Communitygithub.com

svg-voiced-video-studio

Erstelle aus Skripten, Storyboards oder Themen ein 60fps nativ-geometrisches SVG-Video mit persönlicher Stimmsynthese, inklusive vier formatfüllender HD-Cover, SRT-Untertitel und plattformoptimierter Titel/Beschreibungen für Bilibili, Xiaohongshu, Douyin, Video Account und Kuaishou.

Was ist svg-voiced-video-studio?

Mit diesem Skill verwandelst du geschriebene Manuskripte (z.B. philosophische Essays, Wirtschaftskommentare) in professionelle, 60fps native SVG-Animationen mit lokaler, personalisierter Sprachsynthese – ohne Lücken oder Verschlucken von Wörtern (Zero-Token-Drop). Er erzeugt automatisch vier formatfüllende HD-Cover (inklusive 9:16 für Kurzvideos), SRT-Untertitel und die dazugehörigen plattformoptimierten Titel, Beschreibungen und Pinned-Kommentare für die fünf wichtigsten chinesischen Videoplattformen: Bilibili, Xiaohongshu, Douyin, Video Account und Kuaishou. Der Workflow basiert auf einer Reihe von Skripten (lint_script.py, synth_voiceover_template.py, extract_keyframes_template.mjs, inspect_video.py u.a.), die den gesamten Prozess von der Textprüfung über die Sprachsynthese bis zur finalen Qualitätssicherung steuern. Er unterstützt drei visuelle Stile (Dark-Philosophy, Swiss-Parchment, Swiss-Warm-Paper) und stellt sicher, dass die Ausgabe die strengen Anforderungen der Plattformen erfüllt (z.B. -14 LUFS Lautstärke, 4K-Auflösung, keine schwarzen Frames). Dieses Tool ist ideal für Entwickler und Content-Ersteller, die hochwertige, voice-over-gesteuerte Erklärvideos im Stil von 60fps SVG-Motion-Design erstellen möchten, ohne auf manuelle Videobearbeitung angewiesen zu sein.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/zou172866/svg-voiced-video-studio/tree/main/skills/svg-voiced-video-studio

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

svg-voiced-video-studio:60fps SVG-Video-Studio mit mehrsprachiger Auslieferung

Verwandle Skripte, Storyboards oder überprüfte Fallbeispiele in lokales, personalisiertes Voice-Over ohne Wortverschlucken + 4K 60fps nativ-geometrisches SVG-Animation + @2x vierfache formatfüllende Cover + Titel/Beschreibungen und Pinned-Kommentare für fünf Plattformen.

