talking-head-recut

話している映像を「番組の体裁」に仕上げたいときです。

インタビュー、対談、収録した配信。映像はそのまま最後まで流れ、その上に時間の付いたカードが重なります。

重ねるもの

• 動く題
• 下帯（lower-third）
• 数値の吹き出し
• 引用
• 横のパネル
• 画面内画面（PiP）

引き金の語も挙げられています。「図版を重ねる」「画面上のグラフィック」「動画を仕上げて／飾って」。

型を決めずに、話した内容から起こす

本文の言い方が特徴的です。

決まった原型の一覧も、規定のカードの構造も無い。重ねるものは、書き起こしが実際に語っていることから生まれる。

そしてエージェントの仕事が具体的に書かれています。

エージェントがカードを設計し（時間と内容）、各カードの HTML を会話の中で直接書く。それらを 1 つの合成物の HTML に組み立て、MP4 に書き出す。

HTML を会話の中で書かせる

HTML を会話の中で書かせるのは珍しい作りです。生成されたものをその場で読めるので、出来上がりを見る前に方向を直せます。

途中のファイルが全部見られる

作業ディレクトリに残るものが列挙されています。

1. metadata.json長さ・幅・高さ・フレーム率
2. audio.mp3抽出した音
3. transcript.json語の配列（Whisper）
4. storyboard.jsonカードの骨組み（エージェントの計画）
5. public/cards/card-XX.htmlカード 1 枚ごとの HTML
6. public/index.html組み立てた合成物
7. output.mp4書き出した動画

どこで間違えたかを追える構成です。書き起こしが違うのか、カードの時間が違うのか、HTML が違うのかを分けて見られます。

transcript.json は平らな語の配列

transcript.json の形も明記されています。平らな語の配列で、segments も words の包みもありません。自分で加工するときに効く情報です。

質問を後回しにする

入口から振り分けられると、意図の層は入力（どの映像か）だけを確認します。そして残りの質問を先送りする宣言をします。先送りされるのは次の 4 つです。

• 縦横比
• 配置
• 意匠の系統
• カードの枚数

理由が書かれています。実際の映像と書き起こしを調べてからのほうが、推薦の根拠が出る。

「先に全部聞く」より合理的です。素材を見ないと答えようがない質問を、素材を見たあとに回しています。

「おまかせで」「聞かなくていい」と言われていれば質問自体を飛ばし、元の映像に合う縦横比・上下に分ける配置・中立的な意匠・自動の枚数を選んで、1 文で伝えます。

カードの枚数は長さと密度から決まる

枚数は、映像の長さから決めた 1 枚あたりの秒数に、情報の密度の係数（0.7／1.0／1.5）を掛けて出します。下限は 5 枚で、上限はありません。

枚数の下限。上限は無い

5 枚

本文の例。121 秒・密度が高い場合

17 枚

本文の例。1 時間のポッドキャスト・密度が低い場合

53 枚

意匠は 10 種の様式 × 4 種の配置 × 3 種の映像の枠の組み合わせで、見本の HTML が同梱されています。

姉妹のスキルとの違い

本文にもこの対比が明記されています。字幕だけならあちら、情報を足すならこちらです。

入口 1 件から入る作り

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。

ただの字幕なら別物

説明文が名指しで embedded-captions へ回しています。

映像を編集したいなら別物

このスキルでは映像はそのまま流れます。並べ替えや切り抜きなど、ほかの意図は入口の hyperframes に戻して振り分けさせる、と本文にあります。

ゼロから動画を作るなら別物

作成の作り方（product-launch-video、faceless-explainer など）に回されます。

入口を通さずに使うものではない

説明文に「不明なら /hyperframes」とあります。

話者が映っていない映像には合わない

下帯や PiP は、人が話している前提の部品です。

解析で見つかった記述

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 27 件です（2026-09-21 時点）。

本文が大きい

本文の大きさ（2026-10-17 確認）

65,513 バイト

原本のリポジトリのスキル。その中で最大（2026-10-09 確認）

21 件

同梱ファイル（2026-09-21 時点）

27 件

本文が 65,513 バイトあります（2026-10-17 確認）。原本のリポジトリの 21 件の中で最大で（2026-10-09 確認）、収録全体でも大きい側です。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）。

書き起こしの内容が手元に残る

transcript.json に話した言葉がそのまま入ります。機微な内容を含む収録なら、作業場所の扱いを決めてください（スキルを入れる前に確認すること）。

手元で計算資源を使う

音の抽出と書き起こしを走らせます。長い収録では時間がかかります。書き起こしは手元の Whisper（hyperframes transcribe）で、外部のサービスや API の鍵は使いません。

書き出しの前に、元の映像をキーフレームを詰めて再符号化します（間隔が粗いと、重ねた下の映像が止まって見えるため）。macOS では PRODUCER_BROWSER_GPU_MODE=hardware を強く勧めています。ソフトウェアだけの描画は多くのノートで時間切れになる、とあります。作業ディレクトリは、頼まれない限り消さない決まりです。

カードの内容は書き起こしから生成される

引用を載せる機能がある

発言を切り出して画面に出す操作なので、文脈から外れた引用にならないかを人が確認してください。

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。

映像は編集されますか

されません。映像は最後までそのまま流れ、その上にカードが重なります。

カードの内容はどう決まりますか

書き起こしから生成されます。決まった原型の一覧は無く、実際に語られていることからカードが起こされます。

エージェントが各カードの HTML を会話の中で書くので、出来上がる前に読めます。

縦横比はいつ聞かれますか

映像を調べたあとです。入口では入力（どの映像か）だけを確認し、縦横比・配置・意匠・カードの枚数は後回しにする宣言をします。

素材を見てから推薦するためです。

途中の結果を確認できますか

できます。書き起こし、カードの骨組み、カード 1 枚ごとの HTML、組み立てた合成物が作業ディレクトリに残ります。

どこで間違えたかを分けて追えます。

字幕も入れられますか

別のスキルです。embedded-captions が話した言葉を読める字幕として載せます。

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）。