フレームロック動画リメイクエンジン（マルチエージェントワークフロー）

タスク: [path/to/reference.mp4] を参照した同期リメイク。[PRODUCT] = [1行: 販売内容 + オファー + 価格]。REF と並べて再生すると視覚的にフレームロックされていることが分かり、単独で再生しても REF から来たとは誰にも分からない。同一に保つこと(目視ではなく測定): すべてのカットフレーム、ショット長、レイアウトスロット、フレームごとの要素サイズと位置、登場/退場フレーム、イージングカーブ、カメラ移動、タイピング速度(フレームあたりの文字数)、カーソルパス、フレームごとのトランジション適用率、ショットごとの輝度(REF が暗い場所は暗く)、移動ごとのぼかしオン/オフ、オーディオヒットタイミング、音楽ドロップフレーム。それ以外はすべて交換: すべての画像、オブジェクト、単語、色、テクスチャ、UI クローム、ロゴ、フォント。見た目 = [LOOK、例: "ページ #FDFDFB + 空 linear-gradient(180deg,#263F72,#769CC2) に 20〜35% の細い白線アート、すりガラス(白 30%→14%、backdrop blur 24px saturate 1.3、1px 白リム、shadow 0 18px 50px rgba(10,22,50,.18))、Inter 600、アクセントカラー 1 色 #2F6BFF"]。画像 = [私の実際の作品フレーム/クリップ | CC0/パブリックドメイン写真 | コードで描いたオリジナルキャラクター]。禁止: 3D モデル小道具、ストック/生成人物、著作権付きミーム/キャラクター/ロゴ、ブランドとしての紫/マゼンタ/オレンジ、スキャンライン付き青オン青、偽カメラ HUD、六角形ボケ、コード合成オーディオ。 合格条件(すべて数値で報告、表なしでは何も出荷しない): カット: REF から 0 フレームずれ。 ショットごと: モーションエネルギー曲線(192x108 グレーの平均絶対フレーム差分)を REF のものと相互相関 → ピークがラグ 0 ±1 フレームかつ相関 ≥ 0.80。 ショットごと: REF と当社を重ねた 10 フレームスタック、主要要素のエッジがフレームの 1% 以内(19 px x、11 px y)。 美しさ: フル解像度で REF のみと当社のみを見た新しい批評家が「このフレームで当社は REF と同等以上に美しく洗練されているか?」→ すべてのストーリーボードフレームで YES。 認識不可: 同じ批評家が当社のみを見て、どのフレームからも REF のブランドや製品を特定できない。 滑らかさ(当社、全編): シーン途中で 3 フレーム以上の静止フレーム(差分 < 0.03)の連続が 0 回、ぎくしゃくしたステップが 5 回未満(連続する動きのあるフレームで差分比 > 2.2)、REF のハードカット以外で差分 > 25 なし。 音声: 各ラインが最初の単語が表示されるフレームの ±40 ms 以内に開始、単語が画面に表示される 150 ms 以上前に発話される単語なし、各ラインは 1 回の連続テイク(REF にない限り最長内部無音 < 120 ms)、速度 0.95〜1.05。 サウンド: REF の各ヒットから ±15 ms 以内、各小さなキューはその瞬間の帯域で ≥ 3 dB 上、音声 p10 は全ラインで音楽+SFX より ≥ 9 dB 上、-14 LUFS ±0.5、トゥルーピーク ≤ -1.0 dBTP(4 倍オーバーサンプリング)、リミッター動作 < サンプルの 2%、すべての音楽スプライスはクロスフェード(スプライス時のジャンプ比 ≤ トラック自身のビートジャンプ)。 フェーズ 0 - 分析(まだ構築しない) ffprobe で fps/解像度/長さ。全フレームを 0 ベースで抽出: ref/full/fNNNN.jpg(ネイティブ解像度)+ ref/audio.wav 48 kHz。1 fps と 2 fps のコンタクトシート。 カット: フレームごとの平均絶対差分スパイクがローカル中央値の 6 倍超、それぞれ f-1/f/f+1 の目視で確認。 ステッピング: モーション内で前のフレームと同一のフレームを検出(REF は 30 内で 20 fps でアニメーションする可能性あり)。パターンを記録、当社は滑らかな 60 fps でレンダリングし、ステッピングをコピーしない。 