台本（YAML）1枚で、ナレーション・字幕・BGM付きの動画が出力されるツールを作りました

動画編集が初めてだったので、1本に半日ずつかかっており、編集工程をコードで自動化しました。

入力は、シーンごとに narration / visual / callout を書いた YAML 1枚だけです。
python3 src/pipeline.py scenario.yaml config.yaml の1行で完成した mp4 が出力されます。

パイプライン（Python）:

• 台本 → TTS ナレーション（say / Supertone / ElevenLabs を差し替え式、結果をキャッシュ）
• ナレーションの長さに合わせて字幕タイミングを自動配分、ナレーション=字幕は同一
• 字幕・コールアウトを PNG にレンダリングして overlay（この ffmpeg ビルドには libass/drawtext がないため選んだ方式 — 韓国語の縁取り・位置のピクセル制御がむしろ簡単）
• 縦向きに撮ったスマホ動画は背景ブラーのパディングでアスペクト比を自動補正（config 1行で 16:9 ↔ 9:16 ショート動画）
• ナレーションを concat + BGM をミックス（動画の終わりに合わせて BGM を自動カット + フェード → 「黒い末尾」を防止）
• レンダリング後に長さのドリフト・最後のフレームの明るさを自動検査

faceless 字幕動画専用で、実際にこのツールで自分の YouTube チャンネル動画を作っています。

制約: 字幕は単語単位の同期ではなく、シーン単位（文字数比例配分）です。
また、この環境の ffmpeg に libass がない前提で作っているので、PNG overlay 方式がデフォルトです。

完璧な編集ソフトの代替ではなく、「台本 → 下書き動画」を実質 0 秒にして、反復制作コストをなくすのが目的です。

スモークテスト（キーなしで macOS say 音声を使って全パイプラインを確認）:
python3 -m pip install -r requirements.txt
python3 demo/make_placeholders.py
python3 src/pipeline.py demo/scenario.yaml demo/config.yaml

MIT。フィードバック歓迎です。