Schlüssel-Invarianten

  1. Zuerst Text und Sprachumgebung prüfen, dann Satz-für-Satz cachen und synthetisieren. Basierend auf: Theorie der chinesischen Zweisilben-Rhythmuswörter, Common Ground Theorie, Grice'sche Konversationsmaximen und inhaltsadressierte idempotente Konstruktion. Vor der Synthese muss lint_script.py ausgeführt werden: Überprüfung auf einzelne Schriftzeichen in offiziellen Dokumenten, binäre Umkehrungen, fünf Arten von KI-Fingerabdrücken in der Sprechweise (falsche Empathie, falsche Tiefe, Selbstgewichtung, universelle Vorlagen, dreifache Parallelismen), kalte Eröffnungsankündigungen, Klammerergänzungen, zu lange Atempausen, Variationskoeffizient der Satzlänge (≥ 0.25), Aussprache von Homophonen und Zahlen/Englisch; bei tatsächlichen Aufschlüsselungen werden allgemeine Maßeinheiten des Publikums (wie token) beibehalten und im gesamten Film vereinheitlicht, direkte Anreden und Quellennamen werden verwendet, und die Auswahl wird zeitlich geordnet abgeschlossen; falsch ausgesprochene Wörter werden mit {Aussprache=>Untertitel} oder ttsText zweigleisig fixiert. Das Syntheseskript unterstützt --check-only zur Vorprüfung und out/.tts_cache/ für satzweises hashing-basiertes Fortsetzen der Synthese, mit physikalischer Satztrennung an ;:— (Atempause 0.18s) und 。!? (Atempause 0.30s) und Mehrfachdurchläufen zur Auswahl der besten Version (einzige Parameterquelle siehe Sprechtechnik-Handbuch).
  2. Die gemessenen Sekunden treiben die 60fps-Zeitachse invers an, mit schnellem Abgang und Ausrichtungsframes, die den Treffpunkt erreichen. Basierend auf: normalisierte Zeitparametrisierung und audiovisuelle Synchronisationswahrnehmungsfenster. Das Syntheseskript schreibt scenesData.json; Komponenten dürfen niemals Frame-Nummern fest codieren, Federn werden mit SPRING_PRESETS in vier Stufen für gleichartige Elemente vereinheitlicht (Modus C sperrt rückfederungsfreien Modus), Abgang 0.25s schneller als Eingang, Maskenübergänge verwenden revealOn(), um die Einblendframes auf Betonungswörter oder Schnittpunkte auszurichten, die chinesische Bildschirmzeichen halten für die minReadHoldSec() (Zeichen÷4.5+1.5s, kritische Zahlen ≥ 2.5s).
  3. Zuerst zweistillige Standbilder visuell prüfen, dann den gesamten Film codieren. Basierend auf: Fehlererkennung vorverlagern und Gestalt-Grund-Trennung. Jede Szene extrahiert 25% (Eingangszustand) und 76% (Volltext-Zustand), Szenen mit Fragmenten oder Pfadkreuzungen extrahieren zusätzlich 48%; sicherstellen, dass Linien nicht durch Zeichen verlaufen, Pfade geschlossen sind, der Mindestabstand von Zeichen zu Rahmen ≥ 8px beträgt und auf einem Bildschirm höchstens eine Akzentfarbe als Fokus vorhanden ist.
  4. Vierfach-Cover auf einmal passend erstellen, 9:16 streng auf den zentralen 3:4-Sicherheitsbereich begrenzt. Basierend auf: Mehransichts-Sicherheitsrahmen und visuelle Schriftbreiten-Norm für gemischte chinesisch-westliche Schrift. Der Haupttitel des Covers hat maximal ≤ 6 Zeichen pro Zeile für reine chinesische Zeichen, die visuelle Schriftbreite für gemischte Schriften beträgt ≤ 6.2 em (unzerlegbare Eigennamen mit --allow-7 auf 7.2 em genehmigt und Schriftgröße automatisch um 8% reduziert), die 9:16-Version hat oben und unten einen Abstand ≥ 240px.
  5. Die Veröffentlichungstexte halten die Sprach- und Faktengrenzen ein. Basierend auf: Erwartungsverletzungs-Check und Fluch des Wissens. Reiner Text ohne Formatierung, keine Anführungszeichen, maximal 4 Hashtags auf Kuaishou, verbotene binäre Umkehrsätze, verboten, hypothetische Ableitungen als Tatsachen des Autors darzustellen, die festen Schlussworte des Erstellers bleiben im Original erhalten – die Details sind einheitlich in Spezifikation für fünf Plattformen und vier Coverformate Abschnitt 2, Punkt 0 festgelegt, und gelten gleichermaßen für Voice-Over und Cover.
  6. Das letzte Bild eines philosophischen/humanistischen Films behält die festen Schlussworte des Erstellers im Original. In unermüdlichem Fragen finden wir das lebendige Selbst; in der begrenzten Übereinkunft erreichen wir die unendlichen Möglichkeiten. Wenn im eingereichten Manuskript vorhanden, bleiben sie unverändert; wenn das Skript aus einem Thema generiert wird, werden sie standardmäßig als Abschluss des letzten Bildes verwendet, geteilt am Semikolon in zwei Sätze zur Synthese, mit einer Leerzeit am Satzende von 4.5s~5.5s. Reine kommerzielle Schnellkommentare folgen den Arbeitsbereichsregeln oder Benutzeranweisungen.
  7. Die Szenen teilen sich dynamisch entsprechend den Informationspunkten auf, visuelle Ästhetik, Datenmetrik und Schweizer Layout werden gemäß dem Handbuch ausgeführt. Basierend auf: Mayers Multimedia-Lernprinzipien, Tufte's grafischer Ehrlichkeit und dem Schweizer Modulraster. Es ist strengstens verboten, eine feste Anzahl von Szenen zu erzwingen oder aufzufüllen: Die Aufteilung erfolgt natürlich entsprechend der Komplexität des Inhalts nach dem Prinzip „eine Szene, ein Kerninformationspunkt“ (kurze Kommentare 3–5 Szenen, normale Analysen 5–9 Szenen, tiefgehende Filme 10–16+ Szenen sind alle flexibel erweiterbar); Datenvisualisierungen (ungeprüfte Zahlen dürfen nicht auf den Bildschirm, zuerst die Achsen, dann die Daten, Balken beginnen bei 0, Überprüfungen der Multiplikatoren, Quellenangabe in kleiner Schrift), das horizontale 12-/vertikale 6-Spaltenraster und 2–3 Anti-Homogenisierungs-Stilsignale pro Ausgabe richten sich nach dem SVG-Bewegungsästhetik-Handbuch.
  8. Das fertige Produkt wird erst nach einer technischen Endkontrolle mit -14 LUFS und einer unabhängigen Blindprüfung ausgeliefert. Basierend auf: ITU-R BS.1770 Lautheitsstandard und unabhängiger Verifikation zur Vermeidung von Bestätigungsfehlern. Der finale Mix fügt passende Soundeffekte hinzu, die die Stimme nicht überdecken (sfx_synth.py) und gleicht sie auf -14.0 LUFS an (True Peak ≤ -1.2 dBTP); nach dem Rendern muss inspect_video.py zur harten Überprüfung von Bildrate, schwarzen Frames, Lautheit und True Peak ausgeführt werden (ungeprüfte Spezifikationen gelten mit NOT_CHECKED nicht als bestanden), und es wird eine unabhängige Blindprüfung durchgeführt.

