NodaroAccount
Nodaro ドキュメント
ドキュメントノードリファレンスモデルテンプレートAI エージェント(MCP)開発者向けセルフホスティングリサーチ比較
CLI

メディアと音声のコマンド

Nodaro CLI の voice、media、audio、edit の各コマンドで、トラックの声を差し替え、字幕を付け、オーディオを処理し、編集を計画し、ポッドキャストの引き締め、チャプター、クリップを作ります。

Nodaro CLI のメディアと音声のコマンドは、オーディオ、動画、画像を直接扱います。voice グループはトラックの声を差し替え、ボイスをデザインします。media はメディアのインポート、トリミング、字幕付け、合成を行います。audio は音を処理し、文字起こしします。edit は、ポッドキャストや長い動画の編集を計画し、適用します。各コマンドは、エディターの対応するノードと同じエンジンで動作します。

ジョブを開始するコマンドはすべて、結果を待つ --watch、ポーリングの間隔を設定する --poll-interval <ms>、そして --json を受け付けます。出力と終了コードを参照してください。

ボイス

nodaro voice list [--clones] [--json]
nodaro voice favorites [--json]
nodaro voice favorite <voiceId> --name <name> --type premade|library|custom [--preview <url>] [--json]
nodaro voice unfavorite <voiceId> [--json]
nodaro voice changer --voice <id> --audio <url>|--video <url> [--model <id>] [--stability <0..1>] [--similarity <0..1>] [--style <0..1>] [--use-speaker-boost] [--seed <n>] [--remove-background-noise] [--watch] [--poll-interval <ms>] [--json]
nodaro voice recast --audio <url>|--video <url> --voices <v1,v2,...>|--voices-json <json> [--model <id>] [--output video|stems] [--analysis-json <json>|--analysis-file <path>] [--no-preserve-background] [--separation-quality fast|best] [--music-volume-mode match|normalize|manual] [--music-volume <0-200>] [--remove-background-noise] [--voice-fx <preset>] [--voice-fx-mix <0-100>] [--voice-fx-delay <20-2000>] [--voice-fx-decay <0-1>] [--watch] [--poll-interval <ms>] [--json]
nodaro voice analyze --audio <url>|--video <url> [--separation-quality fast|best] [--suggest-title] [--watch] [--poll-interval <ms>] [--json]
nodaro voice export --source <videoUrl> --tracks-json <json>|--tracks-file <path> [--voice-fx <preset>] [--voice-fx-mix <0-100>] [--voice-fx-delay <20-2000>] [--voice-fx-decay <0-1>] [--watch] [--poll-interval <ms>] [--json]
nodaro voice design --text <line> --description <desc> [--model <id>] [--loudness <-1..1>] [--guidance-scale <0-100>] [--seed <n>] [--quality <n>] [--enhance] [--user-prompt <text>] [--watch] [--poll-interval <ms>] [--json]
nodaro voice remix --text <text> --description <desc> [--user-prompt <text>] [--watch] [--poll-interval <ms>] [--json]
nodaro voice dub --audio <url> --target-language <code> [--source-language <code>] [--num-speakers <1-20>] [--disable-voice-cloning] [--drop-background-audio] [--watch] [--poll-interval <ms>] [--json]
nodaro voice clones list [--json]
nodaro voice clones delete <id> [--json]
コマンド内容
voice list標準ボイスを一覧表示します。--clones を付けると、自分のクローンを表示します。その名前または ID を --voice と --voices で使います。
voice favoritesお気に入りのボイスを新しい順に一覧表示します。標準ボイス、ライブラリのボイス、クローンのいずれも含みます。その ID を --voice と --voices で使います。
voice favoriteボイスをお気に入りに追加します。お気に入り一覧に表示する名前と https のプレビューを付けます。もう一度追加すると、それらが更新されます。
voice unfavoriteボイスをお気に入りから外します。お気に入りにないボイスでも成功します。
voice changerボイスチェンジャーノードのように、1 つのオーディオトラックまたは 1 つの発話動画の声を、単一のボイスに差し替えます。voice change も同じコマンドです。
voice recastボイスチェンジャー Proノードのように、録音のすべての話者の声を一度に差し替えます。voice pro も同じコマンドです。
voice analyze声を差し替えずに話者を検出し、--watch を付けると一覧を表示します。Nodaro Cloud 専用です。
voice exportミックスしたトラックのセットから、最終的な動画をレンダリングします。Nodaro Cloud 専用です。
voice designボイスデザインノードのように、テキストの説明から新しい合成ボイスをデザインします。
voice remixボイスリミックスノードのように、クローンを作らず、説明したボイスでテキストを読み上げます。
voice dub吹き替えノードのように、録音を別の言語に吹き替え、各話者の声を保ちます。
voice clonesクローン機能が廃止される前に作られたボイスクローンを、一覧表示および削除します。

複数の話者の声を差し替える

voice recast は、Nodaro Cloud で動作します。セルフホスティング環境では、Nodaro Cloud への接続を通じて動作します。

  • --voices は、Nodaro が検出した順に、ボイスを話者へ割り当てます。keep という語は、その話者の元の声を保ちます。--voices Rachel,keep,Aria のように書きます。
  • --voices-json は、代わりに SDK の生の配列を受け取ります。ボイス ID、ボイスごとの設定オブジェクト、または元の声を保つ話者には null を指定します。
  • --output stems は、完成した動画の代わりに、対話的なミックス用に、話者ごとの 1 本のドライなトラックを返します。ミックスは voice export でレンダリングします。
  • --analysis-file は、保存済みの voice analyze の結果を再利用するので、話者が再び検出されることはありません。

