら毎秒約 2 コマ、10 秒の映像で 2〜3 分かかると見積もっています。

prepare.sh が並行で走る作りにはなっています。

対応しているエージェントはどれですか

Claude Code と Codex です。公開元の README が「Claude Code・Codex・Cursor で動く」と書き、Claude Code へのプラグインの入れ方と Codex への取り込み方を案内しています（2026-10-09 確認）。当サイトは公開元が明記しているものだけを「対応」として表示する方針なので、このスキルのページには両方が対応として出ます（指標の意味と限界）。