SPEC.md、タイプごとに 1 テーブル:ショット: id | f0 | f1 | 内容 | 輝度平均 | トランジションイン | トランジションアウト | カメラ 単語: テキスト | ショット | 出現フレーム | 定着フレーム | ベースライン左の x,y | キャップ高さ px | ウェイト | 色 オブジェクト: スロット id | ショット | インフレーム | 定着フレーム | アウトフレーム | フレームごとの bbox(配列ファイル)| スケールカーブ | 回転 | シャドウ トランジション: id | f0 | f1 | フレームごとの適用率 %(配列)| 方向 | エッジスタイル タイピング: フィールド | 最初の文字フレーム | フレームごとの文字数(配列)| キャレット点滅周期 カーソル: フレームごとの先端 xy(配列)| 押下フレーム | 押下スケールカーブ カメラ: フレームごとの scale/tx/ty(配列)| フレームごとのぼかし numpy/OpenCV で測定: 動くすべての要素についてテンプレートマッチングまたはインク bbox 追跡をフレームごとに実行、各トラックを measure/<id>.json として保存(フレーム → x,y,w,h,opacity)。SPEC の散文はガイド、ref/full + measure/ が真実。 オーディオ: 単語タイムスタンプ付き STT → VO テーブル: ライン | 開始 | 終了 | 各単語の時刻。音楽: BPM + ビート位相(オンセット自己相関)、ドロップ時間、ドロップ前のニアサイレンス(長さ)、セクションごとのラウドネス(LUFS)、終了ヒット。SFX: スペクトルフラックスからのオンセット、タイプ別ラベル(ウィッシュ: ピーク時間を記録、開始ではない、クリック、ポップ、ブーム、ライザー、タイピング)。 SWAPS.md: REF スロット → 当社、同じ音節数 / 単語ごとの同じ幅クラス。ルール: 交換したラインが REF より長い場合、タイミングは単語に合わせて変更: そのショットを音楽ビートの正確な整数倍だけ延長(INS)、それ以降のすべてを INS だけシフト、サイドバイサイドでは同じ時点で REF を INS の間保持(2% プッシュ、決して静止させない)。長いラインを REF のスロットに詰め込まない。INS の決定を insert.json に書く。 フェーズ 1 - エンジン(エージェントの前にあなたが) 1 つの HTML ページ、1920x1080。window.seekFrame(F) は任意のフレームをレンダリング、小数 F も許可、F の純粋関数として。禁止: タイマー、Date、Math.random(シード付きハッシュを使用)、CSS トランジション/アニメーション、requestAnimationFrame。ショットは SHOT({id, f0, f1, render(lf, F)}) で登録し HTML を返す。window.ready = true は document.fonts.ready とすべての画像の decode() が解決した後にのみ。 core.js: イージングセット(ease-out-cubic、ease-in-out-cubic、オーバーシュート ≤ 8% のスプリング)、kf(F, [[f, v]...], ease) はキーを通る単調 3 次スプラインを使用(区分的線形は禁止: キンクがジダーとして読まれる)、samples(F, track) は measure/*.json をスプライン補間で読み取る、camera(inner, scale, tx, ty, origin, blur)、方向性ぼかし(速度からの SVG feGaussianBlur stdDeviation x,y)、glass()、tile()、chip()、window()、card()、cursor()、textReveal()、glint(age, radius)(着地時の 12 フレーム鏡面スイープ)、ロゴは CSS マスクで任意の塗りつぶしに対応、パレットオブジェクト - すべての色を 1 か所に。 ポジショニング: 動くすべての要素は transform: translate3d(x.xxpx, y.yypx, 0) で小数値を使用。スケーリングされたコンテナ内のブラウザのピクセルスナップにより、2 フレームごとに 3 px のステップが発生する。 