対話形式で声を差し替えるフロー

1 ステップの voice recast は、1 回の呼び出しで完成した動画をレンダリングします。3 ステップのフローでは、レンダリングの前に、まず話者を確認し、結果をミックスできます。

# 1. Detect the speakers. Save the job's output_data for step 2.
nodaro voice analyze --video https://example.com/panel.mp4 --watch --json > analyze.json
jq .output_data analyze.json > analysis.json

# 2. Recast to dry stems, reusing the analysis (no second detection)
nodaro voice recast --video https://example.com/panel.mp4 --voices Rachel,keep,Aria \
  --analysis-file analysis.json --output stems --watch

# 3. Set the level and mute of each track, then render
nodaro voice export --source https://example.com/panel.mp4 --tracks-file mix.json \
  --voice-fx hall --voice-fx-mix 25 --watch

手順 3 では、mix.json の各トラックは、手順 2 のステムから取得した url、0〜200 の gain、muted フラグ、省略可能な kind を持つオブジェクトです。エクスポートは、動画ストリームをそのままコピーします。再エンコードされることはありません。

メディア

nodaro media download <url> [--max-height <px>] [--section <a-b>] [--watch] [--json]
nodaro media metadata <url> [--json]
nodaro media trim-video --video <url> --start <sec> --end <sec>|--keep-first <sec>|--keep-last <sec> [--watch] [--poll-interval <ms>] [--json]
nodaro media trim-audio --video <url>|--audio <url> [--start <sec>] [--end <sec>] [--format mp3|wav|aac] [--watch] [--poll-interval <ms>] [--json]
nodaro media split-media --video <url>|--audio <url> --chunk-duration <sec> [--min-part-duration <sec>] [--format mp3|wav|aac] [--watch] [--poll-interval <ms>] [--json]
nodaro media add-captions <videoUrl> [options, see below]
nodaro media still-to-video --image <url> --audio <url> [--motion none|zoom-in|zoom-out|pan-left|pan-right|ken-burns] [--intensity <1-10>] [--resolution 720p|1080p|4K] [--aspect-ratio <W:H>] [--fps 24|30] [--fit cover|contain] [--pad-color <hex>] [--watch] [--poll-interval <ms>] [--json]
nodaro media slideshow --images <url...> [--audio <url>] [--durations "10,auto,auto"] [--per-image <sec>] [--transition <id>] [--transition-duration <sec>] [--motion none|zoom-in|zoom-out|ken-burns|alternate] [--intensity <1-10>] [--resolution 720p|1080p|4K] [--aspect-ratio <W:H>] [--fps 24|30] [--fit cover|contain] [--pad-color <hex>] [--watch] [--json]
nodaro media collage <imageUrls...> [--sizes <0-3,...>] [--numbered] [--label <text>...] [--badge-position top-left|top-right] [--layout smart|grid] [--resolution 2K|4K] [--aspect-ratio <W:H>] [--gap <px>] [--background-color <hex>] [--watch] [--poll-interval <ms>] [--json]
nodaro media overlay <imageUrl> [layerUrls...] [--layers-file <path>] [--anchor <anchor>] [--x <%>] [--y <%>] [--width <%>] [--opacity <0-1>] [--platform <id>...] [--qr-text <text>] [--mask-mode none|layers|around|outside] [--mask-spread <px>] [--canvas <WxH>] [--base-fit contain|cover] [--background-color <hex>] [--output-format png|jpg|webp] [--watch] [--poll-interval <ms>] [--json]
nodaro media overlay-placement <imageUrl> [--intent <text>] [--aspect <ratio>] [--safe-area <x,y,w,h>] [--json]
nodaro media video-overlay <videoUrl> [layerUrls...] [--at <start[-end]>...] [--preset card|corner-badge|full-frame] [--corner top-left|top-right|bottom-left|bottom-right] [--layers-file <path>] [--aspect 16:9|9:16|1:1|4:5] [--base-fit cover|contain] [--background-color <hex>] [--layout video-bottom|video-top|stack-whole|stack-filled|pip] [--base-box <json>] [--watch] [--poll-interval <ms>] [--json]
nodaro media generate-mask <imageUrl> <prompt> [--threshold <n>] [--watch] [--poll-interval <ms>] [--json]
nodaro media split-layers <imageUrl> [--max-layers <1-99>] [--size 1K|1.5K|2K|auto] [--prompt <text>] [--session <id>] [--idempotency-key <key>] [--watch] [--poll-interval <ms>] [--json]