Auswahl des visuellen Masters und der Leinwandmodi

Auswahl basierend auf der Stimmung des Skripts und der primären Veröffentlichungsplattform (Farben aus der AGENTS.md des Arbeitsbereichs oder vom Benutzer angegeben haben Vorrang):

ModusLogische Leinwand → 4K-Ausgabe (--scale=2)Kernpalette (null Verlauf, 0px rechte Winkel)Synthese-VoreinstellungCover-ThemaGeeignete Themen
A. Dunkles Kohlenacht-Philosophie1920×1080 → 3840×2160Grund #111110 · Haupttinte #F2EFE9 · Fokus #D94E28--preset long --speed 1.00--theme darkInnenschau, existenzialistische Langfilme
B. Schweizer Pergament-Warmton1920×1080 → 3840×2160Grund #F5F0E6 · Papier #FAF7F1 · Tusche #191715 · Siegel #C83E2B--preset long --speed 1.00--theme vellumZeit- und Geld-Bilanzen, klassische philosophische Langfilme
C. Schweizer Warmes Papier (Hochformat)1080×1920 → 2160×3840Grund #F5F1EA · Papier #FAF8F3 · Tinte #1A1A18 · Zinnoberrot #D93B22--preset short --speed 1.07--theme editorialHochformat-Wirtschaftsanalysen, Produktvergleiche, kurze Datenvideos (Szenenanzahl flexibel je nach Informationsdichte)

Zahlen verwenden einheitlich font-variant-numeric: lining-nums tabular-nums, alte Ziffernschriftarten (wie Georgia) sind verboten.

Zusätzliche Hinweise für Modus C: Das Shell-Element übergibt theme={EDITORIAL_PAPER_THEME}; die Hochformat-Leinwand wechselt automatisch auf den plattformspezifischen Sicherheitsbereich (oben ≥ 200px, unten ≥ 400px, rechts ≥ 140px, Untertitel maximal ≤ 16 Zeichen pro Zeile); Grafiken werden nur innerhalb des safe-Rechtecks gezeichnet und mit swissGrid(safe) auf ein 6-Spalten-Raster ausgerichtet; die Liste der Zahlenaussprachen aus der Lint-Ausgabe wird Punkt für Punkt überprüft.


Standard-Fünf-Schritte-Workflow

Wenn die AGENTS.md des Arbeitsbereichs manuelle Review-Gates (Themenauswahl, finale Skriptprüfung) vorsieht, muss an diesen Gates gestoppt werden. Es ist strengstens verboten, ohne Freigabe vorzeitig zu rendern:

  • Interne Blindprüfung vor der Finalisierung und Entscheidungsdokumentation: Vor dem Einreichen des finalen Skriptpakets, falls der Host Sub-Agenten unterstützt, wird ein Sub-Agent, der nicht am Schreiben des Skripts beteiligt war, mit der Überprüfung und Bereinigung der fünf KI-Artefakte und der faktischen Grenzen beauftragt. Das Finalisierungspaket enthält nummerierte Punkte: „Kernaussage in einem Satz, Modus und die ausgewählten 2–3 Stilsignale (mindestens 1, das die klischeehafteste Variante vermeidet), Stimmfarbe und Sprechgeschwindigkeit, szenenweise Sprechtexte mit markierten *Schlüsselwörtern* und neun-Spalten-Storyboard-Selbstprüfung, vierfache Cover-Überschrift, fünf Plattform-Titel“; nach der Entscheidung des Benutzers wird es sofort in das Projektverzeichnis out/定稿决策.md geschrieben, und alle nachfolgenden Rendervorgänge und Sitzungsübergänge verwenden diese Datei als einzige Quelle der Wahrheit.