デッドフレームなし: すべてのホールドは ≥ 0.25%/フレームのカメラプッシュ/ドリフトを伴う、グローは呼吸、エンドカードはフェードまでプッシュ。 render.mjs(Playwright Chromium、deviceScaleFactor 1、OS サンドボックス外で実行): モード stills <frames> | compare <frames>(REF 左 | 当社右、ラベル付きシート)| sub <F0> <F1> <workers>。ワーカーごとに 1 ブラウザプロセス(1 ブラウザ内のページはキャプチャを直列化: 約 65 vs 約 450 サブフレーム/分)。CDP Page.captureScreenshot でキャプチャ。ページエラーを出力。 モーションブラー: ページ自身の速度推定からのフレームあたり N サブフレーム(N=1 は 8 px/フレーム未満、最大 16、ウィップでは 32)、90° シャッター(0.25 フレームの広がり、中央配置)。numpy で平均。ハードカットは全体フレームのみ。 スクリプト: https://t.co/6oEK6pCkxx(静止ラン + ぎくしゃくステップ + 大きなジャンプ)、https://t.co/mMZ99TvBh3(ショットごとのラグ/相関テーブル)、https://t.co/ekkkOF28Sg(REF と当社を重ねたフレームロックスタック)、https://t.co/8BkrahuZiR(サブフレーム平均 → libx264 60 fps CRF 15 yuv420p bt709 + マックス、REF|当社 3840x1080 サイドバイサイド、REF オーディオミュート)、https://t.co/nHE46DMJRg(再レンダリングなしでオーディオ交換)。 フェーズ 2 - 構築(ゲートは順序どおり、スキップも並べ替えも禁止)ゲート 1 ストーリーボード: 各ショットの最も重要なフレームで 1 枚のフル解像度静止画、REF|当社。新しい批評家を起動(REF フレーム、当社、TASK+ACCEPTANCE のみを見て、ビルダーのメモは見ない)。フレームごとに返す: REF と同等に美しい(Y/N)、REF として認識可能(Y/N)、空/平坦/安っぽい(Y/N)、正確な修正付き。すべてを一度修正。LEDGER.md に記録(発見 | フレーム | ステータス FIXED/PARTLY/OPEN)。ゲート 2 コンポーネントラボ: 最も難しい 4〜6 個(ヒーローウィンドウ/デバイス、大きなグロー要素、チャット UI、カード、エンドマーク)をそれぞれ独自のテストページで、3 サイズの静止画、批評家パス、その後統合のみ。ゲート 3 ショット: 連続グループに分割、グループごとに 1 エージェント、各エージェントは shots/<G>.js のみを書く(IIFE、ヘルパーは <G>_ プレフィックス)、core.js は編集しない(あなたに依頼)。各エージェントは BRIEF.md(TASK、ACCEPTANCE、スワップルール、ファイルルール)、その SPEC セクション、その measure/ トラック、コア API を取得。ショットごとのループ: 動くすべての要素を measure/ トラックから駆動 → 最初/最後のフレーム、各キーフレーム、各トランジションの 2 フレームを比較 → ショットを相互相関 → ラグ 0 ±1 かつ相関 ≥ 0.80 まで反復。レンダリング呼び出しあたり ≤ 15 フレーム。レポートテーブル: ショット | フレーム | ラグ | 相関 | 静止 | ぎくしゃく | 最大エッジ誤差 px | メモ。ゲート 4 オーディオ(別エージェント、フェーズ 0 データから並行): 音楽: REF エネルギー曲線を測定、≥ 6 曲の商用 OK トラック(Mixkit/Pixabay、URL + ライセンスを記録)をムード(キー、明るさ、ジャンル)優先、エネルギー一致を次にオーディション。REF BPM に ≤ 4% タイムストレッチ。ドロップが REF のドロップフレームに、その前の REF のニアサイレンスとともに着地し、最後のフレーズがエンドマークで終わるように編集。すべての編集/ループ: 同じビート位相で 15 ms 等パワークロスフェード、クリックなしを確認。 SFX: 録音ライブラリまたは ElevenLabs サウンド生成、numpy は不可。REF イベントごとに 1 つ、独自のピーク/トランジェントで配置。ワイプのウィッシュ、タイルのガラス質ポップ、入力単語ごとのキータップ、送受信音、ドロップへのライザー、ドロップとエンドマークのサブブーム。 