nodaro media video-mask <videoUrl> <prompt> [--threshold <n>] [--model sam-3.1|sam-3] [--hold-last-mask] [--min-subject-height <pct>] [--max-subject-height <pct>] [--zone <L,R,T,B>] [--per-shot] [--redetect-every <sec>] [--watch] [--poll-interval <ms>] [--json]
nodaro media mask-composite <foregroundUrl> <backgroundUrl> <maskUrl> [--invert] [--feather <px>] [--grow <px>] [--background-fit cover|contain|stretch] [--audio foreground|background|mix|none] [--watch] [--poll-interval <ms>] [--json]
nodaro media mask-composite <backgroundUrl> <maskUrl> --fill pixelate|blur [--pixel-size-pct <pct>] [--blur-strength-pct <pct>] [--invert] [--feather <px>] [--grow <px>] [--watch] [--json]
nodaro media save <url> [--filename <name>] [--type image|video|audio] [--watch] [--poll-interval <ms>] [--json]
コマンド内容
media downloadリンクの先にある動画を、自分のストレージにインポートします。--section は、秒単位で 1 つの時間範囲を取得します。--watch はリアルタイムの進行状況をストリーミングし、後でポーリングするジョブはありません。
media metadataメディアの URL の長さ、サイズ、タイトルを、ダウンロードせずに読み取ります。
media trim-video開始時刻と終了時刻で動画をカットするか、最初または最後の秒数だけを残します。
media trim-audio動画またはオーディオファイルの音声をカットし、MP3、WAV、AAC のいずれかで保存します。
media split-media動画、オーディオファイル、またはその両方を、最長 --chunk-duration 秒、最短 --min-part-duration 秒のパートにカットします。デフォルトの最短は 4 秒です。パートはジョブの videoUrls と audioUrls に入ります。チャンクに分割を参照してください。
media add-captions動画に字幕を焼き込みます。字幕を参照してください。
media still-to-video1 枚の静止画と 1 つのオーディオファイルを、0 クレジットで MP4 にします。動画の長さはオーディオと同じなので、長さのオプションはありません。--motion は、静止画にアニメーションを付けます。
media slideshow2〜100 枚の画像から、0 クレジットで MP4 のスライドショーを作ります。オーディオを添えることもできます。
media collage2〜30 枚の画像を、1 枚の大きな画像に合成します。
media overlayAI を使わず、最大 12 個のレイヤーを、ピクセル単位で正確にベース画像の上に配置します。
media overlay-placement1 つのレイヤーをどこに置くべきかを、ビジョンモデルに尋ねます。
media video-overlayAI を使わず、1〜20 個のタイミング付き画像または動画のレイヤーを動画の上に配置します。画像レイヤーだけの実行は 22 クレジットです。動画レイヤーがある実行は、ベース動画の 5 秒(開始した単位)ごとに料金が決まります。
media generate-maskテキストで指定した被写体を画像の中から選び、白黒のマスク画像を返します。被写体のある部分が白になります。--threshold の範囲は 0〜1 で、デフォルトは 0.3 です。現在マスク生成が使っているモデルはこの値を無視するため、マスクを変えたい場合はプロンプトを変更してください。ジョブの出力には、マスクである maskUrl と、そのまま渡された元の画像である imageUrl が含まれます。どちらもインペイントの編集に渡してください。料金は 55 クレジットです。マスク生成を参照してください。
media split-layers1 枚の画像を、ベース画像と個別のレイヤーに分けます。要素ごとに、それぞれ透明な PNG になります。--max-layers(デフォルトは 9)でレイヤー数の上限を決めます。要素がそれより多い場合はまとめられ、省かれる要素はありません。--size は各画像のピクセル数の目安で、デフォルトの 1K は約 100 万ピクセル、auto は画像本来のサイズを保ちます。--prompt(2,000 文字まで)で分離する対象を指定し、0〜1000 の <bbox>x1 y1 x2 y2</bbox> を含められます。ジョブの出力には、imageUrl(ベース)、layers(下から上の順)、layerData が含まれます。layerData には、各レイヤーの名前、zIndex、ファイル自体のサイズ、ベースのピクセルで示したベース上の box、baseUrl が入ります。レイヤーは要素ごとに切り抜かれているため、元に戻すには box に合わせて拡大縮小してください。実行は --max-layers + 1 枚分の料金を確保し、返した画像の分だけ課金されます。--session は、ジョブを自分のセッションのいずれかに入れます。--idempotency-key(8 文字以上)を付けると、再試行は 2 つ目のジョブを開始せず、最初のリクエストのジョブを返します。
media video-maskテキストで指定した被写体を動画の中で追跡し、白黒のマスク動画を返します。被写体のある部分が白になります。デフォルトは SAM 3.1 で、--model sam-3 は半額です。--threshold の範囲は 0.05〜0.95 で、デフォルトは 0.5 です。値を下げるほど、多くを検出します。--hold-last-mask は、被写体を見失ったフレームで、最大 1 秒まで最後のマスクを保持します。--min-subject-height はフレームの高さに対してその割合より低い被写体を除外し、--max-subject-height はそれより高い被写体を除外します。--zone 10,10,5,5 は、中心が左、右、上、下のその余白(それぞれ 0〜49 %)の内側にある被写体だけを残します。--per-shot は、まずシーンのカットを見つけ、ショットごとに被写体を検出し直します。--redetect-every は 1〜10 で指定し(デフォルトの 0 はオフ)、その秒数ごとにも被写体を検出し直します。--per-shot と併用すると、ショットごとに行います。ショットの途中で入ってくる人や、カメラのほうを向く人をとらえられます。実行は遅くなりますが、料金は変わりません。動画マスクを参照してください。
media mask-compositeマスクを通して、前景を背景の上に配置します。マスクの白い部分が前景になります。結果の 5 秒ごと(端数は切り上げ)に 11 クレジットかかります。--feather の範囲は 0〜20 ピクセル、--grow の範囲は -10〜10 です。--fill pixelate または --fill blur は、背景そのものでマスクを埋めます。そのため、背景とマスクの 2 つの URL を受け取り、結果は背景に合わせられます。--pixel-size-pct の範囲は 0.2〜10 でデフォルトは 1.25、--blur-strength-pct の範囲は 0.1〜5 でデフォルトは 2 です。マスク合成を参照してください。
media saveメディアの URL を、画像、動画、オーディオファイルのいずれかとして、自分のストレージに保存します。

スライドショー

オーディオがある場合、スライドショーの長さはそのオーディオが決めます。--durations で固定した長さは比例して調整され、CLI がその旨を知らせます。オーディオがない場合、スライドショーは無音になり、長さは画像の枚数に --per-image を掛けたものになります。

