Alisa0808/vox-director

Vox Director – AI駆動の「ペーパーカラージュ」解説動画

何ができるか – 1行のトピック（例：「メキシコの屋台料理」）を入力すると、ツールは自動的に短いVoxスタイルの動画を作成します。出力は完全にレンダリングされた mp4 ファイルで、以下の要素を含みます：

• スクリプト付きナレーション
• 各ビートごとのコラージュ風キーフレームポスター
• アニメーションされた動き
• 背景音楽と字幕

仕組み – パイプラインは、Atlas Cloud API とローカルの ffmpeg インストール上で動作する エージェントスキル です。手順は以下の通りです：

1. ビートマップ – エージェントが物語の構成（「ビート」）を提案し、承認してもらいます。
2. スタイルの比較 – 同じビートを複数のビジュアルテーマでレンダリングし、好みのスタイルを選択します。
3. キーフレーム生成 – 各ビートは nano-banana-2 テキストから画像へのモデルを使ってコラージュポスターに変換されます。
4. アニメーション – ポスターは Gemini-Omni-Flash 画像から動画へのモデル（または実写人物／ブランド用の専用モデル）でアニメーション化されます。
5. 音声と音楽 – ナレーションは xai/tts-v1（または seed-audio-1.0 で音声クローン）で生成され、音楽は minimax/music-2.6 から提供されます。
6. 統合 – ffmpeg がクリップを連結し、音声をミックス、字幕とウォーターマークを追加して final.mp4 を出力します。

入力のバリエーション – 基本的な「Bロール」フローに加え、以下のモードもサポートしています：

• Aロール – 話す顔の動画を提供；システムがビートに分割し、コラージュ風に再スタイル化しつつ、口の動きを維持します。
• Cロール – 単一の写真を提供；被写体を切り抜き、各コラージュポスターに配置します。
• ホストモード – 単一の画像から生成されたデジタルプレゼンターが、コラージュ世界の中でナレーションを語ります。

使用するモデル – すべてのモデルは Atlas Cloud を通じてアクセスされます（スキルは実行時に最新のリストを取得します）。主なモデルは以下の通り：

• google/nano-banana-2：コラージュポスター用
• google/gemini-omni-flash：汎用アニメーション用
• kwaivgi/kling-video-o3-pro：実写人物アニメーション用
• bytedance/seedance-2.0：プレゼンター動画用
• xai/tts-v1：TTS用
• minimax/music-2.6：背景音楽用

インストールと使用方法 – 単体のプログラムではなく、エージェントスキル として動作します。Claude Code、Codex などのコードエージェントが呼び出せます。リポジトリをエージェントのスキルディレクトリにクローンするか、提供された .skill ファイルを読み込むことでインストールできます。その後、Atlas Cloud APIキーを設定し、1行のプロンプトで動画作成を依頼するだけです。

リポジトリの内容 –

• SKILL.md/SKILL.zh.md – エージェント向けのワークフロー説明
• scripts/ – パイプラインの各ステージ用の個別スクリプト
• references/ – プロンプトガイド、物語構成テンプレート、音声リスト、細かい動き用のローカルエンジン説明
• examples/ – 実行可能な beats.json ファイル群
• assets/ – READMEで使用されるサンプル動画

開発者 – Alisa Qian (@alisaqqt)。プロジェクトは MIT ライセンスで、Atlas Cloud サービスに依存しています。

---

要するに、Vox Director は、短いテキストプロンプトをもとに、洗練されたコラージュスタイルの解説動画を生成する即戦力のAI駆動ワークフローであり、エージェントフレンドリーなスキルと一連の生成モデルによって制御されています。