Schritt 1: Skriptprüfung und Cache-basierte Sprachsynthese ohne Wortverschlucken

  1. Führe python scripts/lint_script.py <Skriptpfad> aus, bereinige Satzstrukturen, die fünf Arten von KI-Stimmen und einzelne Zeichen aus offiziellen Dokumenten; überprüfe die Liste der Aussprachen für Homophone und Zahlen/Englisch, schreibe falsche Aussprachen als {Aussprache=>Original}.
  2. Lokalisiere gpt-sovits-studio/voice_profile.json (vorzugsweise mit der dedizierten Umgebung in .venv\Scripts\python.exe ausführen, beim ersten Mal --check-only für eine schnelle Vorprüfung der Gewichte, CUDA und ffmpeg). Für das Training neuer Stimmen oder bei Windows-Speicherfehlern zuerst das GPT-SoVITS Windows Einzel-GPU Fehlerbehebungs-Handbuch lesen.
  3. Führe synth_voiceover_template.py aus (wähle --preset, --speed, --sfx auto, bei englischen Eigennamen oder Fachbegriffen --asr-verify hinzufügen; bereits synthetisierte Sätze werden automatisch aus out/.tts_cache/ wiederverwendet, für eine vollständige Neuberechnung --force-resynth hinzufügen). Ausgabe: public/audio/S01..SXX.mp3 (reine Stimme zur Qualitätskontrolle), ambient_pad.mp3, sfx_bus.mp3, mixed_master_ducked.mp3 (48kHz, -14.0 LUFS, Stimme + zurückhaltende Musik + ausweichende Soundeffekte, die einzige Audiospur des fertigen Films), src/data/scenesData.json, .srt in out/, chapters.txt und sfx_cues.json.
  4. Für 1–2 Highlights können "fx": "canyon" | "tape" | "water" hinzugefügt werden (siehe voice_fx.py); vor dem Codieren des Videos muss public/audio/S01..SXX.mp3 mit multimodalem read_file Szene für Szene gehört werden (besonders auf englische Eigennamen und Homophone achten, dass sie klar und ohne Sprünge sind; bei rein chinesischen Feintuning-Stimmen für token {偷肯=>token} und für PDF {P D F=>PDF} zur zweigleisigen Fixierung verwenden).

Schritt 2: Aufbau der entkoppelten Remotion 60fps nativ SVG-Projektstruktur

  1. Wenn ein wiederverwendbares node_modules vorhanden ist, mit einem Windows Directory Junction einbinden.
  2. Kopiere motion_60fps.ts und SceneFrameShell_60fps.tsx, halte dich an die Projektkonventionen:
    • Kompositions-ID: MainEssay für den gesamten Film, Szenen als Scene-S01...Scene-SXX; toShellTimeline() zur Konvertierung der Zeitachse verwenden;
    • Audiospur: audio/mixed_master_ducked.mp3 nur einmal in der Root-Komposition MainEssay anhängen, das Shell-Element playSceneAudio bleibt ausgeschaltet;
    • Alle interpolate()-Aufrufe explizit clamp; einheitlich SPRING_PRESETS, EASE_SNAP / EASE_GLIDE / EASE_WHIP, Standard-Abgang 0.25s, revealOn() für Ausrichtung der Einblendung, minReadHoldSec() für Verweildauer und swissGrid(safe) für das Modulraster verwenden;
    • Ästhetik und Datenimplementierung mit accentAt() + mixHex() (Rot folgt der Stimme), cameraAt() (einfaches Leinwand-Scrollen), taperStroke() / inkJitter() (Mode A, B Tuschelinien). Kommerzielle Diagramme halten sich streng an die Datenmetrik in Abschnitt 2 des Ästhetik-Handbuchs.