コラージュ

  • --sizes は、画像の順番どおりに、各画像へ相対的なサイズのヒントを与えます。0 は自動、1 は大(幅がおよそ 2 倍)、2 は中、3 は小(幅がおよそ半分)です。サイズのヒントは、スマートレイアウトでのみ機能します。
  • --numbered は、ストーリーボード用に、各画像の隅に 1 から始まる連番を付けます。
  • --badge-position は、その隅の位置を設定します。デフォルトの top-left または top-right です。ラベルの位置もここで決まります。
  • --label は、番号の後にキャプションを追加します。画像ごとに、順番に 1 回ずつ繰り返します。空の "" は、その画像をスキップします。

画像オーバーレイ

  • ベース画像の後に続く画像 URL は、画像レイヤーになります。--anchor、--x、--y、--width、--opacity を共有し、透かしに向いています。
  • --layers-file は、代わりにレイヤーの完全な JSON 配列を受け取ります。レイヤーごとのオプション、テキスト、QR コード、図形の種類です。
  • 配置は、ベース画像に対するパーセントで指定するので、1 つのコマンドで 1K のプレビューと 4K のレンダリングの両方に対応します。
  • 繰り返し指定できる --platform は、そのプラットフォームのサイズでも合成画像をレンダリングします。ベースのレンダリングは 11 クレジットで、プラットフォームごとに料金が加算されます。ジョブの出力には、追加のレンダリングが variants として一覧表示されます。
  • overlay-placement は、同じパーセント単位で、アンカー、x、y、width、そして 1 行の理由を答えます。ポーリングするジョブなしで即座に答え、画像からテキストへの呼び出し 1 回分の料金がかかります。

動画オーバーレイ

  • --at は、画像 URL ごとに、順番どおりに 1 つ指定します。3 は 3 秒目から最後まで、1.2-2.6 は 1.2 秒から 2.6 秒までを意味します。
  • --preset と --corner は、URL として指定したすべての画像レイヤーに適用されます。
  • 位置引数の URL は画像レイヤーになります。
  • --layers-file は、代わりにレイヤーの完全な配列を受け取ります。レイヤーごとのボックス、不透明度、アニメーション、重なり順です。
  • 動画レイヤーは --layers-file で指定します。"imageUrl" の代わりに "videoUrl" を書き、最大 2 個です。動画レイヤーは、"sound": {"volume": 0.8}(音量は 0〜1)を設定しない限り無音です。
  • --layout は、ベース動画、最初の動画レイヤー、またはその両方を配置します。video-bottom と video-top は、ベース動画全体をその端に寄せます。stack-whole と stack-filled は、ベース動画を最初の動画レイヤーの上に置きます。pip は、そのレイヤーをコーナーに置きます。pip 以外のすべてのレイアウトには --aspect が必要です。
  • --base-box は、ベース動画を自分で配置します。レイヤーのボックスと同じ単位の JSON で、たとえば --base-box '{"anchor":"bottom","width":100}' です。
  • --base-fit、--background-color、--base-box には、--aspect が必要です。
  • 音声のある動画レイヤーがない場合、ベース動画の音声は、変更されずに保たれます。
  • 動画レイヤーがある実行では、ベース動画は最長 60 秒です。料金は、ベース動画の 5 秒(開始した単位)ごとです。料金は nodaro models cost video-overlay:video で確認してください。
[{"videoUrl":"https://example.com/guest.mp4","start":0,"corner":"top-right","sound":{"volume":0.8}}]

レイヤーのオプションについては、動画オーバーレイノードを参照してください。

字幕

nodaro media add-captions <videoUrl> [--text <text>] [--captions-file <file.json>] [--style subtitle|word-highlight|karaoke|tiktok-words|word-pop|bouncy] [--look outline|clean] [--position bottom|top|center] [--position-y <pct>] [--font-size <px>] [--font-family <name>] [--font-weight <100-900>] [--color <c>] [--background-color <c>] [--stroke-color <c>] [--stroke-width <px>] [--highlight-color <c>] [--uppercase|--no-uppercase] [--max-words-per-line <1-20>] [--animate|--no-animate] [--no-auto-transcribe] [--transcribe-provider elevenlabs-stt|incredibly-fast-whisper|nemotron-3-5-transcribe|whisper] [--segments-file <file.json>] [--watch] [--poll-interval <ms>] [--json]

media add-captions には、字幕を追加ノードと同じく、2 種類のスタイルがあります。

スタイル表示内容
subtitle単語のアニメーションのない、静的な字幕です。
word-highlight、karaoke、tiktok-words、word-pop、bouncy単語ごとにアニメーションする、キネティック字幕です。word-highlight、karaoke、bouncy は、1 行ずつ保持して表示します。

字幕のテキスト

  • subtitle では、--text は動画全体を通して 1 つの静的なブロックとして焼き込まれます。文字起こしに置き換えられることはありません。発話に字幕を付けるには、--text を省略します。
  • キネティックスタイルでは、--text は、文字起こしが何も返さなかったとき、または --no-auto-transcribe を渡したときのフォールバックにすぎません。
  • --captions-file は、単語のタイミング付きエントリーの JSON 配列 [{ text, startMs, endMs }] で、キネティックスタイルでは単語ごとに 1 エントリーです。nodaro audio transcribe の結果の words は、そのままの形で使えます。このファイルは --no-auto-transcribe と組み合わせます。
  • --segments-file は、時間範囲ごとに、独自のスタイル、ルック、位置を与えます。範囲が重なってはいけません。

