Video Audio

Documents

video-audio

Video Audio is an Agent Skill for documents published in the minicoohei/ai-agent-camp repository on GitHub: a SKILL.md instruction file an AI agent can load to do this task.

動画用音声生成スキル。ElevenLabs TTS APIでscenes.jsonのナレーションから音声ファイルを生成し、動画と同期可能な形式で出力する。「ナレーション生成」「TTS」「音声追加」等で発動。

View on GitHub ↗

QUICK START

How to use this skill

Bring this guide into your coding agent with a prompt tailored to the tool you use.

Open your project in Codex.
Copy and paste the prompt below.
Review files and risks before approving any action.

Prompt to paste

Inspect the Agent Skill at https://github.com/minicoohei/ai-agent-camp/blob/HEAD/.claude/skills/video-audio/SKILL.md and all supporting files. Report provenance, permissions, scripts, dependencies, and security risks. Propose an exact installation into .agents/skills/video-audio, but wait for my approval before writing files or running scripts.

Copying this prompt does not install or run the skill. Review third-party files before use.

Video Audio (TTS)

scenes.json の narration フィールドから ElevenLabs TTS で音声を生成する。

クイックスタート

# 全ナレーションを結合した1ファイル生成
python skills/video-audio/scripts/generate_audio.py \
  --storyboard-dir output/storyboard/YYYYMMDD_session \
  --voice akari \
  --output output/narration.mp3

# フレームごとに個別ファイル生成
python skills/video-audio/scripts/generate_audio.py \
  --storyboard-dir output/storyboard/YYYYMMDD_session \
  --voice akari \
  --per-scene

日本語ボイス一覧

ID	名前	特徴	エイリアス
EkK6wL8GaH8IgBZTTDGJ	Akari	明るく自然な女性	`akari`
EnLxjGl88dNO1Jv6AZk2	Miyu	信頼性と深みのある声	`miyu`
G3EZ8O36A0x9lmeOtr0f	Kaori	親しみやすいフレンドリー	`kaori`
PmgfHCGeS5b7sH90BOOJ	Fumi	落ち着いた女性	`fumi`
StTDrGrPSyfaHGmzwXbj	Masa	日本語男性	`masa`
gARvXPexe5VF3cKZBian	Mitsuki	ニュートラル	`mitsuki`
YOUR_VOICE_ID	Custom Voice	カスタムボイス	`custom`

オプション

オプション	デフォルト	説明
`--voice`	`akari`	ボイス名またはID
`--model`	`eleven_multilingual_v2`	TTSモデル
`--stability`	`0.5`	安定性 (0-1)
`--similarity`	`0.75`	類似度ブースト (0-1)
`--speed`	`1.0`	再生速度
`--per-scene`	false	フレームごとに個別ファイル出力
`--silence-gap`	`0.3`	シーン間の無音（秒）
`--output`	auto	出力ファイルパス

出力

結合モード（デフォルト）

{storyboard_dir}/audio/narration.mp3    # 全ナレーション結合
{storyboard_dir}/audio/narration.json   # タイムスタンプ情報

per-scene モード

{storyboard_dir}/audio/frame_01.mp3
{storyboard_dir}/audio/frame_02.mp3
...
{storyboard_dir}/audio/timestamps.json  # 各フレームの開始・終了時刻

timestamps.json フォーマット

{
  "total_duration": 18.5,
  "scenes": [
    {
      "frame_number": 1,
      "start": 0.0,
      "end": 2.8,
      "duration": 2.8,
      "text": "ナレーション台本"
    }
  ]
}

動画との統合

compose_video.py で --audio オプションに渡す:

python skills/video-editor/scripts/compose_video.py \
  --storyboard-dir output/storyboard/session \
  --audio output/storyboard/session/audio/narration.mp3

Remotion の場合は public/audio/narration.mp3 に配置し、<Audio> コンポーネントで参照。

環境変数

ELEVEN_API_KEY — ElevenLabs API キー（必須）

依存

Python 3.11+
curl (ElevenLabs API呼び出し)
ffmpeg (音声結合用、.bin/ffmpeg)