Schritt 3: Zweistillige Extraktion, programmgesteuerte -14 LUFS-Endkontrolle und unabhängige Blindprüfung

  1. npx tsc --noEmit ohne Typfehler.
  2. Führe extract_keyframes_template.mjs aus, um Schlüsselbilder zu exportieren (standardmäßig an Port 18123 gebunden, um den Windows Hyper-V/WinNAT reservierten Portbereich 3000–3100 zu vermeiden), visuelle Prüfung auf Linien, die Zeichen schneiden, Lücken, einzelne Zeilen und Plattformabdeckung; führe dann audit_aesthetics.py aus, um rote Fokuspunkte, Elementanzahl, Rahmenlinien, Hauptzeichenhöhe, Dichteschwankungen und Schriftgrößenhinweise zu verarbeiten.
  3. Führe npx remotion render … --scale=2 --codec=h264 --crf=16 --pixel-format=yuv420p --port=18123 aus, um das native, echte Vektor-4K-60fps-Video direkt auszugeben (Hochformat 2160×3840, Querformat 3840×2160, wodurch die durch die yuv420p 4:2:0-Farbunterabtastung verursachte Unschärfe an Zinnoberrot-Kanten vollständig beseitigt wird; die studio-Vorschau verwendet ebenfalls --port=18123, um No available ports found zu vermeiden).
  4. Führe unbedingt inspect_video.py aus (mit --expect-size 2160x3840 (Querformat 3840x2160), --expect-fps 60, --scenes-json src/data/scenesData.json), um sicherzustellen, dass 4K-Auflösung, Bildrate, keine schwarzen Frames, Lautheit von -14.0 ± 1.5 LUFS und True Peak von ≤ -1.0 dBTP alle PASS sind.
  5. Wenn der Host Sub-Agenten unterstützt, übergib das generierte qa_sheet.png, qa_phone.png und „den einen Satz, den sich das Publikum merken soll“ an einen unabhängigen, code-fremden Prüf-Sub-Agenten; dieser gibt die schwerwiegendsten ≤ 3 Probleme mit Zeitcode zurück; erst nach der Bereinigung und erneuten Überprüfung wird mit dem nächsten Schritt fortgefahren.

Schritt 4: Rendern des @2x-Vierfach-Cover-Sets ohne Formatbeschneidung

  1. Erstelle die Cover-Überschrift gemäß Spezifikation für fünf Plattformen und vier Coverformate und führe drei harte Prüfungen durch.
  2. Führe render_4covers_template.py aus (wähle --theme gemäß der Tabelle), um die vier .png-Formate auszugeben; überprüfe jedes Bild darauf, dass es keine einzelnen Zeichen am Zeilenende gibt und dass der 9:16-Text vollständig innerhalb des zentralen 3:4-Sicherheitsrahmens liegt.

Schritt 5: Auslieferung des reinen Textes für fünf Plattformen und der strukturierten Abnahmeliste

Gib gemäß Abschnitt 2 der Spezifikation den reinen Text ohne Formatierung aus (die Bilibili-Zeitachse wird direkt aus out/chapters.txt entnommen; Projektaufzeichnungen verbleiben in out/ und werden nicht in das Auslieferungsverzeichnis gemischt). Die endgültige Antwort enthält klickbare Links zu .mp4, .srt, den vier .png-Dateien und der Text-.md-Datei sowie den npm run studio-Befehl zur Vorschau und zum erneuten Rendern. Füge außerdem eine prägnante Abnahmeliste (geprüfte Elemente, ungeprüfte Elemente, Begründung für Design-Ausnahmen) bei.


Grenzen, Autorisierung und Abbruchbedingungen

  • Anwendungsbereich: Für Anforderungen wie Realschnitt, Realfilm-Freisteller oder 3D-Real-Rendering erkläre direkt, dass sich dieser Skill auf die Erstellung programmatischer, nativ-geometrischer SVG-Animationen mit Sprachausgabe und plattformspezifischer Verpackung konzentriert, und keine Vorlagen zwangsweise anwendet.
  • Externe Aktionsautorisierung: Standardmäßig werden nur Dateien lokal generiert; ohne ausdrückliche Anweisung des Benutzers werden keine Browser oder Schnittstellen zum automatischen Hochladen und Veröffentlichen aufgerufen.
  • Abschlusskriterien: Alle harten Prüfpunkte von inspect_video.py sind PASS (kein FAIL oder NOT_CHECKED), die vierfach-Cover und der reine Text für fünf Plattformen sind vollständig, und die Abnahmeliste gibt den geprüften Umfang und die Ausnahmeerklärungen wahrheitsgemäß an.

Verwandte Skills