スタイリング

  • スタイリングのオプションは、subtitle にもスタイルを適用します。--look、--font-family、--font-weight、--stroke-color、--stroke-width、--uppercase、--position-y、--max-words-per-line です。スタイルを適用した subtitle は、キネティックスタイルと同じ料金になります。何も適用しない subtitle は、低いほうの料金のままです。
  • --highlight-color と --animate は、キネティックスタイルでのみ機能します。subtitle では拒否されます。
  • --animate は、デフォルトでオンです。--no-animate は、各単語の動きを止めますが、グルーピングとハイライトの色は保ちます。
  • --look を指定しない場合、キネティックスタイルは outline で、subtitle は clean でレンダリングされます。
  • --max-words-per-line は、1 つの字幕行、または tiktok-words の 1 ページに表示する単語数を、1〜20 の範囲で制限します。フレーム幅、文の終わり、0.5 秒以上の間も、行の区切りになります。1〜2 語にすると、テンポの速いインパクトのある字幕になります。未設定のままにすると、幅いっぱいに表示します。--text を指定した subtitle では、行の区切りだけを設定し、word-pop には影響しません。
  • キネティックスタイル、またはスタイルを適用したレンダリングは、ソースのフレームレートを、15〜60 fps の整数として保ちます。可変フレームレートまたは非常に長いソースは、30 fps でレンダリングされます。

文字起こしエンジン

--transcribe-provider は、発話を文字起こしするエンジンを選びます。キネティックスタイルには単語のタイミングが必要で、デフォルトの incredibly-fast-whisper、elevenlabs-stt、または nemotron-3-5-transcribe を使います。nemotron-3-5-transcribe では、動画の開始した 1 分ごとに料金が加わります。subtitle はフレーズのタイミングだけで足りるので、whisper もそこで使えます。

オーディオ

nodaro audio separate --audio <url> [--mode vocal_instrumental|stems] [--quality auto|fast|best] [--watch] [--poll-interval <ms>] [--json]
nodaro audio isolate --audio <url> [--watch] [--poll-interval <ms>] [--json]
nodaro audio fx --audio <url> [--preset <preset>] [--mix <0-100>] [--delay <20-2000>] [--decay <0-1>] [--eq-low <db>] [--eq-high <db>] [--watch] [--poll-interval <ms>] [--json]
nodaro audio mix --audio <url> --audio <url> ... [--volumes <csv>] [--duck-under <index>] [--duck-amount <0-100>] [--watch] [--poll-interval <ms>] [--json]
nodaro audio adjust-volume --audio <url>|--video <url> [--volume <0-200>] [--normalize] [--fade-in <sec>] [--fade-out <sec>] [--watch] [--poll-interval <ms>] [--json]
nodaro audio pitch-tempo --audio <url>|--video <url> [--semitones <-12..12>] [--tempo <0.5-2>] [--no-preserve-formants] [--watch] [--poll-interval <ms>] [--json]
nodaro audio combine --segment <url[@a-b]> --segment ... [--watch] [--poll-interval <ms>] [--json]
nodaro audio transcribe --audio <url> [--provider elevenlabs-stt|incredibly-fast-whisper|whisper|nemotron-3-5-transcribe] [--language <code>] [--diarize] [--tag-audio-events] [--word-timestamps] [--target-language <code>] [--watch] [--poll-interval <ms>] [--json]
コマンド内容ノード
audio separateボーカルをインストゥルメンタルから分離するか、ステムに分離します。音源分離
audio isolate声を残し、それ以外を取り除きます。音声抽出
audio fxミックス、ディレイ、ディケイ、イコライザーの設定で、エフェクトのプリセットを適用します。オーディオ FX
audio mixトラックごとに音量を設定して、複数のトラックをミックスします。--duck-under を使うと、0 始まりのインデックスで指定した 1 つのトラックの下で、ほかのトラックの音量が下がります。--duck-amount で下げる強さを指定します(デフォルトは 75)。オーディオをミックス
audio adjust-volume音量を変更し、ノーマライズし、フェードインまたはフェードアウトします。音量調整
audio pitch-tempoピッチを半音単位でシフトするか、ピッチを変えずにテンポを変更します。--no-preserve-formants を付けると、ピッチに合わせて声の質感も変わります。ピッチとテンポ
audio combineセグメントを順番につなげます。url@a-b は、ファイルの 1 つの時間範囲を指定します。オーディオを結合
audio transcribe発話をテキストにします。文字起こし

これらは、ボイスチェンジャー Pro が組み合わせて使っている構成要素で、単独でも使えます。

文字起こしエンジン

エンジン単語のタイミングほかにできること
elevenlabs-stt常に返します--diarize(誰がいつ話しているか)と --tag-audio-events
incredibly-fast-whisper--word-timestamps を付けると返します
whisper返しません。フレーズ単位のセグメントのみです。--word-timestamps は、クレジットが使われる前に拒否されます
nemotron-3-5-transcribe--word-timestamps を付けた場合。単語ごとに話者が付きます--target-language(英語へ、または英語から)を付けると、代わりに音声を翻訳し、単語のタイミングは付きません

--provider を省略すると、whisper エンジンが実行されます。単語のタイミングが必要なときは、必ずエンジンを指定してください。Nemotron 3.5 Transcribe は、ファイルの開始した 1 分ごとに課金され、60 分以内かつ 200 MB 以内のファイルを受け付けます。

完了したジョブの output_data には、text、words(単語ごとに 1 エントリー、ミリ秒単位)、json(正規化された文字起こし、こちらもミリ秒単位)が含まれます。トップレベルの segments リスト(秒単位)は、whisper と incredibly-fast-whisper にのみ存在します。elevenlabs-stt は返さないので、words を読み取ってください。キネティックスタイルでレンダリングするには、words を media add-captions --captions-file に渡します。