空間: 各小さなキューの周波数帯域で音楽を削る(サイドチェーン/ダイナミック EQ)、単にキューの音量を上げない。音声下で音楽をダック(-6 〜 -12 dB、ゆっくりリリース)。 VO: ElevenLabs(商用利用は有料プラン)。REF ラインのピッチ/音色に合わせて声を選択。ラインごとに 1 回の連続ナチュラルテイク、最初の単語のフレームで開始、決してチョップしない、0.95〜1.05 の外にストレッチしない、ライン内に "..." を入れない。合わない場合: 言い回しを変えるか、絵のタイミングを変える(フェーズ 0 ルール)。軽い処理のみ(2:1 コンプ、穏やかなデエッサー、+1.5 dB プレゼンス)。 ACCEPTANCE 数値にマスタリング、mix.wav、music_only.wav、stems/、LICENCES.md、cues.json(キュー | ピクチャーフレーム | 配置時間 | ピーク時間)をエクスポート。 フェーズ 3 - 統合 + 検証 グループ間で共有コンポーネントを統一(1 つのカーソル、1 つのガラスレシピ、1 つのロゴ)。2〜3 の並列チャンクでフルレンダリング、https://t.co/8BkrahuZiR、その後 FINAL ミックスは書き込まれた後にのみマックス(エンコーダーは開始時に wav を 1 回読み取る、ミックスが変更された場合は再マックス)。 https://t.co/6oEK6pCkxx、https://t.co/mMZ99TvBh3、https://t.co/ekkkOF28Sg を実行。1 fps REF|当社コンタクトシートと各グループシームのシート(最後の 2 / 最初の 2 フレーム)を作成。それを見る。ドリフトを修正。変更されたフレーム範囲のみ再レンダリングしてスプライス。 1 人の新しい最終批評家: 全編当社単独(認識可能? 安っぽい? 静止? 粗い?)+ サイドバイサイド(同期ずれ?)+ オーディオレポート。1 回の修正パス。2 人の批評家が互いに矛盾する場合、反復を停止して両方の意見をユーザーに示す。 納品後: ピクチャー変更 → 変更された範囲のみ再レンダリングしてスプライス、オーディオ変更 → https://t.co/nHE46DMJRg、再レンダリングなし。 落とし穴(これらはすべて実際に発生した) 「同期 + 異なる」だけを尋ねた批評家は、12 ラウンドにわたって醜い作品を通過させた。常に「このフレームで REF と同等に美しいか、フル解像度で」と尋ねる。 コードモデリング 3D オブジェクト = プラスチック CGI。青オン青 + スキャンライン + 偽 REC HUD + 六角ボケ = スロップ。 手動タイミングのモーションは、静止画が一致していても AI スロップのように感じる。すべての要素を測定する。 960 px プレビューは品質問題を隠す。1920 で判断する。 スクリプト変更後に REF タイミングを維持 → 急かされた音声、テキストが音声に遅れる、1 秒でフラッシュされるライン。 ピクチャーを動かさずに音声を動かす → 前のショットの上で音声が話す。 テキストを追うために単語ごとに音声を分割 → 壊れた文。TTS テキストの "..." → ライン途中のギャップ。 ハードな音楽スプライス → クリック。音声を保護するダッキングが小さなキューを埋める。 ミックスがまだ書き込まれている間にマックス → ビデオ内の古いオーディオ。 フォント読み込み前の measureText → 単語の衝突。ピクセルスナップ → ジダー。 ランダム化パーティクルはスタックと一致しない、可視のものをトラックから駆動する。 ショットの REF|当社を見て数値を印刷せずに一致を主張しない。 納品物: remake.mp4(1920x1080 60 fps、オーディオ付き)、side-by-side.mp4(REF 左、当社右、フレームロック)、SPEC.md、SWAPS.md、measure/、LEDGER.md、ソース + スクリプト、audio/(mix、music_only、stems、cues.json、LICENCES.md)、および 1 つのレポート: すべての数値付き ACCEPTANCE テーブル(ショットごとのラグ/相関/エッジ誤差、静止ラン、ぎくしゃくステップ、音声オフセット、キューオフセット、ラウドネス、トゥルーピーク、リミッター %)、および REF との残りのすべての差異。