編集

edit のコマンドは、ポッドキャストや長い動画のための、編集用の構成要素です。5 つのコマンドが、ポッドキャストの編集全体を 1 つのコマンドで実行します:edit tighten-episode、edit episode-chapters、edit episode-trailer、edit clip-pack、edit speaker-layout です。

nodaro edit silence-detect <audioUrl> [--threshold-db=-35] [--min-silence-ms <ms>] [--pad-ms <ms>] [--watch] [--poll-interval <ms>] [--json]
nodaro edit audio-sync (--source <[id=]url> ... | --sources-file <file.json>) [--reference <id>] [--watch] [--poll-interval <ms>] [--json]
nodaro edit speaker-map (--source <[id=]url> ... | --sources-file <file.json>) --transcript <file.json> [--offsets <file.json>] [--master <id>] [--wide <id>] [--margin-db <db>] [--watch] [--poll-interval <ms>] [--json]
nodaro edit apply-edl --edl <file.json> [--transcript <file.json>] [--source <url> ...] [--output video|audio] [--quality proxy|final] [--crossfade-ms <ms>] [--clip-key <inMs-outMs>] [--watch] [--poll-interval <ms>] [--json]
nodaro edit plan --mode tighten|clips|chapters|trailer --plan-tier economy|standard|premium --transcript <file.json> (--source <[id=]url[@audio|@video]> ... | --sources-file <file.json>) [--silence <file.json>] [--offsets <file.json>] [--transcript-source <id>] [--instructions <text>] [--style-guide <text>] [--count <n>] [--target-duration-sec <n>] [--target-aspect 16:9|9:16|1:1|4:5] [--platform <name>] [--watch] [--poll-interval <ms>] [--json]
nodaro edit capabilities [--json]
nodaro edit switch-cameras --edl <file.json> --transcript <file.json> [--speaker-map <file.json>] [--speaker-map-result <file.json>] [--speaker-names <file.json>] [--min-shot-ms <ms>] [--lead-ms <ms>] [--lag-ms <ms>] [--max-shot-ms <ms>] [--wide-every <n>] [--layout-hints] [--watch] [--poll-interval <ms>] [--json]
コマンド内容ノード
edit silence-detect録音の中の無音の部分を見つけます。無音検出
edit audio-sync同じ出来事を収録した 2〜6 本の録音(オーディオまたは動画)の位置をそろえます。音声同期
edit speaker-mapカメラ自身のマイクから、各話者がどのカメラに映っているかを見つけます。話者マップ
edit plan文字起こしから編集を計画します。テンポを詰める、クリップを切り出す、チャプターを付ける、トレーラーを作るのいずれかです。編集プラン
edit capabilitiesこのサーバーがプランできる編集プランのモードを一覧にします。課金はされません。編集プラン
edit apply-edl編集決定リスト(EDL)を、動画またはオーディオファイルとしてレンダリングします。EDL 適用
edit switch-cameras編集の各カットを、話している人のカメラに切り替えます。文字起こしには話者ラベルが必要です。カメラ切り替え
edit tighten-episode録音を引き締めて、完成したエピソードにします。文字起こし、計画、レンダリングを行い、設定に応じて字幕、音楽、フレーミングを加えます。エピソードを引き締める
edit episode-chapters録音のチャプターを一覧にします。何もレンダリングされません。チャプター
edit episode-trailer選んだ形式ごとに、20〜40 秒の予告編を切り出します。トレーラー
edit clip-pack録音を、短いクリップのセットに切り出します。クリップパック
edit speaker-layout何もカットせずに、録音全体を話者ごとにフレーミングします。スピーカーレイアウト
edit continue-use-case上の 5 つの実行のいずれかを、新しいジョブとして続行します。エピソードを引き締める

edit audio-sync は、id=url の形で ID を指定しない限り、録音に source-1、source-2 のように名前を付けます。その output_data.json には、3 つのフィールドがあります。

  • reference:ほかの録音がそろえられる基準となる録音です。--reference で選びます。
  • offsets:録音ごとに 1 エントリーで、sourceId、offsetMs、confidence、driftMsPerHour を持ちます。
  • notes:位置合わせについての備考です。

録音内のある時刻は、referenceMs = sourceMs + offsetMs で基準の時刻に変換されます。

edit speaker-map は 2〜6 本の録音を受け取り、--source の規則は edit audio-sync と同じです。--offsets には edit audio-sync の結果を渡します。--master と --wide は、誰のカメラでもない録音を指定します。--sources-file の行には、音声だけの録音を示す kind: "audio" を付けられます。その録音はカメラになりません。結果の output_data.json は { version, speakerMap, confidence, notes, edl? } です。これを edit switch-cameras --speaker-map-result に渡します。

edit apply-edl --quality proxy は、確認用のプレビューをレンダリングします。プレビューは非公開で、低いプレビュー料金で課金されます。--quality final は納品用の最終版をレンダリングします。--clip-key は、クリップモードのプランのうち、このレンダリングで切り出すクリップを <first inMs>-<last outMs> の形で指定します。結果は、それを output_data.quality と並べて output_data.clipKey として返します。

edit capabilities は、このサーバーがプランできる編集プランのモード、応答した相手、編集プランが開始した 1 分ごとに課金されるかどうかを表示します。接続したセルフホスティングのインストールには、Nodaro Cloud が応答します。--json を付けると、{ modes, source, perMinute } を表示します。

edit switch-cameras --speaker-map-result には edit speaker-map の結果を渡します。--speaker-map のラベルがそれより優先されます。--lead-ms は各カットを早め、--lag-ms は各カットを遅らせます。どちらも 0〜5,000 ミリ秒です。--lag-ms のデフォルトは 0 です。

複数のカメラの場合の手順

マルチカメラの録音では、edit plan --offsets に、同じソース ID で実行した edit audio-sync ジョブの output_data.json を渡します。プランは、開始する前に各ソースのオフセットを適用します。測定されていないソースや、一致の弱いソースは拒否されます。その場合は、--sources-file でそのソースの offsetMs を指定してください。マルチカメラの編集では、次のコマンドを順に実行します。

  1. audio transcribe --provider elevenlabs-stt --diarize:話者ラベル付きの文字起こしを作ります。
  2. edit audio-sync:オフセットを測定します。
  3. edit plan --offsets:編集を計画します。
  4. edit speaker-map:誰がどのカメラに映っているかを見つけます。
  5. edit switch-cameras --speaker-map-result:各カットを話者のカメラに切り替えます。
  6. edit apply-edl --quality proxy で確認し、そのあと edit apply-edl --quality final で納品用をレンダリングします。

1 つのコマンドでエピソード全体を編集する

nodaro edit tighten-episode --media <url> [--media <url> ...] [--master-audio <url>] [--wide-camera <n>] [--synced] [--speaker-camera <speaker>=<recording> ...] [--music <url> [--music-duck-amount <0-100>]] [--output video|audio] [--framing 16:9|9:16|1:1|4:5 [--layout auto|single|side-by-side|stacked|grid|pip] [--framing-source auto|static|tracking]] [--no-captions | --caption-style subtitle|word-highlight|karaoke|tiktok-words|word-pop|bouncy] [--review] [--plan-tier economy|standard|premium] [--instructions <text>] [--style-guide <text>] [--idempotency-key <key>] [--estimate] [--watch] [--poll-interval <ms>] [--json]
nodaro edit episode-chapters --media <url> [--plan-tier economy|standard|premium] [--instructions <text>] [--style-guide <text>] [--idempotency-key <key>] [--estimate] [--watch] [--poll-interval <ms>] [--json]
nodaro edit episode-trailer --media <url> [--media <url> ...] [--master-audio <url>] [--wide-camera <n>] [--synced] [--speaker-camera <speaker>=<recording> ...] [--intro-card <url>] [--formats 9:16,1:1,4:5,16:9] [--review] [--plan-tier economy|standard|premium] [--instructions <text>] [--style-guide <text>] [--idempotency-key <key>] [--estimate] [--watch] [--poll-interval <ms>] [--json]
nodaro edit clip-pack --media <url> [--media <url> ...] [--master-audio <url>] [--wide-camera <n>] [--synced] [--speaker-camera <speaker>=<recording> ...] [--count <n>] [--length <sec>] [--framing 16:9|9:16|1:1|4:5|none [--layout auto|single|side-by-side|stacked|grid|pip] [--switch <id>] [--emphasis <style>]] [--framing-source auto|static|tracking] [--no-captions | --caption-style subtitle|word-highlight|karaoke|tiktok-words|word-pop|bouncy] [--review] [--plan-tier economy|standard|premium] [--instructions <text>] [--style-guide <text>] [--idempotency-key <key>] [--estimate] [--watch] [--poll-interval <ms>] [--json]
nodaro edit speaker-layout --media <url> [--media <url> ...] [--master-audio <url>] [--wide-camera <n>] [--synced] [--speaker-camera <speaker>=<recording> ...] [--aspect 16:9|9:16|1:1|4:5] [--layout auto|single|side-by-side|stacked|grid|pip] [--switch <id>] [--emphasis <style>] [--framing-source auto|static|tracking] [--review] [--idempotency-key <key>] [--estimate] [--watch] [--poll-interval <ms>] [--json]
nodaro edit continue-use-case <jobId> --mode from-failed|render-final [--edit <file.json>] [--type tighten-episode|episode-chapters|episode-trailer|clip-pack|speaker-layout] [--idempotency-key <key>] [--watch] [--poll-interval <ms>] [--json]

5 つのコマンドは、どれも最長 3 時間の動画または音声の録音を受け取ります。トレーラーとスピーカーレイアウトには、映像のある録音が必要です。1 回の実行には、各ステップのそれぞれの料金に加えて、実行ごとに固定の手数料がかかります。失敗した実行の手数料は返還されます。--review を付けると、人が確認するためのプレビューで止まり、最終版をレンダリングする edit continue-use-case のコマンドが表示されます。

  • --estimate は、同じフラグで開始される実行を見積もり、何も開始しません。ジョブは作成されず、課金もされません。合計、各ステップ、実行ごとの手数料、録音の長さを表示します。ステップが従量課金の見積もりである場合、合計には ≈ が付きます。--json を付けると、{ totalCredits, stepsCredits, feeCredits, estimate?, durationSec } を表示します。クレジットのないエディションでは、そのことが表示されます。
  • --idempotency-key を付けると、同じキーでの再試行には、すでに開始された実行が返されます。
  • --style-guide は、プランを作成するモデルへのスタイルガイドで、最大 4,000 文字です。

複数のカメラ。 1 つの会話のカメラの数だけ --media を順に繰り返し、ミキサーのトラックには --master-audio を加えます。カメラは --wide-camera、--synced、--speaker-camera で設定します。--speaker-camera 1=2 は、最初に聞こえた声を録音 2 に置き、0 は引きの映像です。複数の録音やマスターオーディオには話者マップが必要です。話者マップを利用できない場合、実行は 403 node_not_available で拒否されます。チャプターは 1 本の録音だけを読みます。

edit tighten-episode は、録音を文字起こしし、引き締めたカットを計画してレンダリングし、設定に応じて字幕、音楽、フレーミングを加えます。--music-duck-amount は、声の下で音楽をどれだけ下げるかで、0〜100、デフォルトは 75 です。--caption-style は字幕の見た目で、デフォルトは word-highlight です。--layout と --framing-source は --framing と一緒にだけ使えます。--framing-source static(デフォルト)は、話者ごとにフレームを均等に分割します。tracking は話者フレームで顔を追従し、サンプリングした 1,000 フレームのブロックを開始するごとに課金されます。話者フレームを利用できない場合は拒否されます。auto は、話者フレームを利用できる間は顔を追従し、そうでなければ均等に分割します。

edit episode-chapters は、録音を文字起こしし、チャプターを計画します。--watch を付けると、実行の完了時にショーノートが表示されます。チャプターごとに 0:00 Title の行が 1 行です。

edit episode-trailer は、20〜40 秒の予告編を切り出し、--formats の形式ごとにパディングします。切り抜くことはありません。--formats はカンマ区切りで、デフォルトは 9:16,1:1,4:5 です。同じ形式を 2 回指定すると、課金される前に 400 validation_error で拒否されます。--intro-card は、最長 15 秒の短い動画を先に再生します。--watch を付けると、各形式の予告編が 9:16 <url> の形で表示され、続いてレンダリングできなかった形式が表示されます。

edit clip-pack は、--count 本(1〜50、デフォルト 8)のクリップを、それぞれ約 --length 秒(5〜180、デフォルト 60)で切り出します。デフォルトでは、各クリップは話者を縦に並べた 9:16 でフレーミングされ、karaoke スタイルの字幕が付きます。--framing none は録音の形のままにします。--switch は話者が変わるたびの切り替えで、cut、pan、zoom、xfade:<transition> のいずれか、デフォルトは pan です。--emphasis は話している人の見せ方で、none、または scale、border、dim を + でつないだもの、デフォルトは scale です。--watch を付けると、各クリップが 1 <url> <title> の形で表示されます。

edit speaker-layout は、録音全体を話者ごとにフレーミングします。長さは同じで、何もカットされません。--aspect は形で、デフォルトは 9:16 です。--layout のデフォルトは stacked、--switch は cut、--framing-source は auto です。--review のプレビューは、--edit なしの edit continue-use-case でフル品質にレンダリングします。レイアウトには変更するカットがないためです。

各フラグの値そのものは、リクエストの前にチェックされます。--wide-camera が映像のある録音を指しているかどうかは、サーバーがチェックします。

edit continue-use-case は、実行を次の 2 つのモードのいずれかで新しいジョブとして続行します。

  • from-failed は、完了したステップを残し、残りを実行します。失敗した実行の手数料は返還されているので、手数料が再び確保されます。
  • render-final は、--review のプレビューのあとに、プレビューの設定でフル品質の結果をレンダリングします。手数料はかかりません。--edit には、確認者が編集したプランを EDL ファイルとして渡します。クリップパックでは、残すクリップを指定します。チャプターの実行は何もレンダリングしません。

実行は、そのノードタイプ自体のルートで続行されます。--type でタイプを指定します。--type がない場合、CLI はジョブを読み取ってそのタイプを調べます。jobs:read スコープのないトークンのようにタイプを読み取れない場合は、何も送られません。その場合、コマンドは終了コード 1 で終了し、コード use_case_type_unknown とともに --type を求めます。

別のジョブを示す拒否では、そのコードとジョブが表示されます。already_running は、そのジョブを追跡してください、という意味です。continuation_superseded は、代わりにそのジョブを続行してください、という意味です。render_final_already_rendered は、そのジョブの結果を使ってください、という意味です。--json を付けると、拒否は { "error": { "code", "message" }, "jobId" } として標準出力に書き出され、終了コードは 1 です。

nodaro edit tighten-episode --media https://cdn.example.com/episode-12.mp4 --framing 9:16 --estimate
nodaro edit tighten-episode --media https://cdn.example.com/episode-12.mp4 --framing 9:16 --review --watch
nodaro edit continue-use-case <jobId> --mode render-final --watch
nodaro edit episode-chapters --media https://cdn.example.com/episode-12.mp4 --watch

よくある質問

CLI から、動画の複数の話者の声を差し替えるには、どうすればよいですか?

--video と --voices を指定して nodaro voice recast を実行します。--voices には、検出された順に話者ごとのボイスを 1 つずつ指定します。元の声のままにする話者には、--voices Rachel,keep,Aria のように keep と書きます。

単語のタイミングを返す文字起こしエンジンは、どれですか?

elevenlabs-stt は常に単語のタイミングを返し、incredibly-fast-whisper は --word-timestamps を付けると返します。whisper が返すのはフレーズ単位のセグメントだけです。--provider を省略すると whisper エンジンが実行されるので、単語が必要なときは必ずエンジンを指定してください。

still-to-video と slideshow には、クレジットがかかりますか?

かかりません。nodaro media still-to-video と nodaro media slideshow は、AI モデルを一切使わずに動画をレンダリングするため、0 クレジットです。

自分で修正した単語で、動画に字幕を付けるには、どうすればよいですか?

単語単位のエンジンで音声を文字起こしし、保存した JSON ファイル内の単語を編集してから、そのファイルを --captions-file と --no-auto-transcribe を付けて nodaro media add-captions に渡します。

Nodaro Cloud が必要なメディアコマンドは、どれですか?

voice analyze と voice export は、Nodaro Cloud でのみ動作します。voice recast、edit plan、edit switch-cameras は Nodaro Cloud で動作し、セルフホスティング環境では、Nodaro Cloud への接続を通じて動作します。

最終更新

目次